@cloudflare/computer 深度拆解：当 Cloudflare 决定「给每个 AI Agent 造一台电脑」——从 Durable Objects 到 SQLite 虚拟文件系统，一个 MIT 开源项目如何用 10GB 持久工作区重新定义 Agent 运行时的终极形态
一句话总结：Cloudflare 于 2026 年 8 月 3 日发布 @cloudflare/computer 早期预览版，为每个 AI 智能体提供基于 Durable Objects + SQLite 的持久工作区，三种执行后端（Worker Isolate / Worker Shell / Container）共享同一套文件系统，MIT 许可证开源，当前 npm 版本 0.1.1。这不是一台远程桌面云电脑——它是一间给智能体使用的持久工作室。
一、为什么 AI Agent 需要一台「电脑」？
1.1 从聊天到编程：AI Agent 的范式转移
2024 年，AI 还在聊天框里回答问题。2025 年，AI 开始写代码。2026 年，AI Agent 要自己读代码、改文件、跑测试、看结果、再改——完成一个完整的开发循环。
这不是科幻。Claude Code、Cursor、Codex、OpenCode 这些工具已经在做这件事了。但它们有一个共同的痛点：Agent 需要一个持久的工作环境来保存中间状态。
传统的解决方案是什么？给每个 Agent 分配一个 Docker 容器。容器提供隔离的 Linux 环境、文件系统、命令执行能力。听起来很完美，但问题来了：
1个用户 × 1个Agent × 1个容器 = 1个容器
100万用户 × 1个Agent × 1个容器 = 100万个容器
10亿用户 × 1个Agent × 1个容器 = 10亿个容器 ← 崩了
容器的 CPU 和内存开销是实打实的。当你的平台需要同时运行数亿个 AI Agent 时，为每个 Agent 配置一个完整容器的模式就彻底不work了。
1.2 Cloudflare 的答案：Isolate + Workspace
Cloudflare 的思路完全不同。他们不给你一台完整的电脑，而是给你一间工作室：
- 工作区（Workspace）：用 SQLite 存储的虚拟文件系统，文件持久化在 Durable Objects 中，重启不丢失
- 执行环境：按需选择——轻量任务用 Worker Isolate（毫秒级启动），重负载用 Container（完整 Linux）
- 统一接口：无论哪种执行环境，都操作同一套工作区文件
这个设计的精妙之处在于：工作区是持久的，执行环境是临时的。就像你在办公室有一张固定的桌子（工作区），但你可以选择用计算器（Isolate）或者工作站（Container）来完成不同的任务。
二、架构深度拆解
2.1 核心组件关系图
┌─────────────────────────────────────────────────┐
│ @cloudflare/computer │
├─────────────────────────────────────────────────┤
│ │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ Workspace │◄──►│ Tools │ │
│ │ (SQLite + │ │ read/write │ │
│ │ Durable Obj) │ │ edit/ls/exec│ │
│ └──────┬───────┘ └──────────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────────────────────────────┐ │
│ │ Execution Backends │ │
│ ├──────────┬──────────┬────────────────┤ │
│ │ Worker │ Worker │ Container │ │
│ │ JS │ Shell │ (Full Linux) │ │
│ │(ECMAScript│(just- │ (FUSE mount) │ │
│ │ modules) │ bash) │ │ │
│ └──────────┴──────────┴────────────────┘ │
│ │
│ ┌──────────────────────────────────────┐ │
│ │ Security & Observability │ │
│ │ Permission Gates · Audit · Tracing │ │
│ └──────────────────────────────────────┘ │
└─────────────────────────────────────────────────┘
2.2 Workspace：基于 SQLite 的虚拟文件系统
工作区是 @cloudflare/computer 的灵魂。它不是一个简单的文件存储，而是一个完整的虚拟文件系统：
存储层：运行在 Cloudflare Durable Objects 中。Durable Object 可以理解为带持久状态的 Worker 实例——它有自己独立的 SQLite 数据库，天然支持事务性操作。@cloudflare/computer 用 SQLite 作为文件系统的权威数据源，所以文件可以跨重启保留。
容量：每个工作区约 10GB，与对应 Durable Object 的存储配额共享。对于代码、文档和 Agent 任务产生的小型文件集合来说绰绰有余，但不适合搬入体积很大的单体仓库。
API：提供接近 node:fs/promises 的异步接口：
import { Workspace } from "@cloudflare/computer";
// 在 Durable Object 中初始化工作区
const workspace = new Workspace(ctx, env);
// 文件操作 —— 接近 node:fs/promises 的 API
await workspace.mkdir("/project/src");
await workspace.writeFile("/project/src/index.ts", `
import { createApp } from "./app";
const app = createApp();
app.listen(3000, () => {
console.log("Server running on port 3000");
