CRUX 开源数周级 agent 评测基础设施:VM 长跑、风险标记、成本管控

sayashk · x · 2026-11-06

研究者 sayashk 发布 CRUX-in-a-box:一套开源基础设施,用于运行和监控长达数周的 agent 评测,沉淀自 CRUX 团队六个月的长周期评测实践(如让 agent 真实开发并发布移动 app、做开放式研究)。架构要点:在 AWS 上部署编排器,通过 Agent Client Protocol(ACP)管理运行;支持 Claude Code、Codex 等 agent 在远程服务器上长期执行;为 agent 配置 GitHub 账号、邮箱、云计算工具等服务鉴权;用 LLM 标记高风险操作交人工审查;可检视工具调用、token 消耗与花费,并设置时间和成本预算。作者估算有 AWS 经验的开发者即可自行跑起首个 CRUX 式实验。