【免费下载链接】evoturns your codebase into an autoresearch loop — discovers what to measure, instruments the benchmark, then runs tree search with parallel subagents.项目地址https://gitcode.com/gh_mirrors/evo13/evo点击查看免费下载evo 是一个把代码库变成自动研究autoresearch循环的编排器实验可以在本地 git worktree 运行也可以调度到 Modal、E2B、AWS 等云沙箱。这份 evo 远程后端配置指南带你从零选对执行环境并附上各后端的成本对比清单帮你把并行实验的开销控制在预算内。为什么要把 evo 实验搬到远程沙箱 evo 的默认后端是worktree每个实验一个本地 git worktreeworktree.py 中的WorktreeBackend负责为每个实验执行git worktree add。零成本、零配置但有三类场景会碰到瓶颈算力不够benchmark 需要 GPU 或大内存本机扛不住并行度不够多个 subagent 同时跑会抢本地 CPU、磁盘环境不一致实验机和开发机依赖版本对不上这时就需要remote 后端evo 为每个实验自动创建一个远程沙箱内置的sandbox-agent在沙箱里拉起进程和文件系统服务orchestrator 通过 HTTPS 隧道统一调度实验结束后自动销毁沙箱。evo 内置后端一览表 根据 README.md 的后端表和 sandbox_providers 目录的实现evo 支持以下后端后端运行位置安装方式worktree(默认)本地每实验一个 git worktree内置pool本地复用一组固定工作区内置ssh你自己的 SSH 主机内置modalModal serverless 云uv tool install evo-hq-cli[modal]e2bE2B 云沙箱uv tool install evo-hq-cli[e2b]daytonaDaytona 云工作区uv tool install evo-hq-cli[daytona]awsAWS EC2 沙箱uv tool install evo-hq-cli[aws]azureAzure VMuv tool install evo-hq-cli[azure]manual你自己托管的 sandbox-agent内置所有 provider 都实现同一套 SandboxProvider 协议provision创建沙箱、tear_down销毁、is_alive探活所以对 evo 来说换后端就像换插座一样简单。最快安装步骤一条命令装好远程后端先装 CLI再按你要用的云厂商安装对应的 extra只装一个即可uv tool install evo-hq-cli # 基础 CLI uv tool install evo-hq-cli[modal] # 或 [e2b]、[daytona]、[aws]、[azure]、[all]然后在 Dashboard 的Backend标签页选择并配置或直接用命令evo config backend remote --provider modal --provider-config app_nameevo-sandbox⚠️ 如果 SDK 没装好evo 不会默默失败——provider 注册表 会抛出一条可直接照做的错误例如提示你pip install evo-hq-cli[modal]。完整的 provider 前置条件、认证命令速查见 provider-matrix.md 和 infra-setup SKILL.md。三大云沙箱配置速查Modal、E2B、AWSModalserverless 秒级启动最适合跑分modal.py 中的默认值应用名evo-sandbox、单沙箱超时 3600 秒、健康检查预算 60 秒。镜像按内容哈希缓存首次构建约 30-60 秒之后直接复用。常用配置项evo config backend remote --provider modal \ --provider-config app_nameevo-sandbox,gpuA10G,regionus-east-1,pip_installnumpy,scipygpu可选如A10G、T4跑模型类 benchmark 时打开apt_install/pip_install给沙箱镜像追加依赖认证只需modal token new一次E2BAPI Key 即用模板化沙箱e2b.py 默认使用base模板、3600 秒超时。认证最简单export E2B_API_KEY... evo config backend remote --provider e2b --provider-config templatebase常用配置项template沙箱模板、domain、allow_internet_access、secure、root沙箱内工作目录默认/tmp/evo-e2b。AWS EC2完全可控的实例沙箱aws.py 默认机型t3.micro流程是创建 EC2 实例 → 走 SSH 通道安装 sandbox-agent → 建本地隧道。三个必填项export AWS_ACCESS_KEY_ID... AWS_SECRET_ACCESS_KEY... AWS_DEFAULT_REGIONus-east-1 evo config backend remote --provider aws \ --provider-config regionus-east-1,image_idami-0xxx,key_nameevo-key,key~/.ssh/evo.pemkeep_warmtrue可复用实例、跳过每次冷启动但会持续计费可选subnet_id、security_group_ids、instance_type精控网络与规格其余几家Azure、Daytona、SSH、manual配置项清单见 provider-matrix.md思路一致先认证、再--provider-config填参数。