});
`);
// 列出目录内容
const files = await workspace.ls("/project/src");
console.log(files); // ["index.ts", "app.ts", "utils.ts"]
// 读取文件
const content = await workspace.readFile("/project/src/index.ts");
console.log(content);
// 搜索文本
const results = await workspace.grep("createApp", "/project/src");
Git 集成：工作区内置 Git 客户端，可以克隆仓库、暂存改动和提交版本：
// 克隆一个 Git 仓库到工作区
await workspace.git.clone("https://github.com/user/repo.git", "/project");
// 查看变更
const status = await workspace.git.status("/project");
console.log(status); // { modified: ["src/index.ts"], untracked: ["new-file.ts"] }
// 暂存并提交
await workspace.git.add("/project", ["src/index.ts"]);
await workspace.git.commit("/project", "feat: add new endpoint");
// 推送
await workspace.git.push("/project", "origin", "main");
R2 集成：工作区还可以挂载 R2 存储桶中的只读文件，适合读取大型数据集或静态资源：
// 挂载 R2 桶为只读目录
await workspace.mountR2("/data", "my-bucket", { readOnly: true });
// 现在可以像读本地文件一样读取 R2 中的文件
const dataset = await workspace.readFile("/data/training-set.jsonl");
2.3 三种执行后端：各司其职
@cloudflare/computer 提供三种执行后端，开发者可以按任务选择，也可以在一个工作区中同时注册多个后端。
2.3.1 Worker Shell 后端（just-bash）
这是最轻量的后端。它在 Dynamic Worker 中用 just-bash（一个将 Shell 代码转换为 JavaScript 的工具）执行 Shell 命令，不需要容器或 Docker：
import { Workspace, WorkerShell } from "@cloudflare/computer";
const workspace = new Workspace(ctx, env);
const shell = new WorkerShell(workspace);
// 执行 Shell 命令
const result = await shell.exec("ls -la /project/src");
console.log(result.stdout);
// 管道操作
const gitLog = await shell.exec("cd /project && git log --oneline -5");
console.log(gitLog.stdout);
// 文件处理
const wordCount = await shell.exec("wc -l /project/src/*.ts");
console.log(wordCount.stdout);
适用场景：文件整理、文本处理、Git 操作、常见的命令行任务。启动速度极快（毫秒级），因为不需要启动完整的 Linux 环境。
2.3.2 Worker JavaScript 后端
在新的 Dynamic Worker 中执行 ECMAScript 模块，可以使用结构化输入和输出：
import { Workspace, WorkerJS } from "@cloudflare/computer";
const workspace = new Workspace(ctx, env);
const jsWorker = new WorkerJS(workspace);
// 执行 JavaScript 代码
const result = await jsWorker.run(`
const data = JSON.parse(await readFile("/data/config.json"));
const processed = data.items.filter(item => item.active);
await writeFile("/data/processed.json", JSON.stringify(processed, null, 2));
return { count: processed.length };
`);
console.log(result); // { count: 42 }
适用场景：数据转换、JSON 处理、需要结构化输入输出的任务。同样无需容器，启动速度快。
2.3.3 Container 后端（完整 Linux）
提供完整的 Linux 用户空间，可以运行真实二进制文件、Node.js、npm 和需要联网的命令：
import { Workspace, Container } from "@cloudflare/computer";
const workspace = new Workspace(ctx, env);
const container = new Container(workspace);
// 安装依赖
await container.exec("npm install express cors dotenv");
// 运行测试
const testResult = await container.exec("npm test");
console.log(testResult.stdout);
// 编译 TypeScript
await container.exec("npx tsc --build");
// 运行编译后的代码
const output = await container.exec("node dist/index.js");
