Adaptive Sandbox Fan-Out Controller

并行沙箱令人着迷：你可以轻松启动10个……100个……甚至1000个运行实例。但很快就会暴露出三个问题：

1. 收益递减：当实例数量超过某个阈值N后，你投入的成本大多换来的是重复失败或近乎雷同的解决方案
2. Prompt脆弱性：如果Prompt的描述不够明确，扩大实例数量N只会让错误规模同步扩大（大量沙箱会迅速失败）
3. 资源风险：无限制的并行扇出可能会超出预算限额、触发速率限制或导致队列拥堵

固定的“始终设置N=10”这类静态策略无法适配任务难度、模型差异或实际观测到的失败率变化。

添加一个控制器，基于早期运行的观测信号实时调整扇出（fan-out）。

核心循环：

1. 初始小批量启动：并行启动一个小批量任务（例如N=3-5）

2. 早期信号采样：在首批X次运行完成后（或等待T秒后），计算以下指标：

   • 成功率（基于退出码/测试通过情况）
   • 多样性得分（解决方案是否具备实质性差异？）
   • 评判置信度/获胜者优势
   • 错误聚类（全域一致错误 vs 多样化错误）

3. 决策下一步动作：

   • 扩容 触发场景：成功率良好但质量方差较高（需筛选更优的获胜者）
   • 提前终止 触发场景：评判置信度达标+测试通过+解决方案已收敛
   • 提示词/规格优化 触发场景：错误聚类程度高（所有任务均以相同方式失败）
   • 切换策略 触发场景：反复失败表明需任务拆解（生成调查性子Agent）

4. 预算护栏：强制执行最大沙盒数、最长运行时长，以及“无进展”终止条件

flowchart TD
    A[任务] --> B[启动小批量任务 N=3-5]
    B --> C[收集早期结果]
    C --> D{信号分析}
    D -->|成功率优 + 方差高| E[增大N值]
    D -->|成功率优 + 置信度高| F[提前终止 + 返回最优解]
    D -->|失败聚类| G[提示词/规格优化步骤]
    D -->|任务模糊/规模大| H[任务拆解 + 子Agent调查]
    E --> C
    G --> B
    H --> B

适用场景：

• 你在沙箱中开展「N选优代码生成（codegen）+ 执行」流程时
• 具备低成本的目标校验手段（单元测试、静态分析、Schema 校验）时
• 延迟与成本至关重要：你希望通过最小N值实现可靠性时

具体启发式规则（示例）：

• 初始设置N=3
• 若≥2个任务执行成功但结果不一致，且判定置信度＜0.65 → 额外增加3个任务
• 若0个任务成功，且占比＞70%的任务出现相同的顶级错误特征 → 执行「规格澄清（spec clarifier）」步骤，随后重启流程
• 硬约束：设置最大N值（如50）、运行时长上限，以及「两次优化尝试后分解任务」的规则

优势：

• 当prompt质量不佳时，可规避“规模错误”
• 当出现明确最优解时提前终止任务，从而降低成本开销
• 通过预算管控与无进展终止机制，让沙箱智能体集群能够安全应用于生产环境

劣势：

• 需要部署观测采集体系，收集故障特征、置信度、多样性相关数据
• 需谨慎配置默认参数，避免出现振荡问题（即扩缩容频繁波动）
• 不合理的评分函数会引发任务过早终止