Google Agent Substrate：用 8 个 Pod 跑 250 个有状态 Agent 的集群编排实战

AI Agent 技术正在从「单体应用」走向「集群化」。Google 开源的 Agent Substrate 框架给出了一份惊人的答卷：仅用 8 个 Kubernetes Pod，就能高效运行 250 个有状态的 AI 智能体。它能做到这点，靠的是创新的状态管理机制——分层内存缓存 + 高效上下文切换，把调度开销压到极低。本教程先讲清它的架构思想，再带你在本地 Kubernetes 上把这套大规模有状态 Agent 编排跑起来。

🧱 本教程适合：已经写过单 Agent、现在要面对「成百上千个 Agent 同时跑、还要记住各自状态」的工程师 / 平台架构者。它解决的是「规模与状态」问题，不是「怎么写第一个 Agent」。

先搞懂：为什么需要 Agent Substrate

用一句话理解：普通 Agent 框架管「一个 Agent 怎么想」，Agent Substrate 管「250 个有状态 Agent 怎么在同一台集群上不打架、不丢记忆」。核心矛盾是：

维度	单体 Agent	Agent Substrate 集群
状态	单进程内存	分层缓存 + 持久化
规模	1 个	数百个并发
调度	无	高效上下文切换
隔离	天然	需资源隔离策略

「有状态」是关键词。无状态 Agent 跑完就忘，扩起来容易；有状态 Agent 要记住跨回合的上下文，规模一大，内存和调度就是噩梦。Agent Substrate 的价值就是把这个噩梦工程化解决了。

Step 1：准备本地 Kubernetes 环境

1 先有一个能跑的 K8s

# 本地轻量 K8s（任选其一）
# 方案 A：minikube
minikube start --cpus=4 --memory=8g

# 方案 B：kind
kind create cluster --name substrate-demo

# 验证
kubectl get nodes
kubectl cluster-info

💡 8 个 Pod 跑 250 Agent 是 Google 的生产拓扑，本地练习用 1–2 个 Node 足够体会调度机制，不必硬凑 8 Pod。

Step 2：部署 Agent Substrate 控制面

2 把「基板」立起来

# 拉取并部署（示意命令，以官方仓库为准）
git clone https://github.com/google/agent-substrate
cd agent-substrate/deploy

kubectl apply -f substrate-controlplane.yaml
# 这会拉起：调度器 / 状态缓存层 / 消息总线

kubectl get pods -n substrate
# 期望看到 substrate-scheduler / substrate-cache / substrate-bus 等就绪

先等所有 Pod 进入 Running 再往下。状态缓存层和消息总线是后续 Agent 注册的前提，提前跑 Agent 会连不上。

Step 3：定义一个「有状态 Agent」

3 状态怎么持久化、重启怎么恢复

Agent Substrate 的核心在「状态」声明。一个 Agent 要明说它的状态存在哪、怎么恢复：

# agent-spec.yaml（示意）
apiVersion: substrate.ai/v1
kind: StatefulAgent
metadata:
  name: researcher-01
spec:
  model: gemini-flash
  state:
    store: layered-cache      # 分层内存缓存
    persist: true             # 重启可恢复
    ttl: 24h
  tools: [search, read-doc]

🔑 关键设计：分层内存缓存把「热状态」放内存、「冷状态」落持久层，上下文切换时只搬必要的部分，所以 250 个 Agent 也不爆内存。

Step 4：批量拉起 250 个 Agent

4 用一份清单复制出集群

# 用 K8s 原生能力批量复制 Agent 定义
for i in $(seq 1 250); do
  sed "s/researcher-01/researcher-$i/" agent-spec.yaml \
    | kubectl apply -f -
done

# 观察调度：8 个 Pod 如何承载 250 个 Agent 实例
kubectl get statefulagents -n substrate | wc -l

这正是 Agent Substrate 的威力点。250 个 Agent 不是 250 个进程，而是复用在 8 个 Pod 的调度器上，靠消息总线分发任务、靠缓存层存状态——所以资源占用极低。

Step 5：验证资源隔离与消息传递

5 确认 Agent 之间不串台

# 给某个 Agent 发任务，观察它独立回状态
kubectl exec -n substrate deploy/substrate-bus -- \
  substrate send researcher-07 "总结今天 AI 头条"

# 查该 Agent 的私有状态，确认与其他 Agent 隔离
kubectl exec -n substrate deploy/substrate-cache -- \
  substrate state get researcher-07

🚀 资源隔离是集群化多智能体的命门。Agent Substrate 用「每 Agent 独立状态命名空间 + 总线按路由分发」实现隔离，这也是它能安全跑 250 个的根本。

Step 6：加可观测与护栏

6 规模上来后，眼睛要亮

# 可观测：把调度指标导出
kubectl apply -f substrate-metrics.yaml   # Prometheus 抓取点

# 护栏：限制单 Agent 资源与步数，防 runaway
spec:
  limits:
    cpu: "500m"
    memory: "512Mi"
  maxSteps: 50

250 个 Agent 一起失控比 1 个可怕 250 倍。务必在集群层设资源上限和步数上限，再配合本中心《Agent 预算护栏》思路做成本封顶。

Step 7：落地检查清单

7 上线前用这张表过一遍

□ 控制面（调度/缓存/总线）是否全部 Running？
□ Agent 状态是否分层缓存且重启可恢复？
□ 批量拉起后调度是否均衡到各 Pod？
□ 各 Agent 状态命名空间是否隔离、不串台？
□ 是否配置了资源上限与 maxSteps 护栏？
□ 是否接了可观测（指标/日志）便于排错？

🎉 恭喜！你已理解 Agent Substrate 的集群化有状态编排：分层缓存管状态、消息总线管分发、Pod 复用管规模。把它和本中心《Graph Engineering 协同工程》《ActionRail 执行前护栏》结合，能搭出既大又稳的多智能体系统。

常见问题速查

你遇到的现象	大概率原因 & 解决
Agent 注册失败	控制面未全就绪，等 cache/bus Running 再试
重启后 Agent 失忆	state.persist 未开，或 TTL 到期
Pod 内存飙高	分层缓存命中低，调大热层或降 Agent 数
任务互相干扰	状态命名空间配错，检查隔离策略

📚 更多教程 📰 智能体资讯

← 返回教程中心