关键技术：FUSE 挂载
Container 后端的精妙之处在于 FUSE（用户态文件系统）挂载。工作区文件通过 FUSE 挂载到容器中，容器内的文件修改会自动同步回 SQLite 文件系统：
Container 内部视角:
/project/src/index.ts ← 这是一个 FUSE 挂载点
/project/node_modules/ ← 这也是
/data/config.json ← 这还是
实际存储:
SQLite (Durable Object) ← 所有文件的真实归属地
这意味着：
- 轻量任务在 Worker Isolate 中完成（毫秒启动）
- 重负载任务交给 Container（完整 Linux）
- 无论在哪个环境操作，文件都是同一份
2.3.4 智能路由：让 AI 自己选后端
开发者可以在给 AI Agent 的工具描述中解释每个后端适合什么任务，让 AI 模型自己决定用哪个：
const tools = [
{
name: "exec_light",
description: "执行轻量级 Shell 命令，适合文件操作、文本处理、Git 命令。启动快，无 Docker 依赖。",
handler: (cmd) => shell.exec(cmd)
},
{
name: "exec_full",
description: "执行完整 Linux 命令，适合 npm install、编译、运行测试、启动服务。需要完整环境。",
handler: (cmd) => container.exec(cmd)
}
];
// AI 模型会根据工具描述自动选择：
// "git status" → exec_light（轻量）
// "npm test" → exec_full（需要完整环境）
2.4 安全与可观测性
这是 @cloudflare/computer 区别于「直接给 Agent 一个 Shell」的关键设计。
权限门控：可以限制 Agent 能读什么、能改什么：
const workspace = new Workspace(ctx, env, {
permissions: {
// 只允许读取特定目录
read: ["/project/src", "/project/tests"],
// 只允许写入特定目录
write: ["/project/src"],
// 禁止执行危险命令
denyExec: ["rm -rf", "chmod 777", "sudo"],
// 限制单次读取的字节数
maxReadBytes: 1024 * 1024, // 1MB
// 限制单次读取的行数
maxReadLines: 1000
}
});
审计日志：所有工作区操作都会被记录，方便事后复核：
// 查看 Agent 的操作历史
const auditLog = await workspace.getAuditLog({
since: "2026-08-03T00:00:00Z",
limit: 100
});
// 输出示例：
// [
// { timestamp: "2026-08-03T10:15:32Z", action: "read", path: "/project/src/index.ts", agent: "claude-sonnet" },
// { timestamp: "2026-08-03T10:15:35Z", action: "write", path: "/project/src/index.ts", agent: "claude-sonnet", bytes: 2048 },
// { timestamp: "2026-08-03T10:15:40Z", action: "exec", command: "npm test", agent: "claude-sonnet", exitCode: 0 }
// ]
观测性：集成 OpenTelemetry，可以追踪 Agent 的完整执行链路：
import { Workspace } from "@cloudflare/computer";
const workspace = new Workspace(ctx, env, {
tracing: {
enabled: true,
exporter: "otlp", // OpenTelemetry 标准
endpoint: "https://otel.example.com/v1/traces"
}
});
// 每个操作都会自动产生 trace span
// 可以在 Jaeger/Zipkin/Grafana Tempo 中查看
三、代码实战：从零搭建 Agent 工作区
3.1 项目初始化
# 创建项目
mkdir my-agent-workspace && cd my-agent-workspace
npm init -y
# 安装 @cloudflare/computer
npm install @cloudflare/computer
# 安装 Wrangler（Cloudflare CLI）
npm install -D wrangler
3.2 配置 wrangler.toml
name = "agent-workspace"
main = "src/index.ts"
compatibility_date = "2026-08-03"
compatibility_flags = ["nodejs_compat", "experimental"]
# Durable Objects 配置
[durable_objects]
bindings = [
{ name = "WORKSPACE", class_name = "AgentWorkspace" }
]
# Container 后端配置（可选）
[containers]
image = "node:20-slim"
3.3 实现 Durable Object
// src/index.ts
import { DurableObject } from "cloudflare:workers";
import { Workspace, WorkerShell, Container } from "@cloudflare/computer";
export class AgentWorkspace extends DurableObject {
private workspace: Workspace;
private shell: WorkerShell;
private container: Container;
constructor(ctx: DurableObjectState, env: Env) {
super(ctx, env);
// 初始化工作区
this.workspace = new Workspace(ctx, env);
// 初始化执行后端
this.shell = new WorkerShell(this.workspace);
this.container = new Container(this.workspace);
}
// Agent 执行命令的入口
async execCommand(command: string, backend: "shell" | "container" = "shell") {
if (backend === "container") {
return await this.container.exec(command);
}
return await this.shell.exec(command);
}
// Agent 读取文件
async readFile(path: string) {
return await this.workspace.readFile(path);
}
// Agent 写入文件
async writeFile(path: string, content: string) {
return await this.workspace.writeFile(path, content);
}
// Agent 列出目录
async listDir(path: string) {
return await this.workspace.ls(path);
}
// 初始化项目模板
async initProject(template: string) {
if (template === "node-express") {
await this.container.exec("npx create-express-app /project");
} else if (template === "nextjs") {
await this.container.exec("npx create-next-app /project");
}
return { success: true, path: "/project" };
}
}
// Worker 入口
export default {
async fetch(request: Request, env: Env): Promise<Response> {
const url = new URL(request.url);
if (url.pathname === "/api/agent/exec") {
const { command, backend } = await request.json();
// 获取或创建 Durable Object
const id = env.WORKSPACE.idFromName("default-agent");
const stub = env.WORKSPACE.get(id);
const result = await stub.execCommand(command, backend);
return Response.json(result);
}
return new Response("Agent Workspace API", { status: 200 });
}
};
3.4 AI Agent 集成示例
// src/agent-integration.ts
import { Workspace } from "@cloudflare/computer";
// 定义 Agent 工具
function createAgentTools(workspace: Workspace) {
return [
{
name: "read_file",
description: "读取工作区中的文件内容",
parameters: {
path: { type: "string", description: "文件路径" }
},
handler: async ({ path }: { path: string }) => {
return await workspace.readFile(path);
}
},
{
name: "write_file",
description: "将内容写入工作区文件",
parameters: {
path: { type: "string", description: "文件路径" },
content: { type: "string", description: "文件内容" }
},
handler: async ({ path, content }: { path: string; content: string }) => {
await workspace.writeFile(path, content);
return { success: true };
}
},
{
name: "edit_file",
description: "编辑文件中的特定内容",
parameters: {
path: { type: "string", description: "文件路径" },
oldText: { type: "string", description: "要替换的文本" },
newText: { type: "string", description: "替换后的文本" }
},
handler: async ({ path, oldText, newText }: any) => {
const content = await workspace.readFile(path);
const updated = content.replace(oldText, newText);
await workspace.writeFile(path, updated);
return { success: true };
}
},
{
name: "list_directory",
description: "列出目录中的文件",
parameters: {
path: { type: "string", description: "目录路径" }
},
handler: async ({ path }: { path: string }) => {
return await workspace.ls(path);
}
},
{
name: "run_command",
description: "执行 Shell 命令（轻量任务用 shell，需要完整环境用 container）",
parameters: {
command: { type: "string", description: "要执行的命令" },
backend: { type: "string", enum: ["shell", "container"], description: "执行后端" }
},
handler: async ({ command, backend }: { command: string; backend: string }) => {
if (backend === "container") {
const container = new Container(workspace);
return await container.exec(command);
}
const shell = new WorkerShell(workspace);
return await shell.exec(command);
}
}
];
}
3.5 完整的 Agent 开发循环
// Agent 自主开发流程示例
async function agentDevelopmentCycle(workspace: Workspace) {
// 1. 克隆项目
console.log("📥 Step 1: 克隆项目...");
await workspace.git.clone("https://github.com/user/my-app.git", "/project");
// 2. 读取代码
console.log("📖 Step 2: 分析代码...");
const readme = await workspace.readFile("/project/README.md");
const packageJson = await workspace.readFile("/project/package.json");
// 3. 安装依赖（需要完整 Linux 环境）
console.log("📦 Step 3: 安装依赖...");
const container = new Container(workspace);
await container.exec("cd /project && npm install");
// 4. 运行测试，了解当前状态
console.log("🧪 Step 4: 运行测试...");
const testResult = await container.exec("cd /project && npm test");
console.log("测试结果:", testResult.stdout);
// 5. 修改代码
console.log("✏️ Step 5: 修改代码...");
const indexContent = await workspace.readFile("/project/src/index.ts");
const updatedContent = indexContent.replace(
"app.get('/')",
"app.get('/api/health', (req, res) => res.json({ status: 'ok' }));\n app.get('/')"
);
await workspace.writeFile("/project/src/index.ts", updatedContent);
// 6. 再次测试
console.log("🧪 Step 6: 验证修改...");
const newTestResult = await container.exec("cd /project && npm test");
console.log("新测试结果:", newTestResult.stdout);
// 7. 提交并推送
console.log("📤 Step 7: 提交并推送...");
await workspace.git.add("/project", ["src/index.ts"]);
await workspace.git.commit("/project", "feat: add health check endpoint");
await workspace.git.push("/project", "origin", "main");
console.log("✅ 开发循环完成！");
}
四、与竞品对比：Agent 运行时格局
4.1 容器方案 vs @cloudflare/computer
| 特性 | Docker 容器 | @cloudflare/computer |
|---|---|---|
| 启动时间 | 5-30 秒 | 毫秒级（Isolate）/ 秒级（Container） |
| 内存开销 | 50-500MB/容器 | 近零（Isolate）/ 按需（Container） |
| 文件持久化 | 需要 Volume 挂载 | SQLite 原生持久化 |
| 成本 | 按容器实例计费 | 按请求计费，空闲不收费 |
| 扩展性 | 受限于主机资源 | 全球边缘网络 |
| 安全隔离 | Namespace + Cgroup | Durable Object 隔离 |
| 适用规模 | 数百到数千 | 数百万到数十亿 |
4.2 与 E2B、Modal 等 Agent 沙箱的对比
E2B：提供云端沙箱环境，专注 AI 代码执行。优势是开箱即用，劣势是需要维护长期运行的沙箱实例。
Modal：提供 GPU 加速的 serverless 容器。优势是 GPU 支持，劣势是成本较高，启动时间较长。
@cloudflare/computer：优势在于极低的边际成本（Isolate 几乎免费）、持久化的工作区、以及三种后端的灵活组合。劣势是当前仍是 Preview 阶段，API 可能变化。
4.3 与 Cloudflare 自家方案的对比
Cloudflare 之前已经有 Workers（Serverless 函数）、Durable Objects（有状态对象）、Containers（完整 Linux 容器）。@cloudflare/computer 不是替代品，而是胶水层——它把这些底层能力组合成一个对 AI Agent 友好的高级接口。
之前: Workers + Durable Objects + Containers → 开发者需要自己组装
现在: @cloudflare/computer → 开箱即用的 Agent 运行时
五、性能分析与成本估算
5.1 性能基准
Worker Shell 后端：
- 冷启动：< 10ms
- 命令执行延迟：< 50ms（简单命令）
- 吞吐量：> 1000 ops/sec
Container 后端：
- 冷启动：2-5 秒（首次）/ < 500ms（热启动）
- 命令执行延迟：取决于命令本身
- FUSE 同步延迟：< 100ms
文件系统操作：
- 小文件读写：< 10ms
- 大文件（> 1MB）：取决于文件大小
- 目录列表：< 5ms
5.2 成本估算
Cloudflare Workers 的定价模型对 Agent 场景非常友好：
免费额度（每日）：
- 10 万次请求
- 10ms CPU 时间/请求
- 128MB 内存/请求
付费计划（$5/月起）：
- $0.30 / 百万次请求
- $0.02 / 百万 ms CPU 时间
- $0.12 / 百万 GB-s 内存
典型 Agent 工作场景成本估算：
假设一个 Agent 完成一次代码审查任务：
- 读取 10 个文件：10 次请求
- 执行 3 个命令：3 次请求
- 写入 2 个文件：2 次请求
- 总计：15 次请求 × $0.30/百万 = 几乎为零
对比容器方案（假设每个容器 $0.05/小时）：
- 如果 Agent 每天运行 2 小时：$0.10/天 = $3/月
- 如果 100 个 Agent：$300/月
@cloudflare/computer 的成本优势在规模化时尤为明显。
5.3 10GB 限制的实际影响
每个工作区约 10GB，这对于大多数 Agent 场景足够了：
- 典型 Node.js 项目（含 node_modules）：500MB-2GB
- Python 项目（含虚拟环境）：200MB-1GB
- 大型 monorepo：可能需要拆分
对于超大型项目，可以考虑：
- 只克隆需要的子目录
- 使用
.gitignore排除不必要的文件 - 挂载 R2 桶存储大型数据集
六、生态与社区
6.1 Cloudflare 的 Agent 生态布局
@cloudflare/computer 不是孤立的产品，而是 Cloudflare 整个 Agent 生态的一块拼图：
Cloudflare Agent 生态：
├── Workers AI → AI 推理（本地运行模型）
├── AI Gateway → AI 代理网关（路由、缓存、限流）
├── Vectorize → 向量数据库（RAG 检索）
├── Durable Objects → 有状态存储
├── Containers → 完整 Linux 环境
├── @cloudflare/computer → Agent 运行时 ← 你在这里
├── Cloudflare Wallets → Agent 支付（虚拟钱包）
└── MCP Server → 工具协议接入
6.2 与 AI SDK 的兼容
@cloudflare/computer 的工具封装兼容 Vercel AI SDK，这意味着你可以直接用现有的 AI 框架：
import { generateText } from "ai";
import { openai } from "@ai-sdk/openai";
import { createAgentTools } from "@cloudflare/computer";
const tools = createAgentTools(workspace);
const result = await generateText({
model: openai("gpt-4o"),
tools,
prompt: "请在 /project 中创建一个简单的 REST API，包含 /api/users 端点"
});
// AI 会自动调用工具来完成任务
console.log(result.text);
七、局限性与展望
7.1 当前 Preview 阶段的限制
- API 可能变化：作为 0.1.x 版本，API 还不稳定
- Container FUSE 性能：大量安装 node_modules、解压大型归档或持续读写大文件会比容器原生磁盘慢
- 存储限制：10GB 工作区上限
- Region 限制：Durable Objects 目前在特定区域可用
7.2 未来可能的演进方向
- GPU 支持：为 AI 推理任务提供 GPU 加速的执行后端
- 多 Agent 协作：多个 Agent 共享同一工作区的协作编辑
- 快照与恢复：工作区状态的快照、分支和回滚
- Marketplace：预配置的工作区模板市场
- 与 Workers AI 深度集成：在工作区内直接运行本地 AI 模型
7.3 对行业的潜在影响
@cloudflare/computer 可能改变 AI Agent 的部署方式：
之前：每个 Agent 需要一个完整的服务器/容器 → 成本高、扩展难
之后：Agent 运行在边缘网络的 Isolate 中 → 成本低、全球扩展
这意味着：
- 独立开发者可以低成本构建和分发 AI Agent
- 企业可以为每个员工部署个性化 AI 助手
- AI Agent 可以像网页一样在全球范围内即时部署
八、总结
@cloudflare/computer 代表了 AI Agent 基础设施的一个新方向：用边缘计算的思路解决 Agent 的运行环境问题。
它的核心洞察是：
- Agent 需要持久的工作区，但不需要持久的计算环境
- 轻量任务应该在毫秒级 Isolate 中完成，而不是秒级容器
- 安全和可观测性应该是 Agent 运行时的一等公民
当前 0.1.1 版本还很早期，适合实验和原型开发。但它的架构方向是对的——当 AI Agent 成为互联网的一等公民时，它们需要的不是一台电脑，而是一间工作室。
MIT 许可证、开源、兼容 AI SDK、10GB 持久工作区、三种执行后端——如果你正在构建 AI Agent 平台，@cloudflare/computer 值得关注。
项目信息：
- GitHub：github.com/cloudflare/computer
- npm：@cloudflare/computer
- 许可证：MIT
- 当前版本：0.1.1（Early Preview）
- 发布日期：2026-08-03
快速开始：
npm install @cloudflare/computer