远程沙箱成本对比清单 按计费模型和典型适用场景整理具体价格以各云官网为准这里对比的是成本结构后端计费模型启动速度空闲成本适合场景worktree / pool本地资源0 云费秒级0日常迭代、benchmark 较轻ssh已有机器0 边际费快0团队内网 GPU 服务器modalserverless按运行时长计费秒级镜像缓存后约 0用完即毁弹性并行、需要 GPUe2b沙箱按秒/分钟计费秒级约 0用完即毁轻量脚本、快速试错daytona托管云工作区计费秒级低按沙箱时长长期开发型任务aws实例按小时计费分钟级启动 EC2实例开着就计费合规/内网要求、规格可控azure实例按小时计费分钟级启动 VM实例开着就计费已有 Azure 资源体系manual自托管0 云费快0自建 VM 上的 sandbox-agent几个省钱要点默认timeout_seconds3600所有远程 provider 的沙箱超时统一 1 小时见 SandboxSpec实验跑不完再调大别无限放大keep_warm默认关闭AWS/Azure 的实例默认用完即销毁只有明确需要复用时才开混合策略白天用 worktree 快速迭代夜里批量跑大规模实验时切 Modal/E2B是社区常见的省法benchmark 依赖走镜像用 Modal 的pip_install/apt_install或 E2B 自定义模板固化依赖避免每个沙箱重复装包拖长计费时长在 Dashboard 里监控实验与开销 Dashboard 会自动随/evo:discover启动默认端口 8080被占用时自动顺延到 8081、8082……。在Backend标签页可切换 worktree/pool/remote 并配置 providerFrontier标签页配置 argmax、top_k 等搜索策略。下方每个实验节点会记录 tokens、latency 和 cost 字段配合底部的 Score over Time 曲线你可以直观看到哪个后端单位成本带来的分数提升最划算。新手常见坑与排查清单 ✅SDK 缺失报错按错误信息里的evo-hq-cli[provider]extra 重装例如uv tool install --reinstall evo-hq-cli[modal]Modal 认证失败执行modal token newE2B 则检查E2B_API_KEY是否导出沙箱不健康health 超时默认 60 秒预算wait_for_sandbox_agent 轮询/v1/health可调大health_timeout_seconds应用密钥 vs 云厂商密钥要分开云厂商认证只负责建沙箱benchmark 进程要用的 key 用evo env load path --all单独注入远程配置没生效远程分配和引导实际发生在evo new --remote provider这一步配置不完整的报错都会在这里暴露选型结论一分钟做出选择零预算 / 本地够用→ 保持worktree需要更多并行用pool⚡要弹性、要 GPU、不想管机器→modal首选或e2b已有云资源或合规要求→ 复用 AWS / Azure记得用完keep_warmfalse自动销毁团队有闲置服务器→ssh或manual边际成本为 0配置好之后/evo:optimize就能把并行实验甩给云端你只需要盯着 Dashboard 看分数爬升。赞分享【免费下载链接】evoturns your codebase into an autoresearch loop — discovers what to measure, instruments the benchmark, then runs tree search with parallel subagents.项目地址https://gitcode.com/gh_mirrors/evo13/evo点击查看免费下载相关推荐AgentScope Java 沙箱隔离实战本地、Docker、Kubernetes、E2B 云沙箱完整选型清单AgentScope Java 沙箱隔离实战本地、Docker、Kubernetes、E2B 云沙箱完整选型清单 AgentScope Java 是面向生产环人工智能AI Agent多智能体Agent 框架工具调用RAGTinker Cookbook沙箱环境配置本地Docker与云端Modal执行引擎对比Tinker Cookbook沙箱环境配置本地Docker与云端Modal执行引擎对比 Tinker Cookbook是一个专注于Post training的人工智能大模型微调强化学习模型蒸馏模型评测LoRAsmolagents 安全代码执行完全指南从本地 AST 沙箱到 E2B、Modal、Blaxel 与 Docker 远程隔离smolagents 安全代码执行完全指南从本地 AST 沙箱到 E2B、Modal、Blaxel 与 Docker 远程隔离 smolagents 的核心设人工智能AI AgentAgent 框架工具调用代码智能体MCP ClientsAgent 沙箱创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
【免费下载链接】evoturns your codebase into an autoresearch loop — discovers what to measure, instruments the benchmark, then runs tree search with parallel subagents.项目地址https://gitcode.com/gh_mirrors/evo13/evo点击查看免费下载evo 是一个把代码库变成自动研究autoresearch循环的编排器实验可以在本地 git worktree 运行也可以调度到 Modal、E2B、AWS 等云沙箱。这份 evo 远程后端配置指南带你从零选对执行环境并附上各后端的成本对比清单帮你把并行实验的开销控制在预算内。为什么要把 evo 实验搬到远程沙箱 evo 的默认后端是worktree每个实验一个本地 git worktreeworktree.py 中的WorktreeBackend负责为每个实验执行git worktree add。零成本、零配置但有三类场景会碰到瓶颈算力不够benchmark 需要 GPU 或大内存本机扛不住并行度不够多个 subagent 同时跑会抢本地 CPU、磁盘环境不一致实验机和开发机依赖版本对不上这时就需要remote 后端evo 为每个实验自动创建一个远程沙箱内置的sandbox-agent在沙箱里拉起进程和文件系统服务orchestrator 通过 HTTPS 隧道统一调度实验结束后自动销毁沙箱。evo 内置后端一览表 根据 README.md 的后端表和 sandbox_providers 目录的实现evo 支持以下后端后端运行位置安装方式worktree(默认)本地每实验一个 git worktree内置pool本地复用一组固定工作区内置ssh你自己的 SSH 主机内置modalModal serverless 云uv tool install evo-hq-cli[modal]e2bE2B 云沙箱uv tool install evo-hq-cli[e2b]daytonaDaytona 云工作区uv tool install evo-hq-cli[daytona]awsAWS EC2 沙箱uv tool install evo-hq-cli[aws]azureAzure VMuv tool install evo-hq-cli[azure]manual你自己托管的 sandbox-agent内置所有 provider 都实现同一套 SandboxProvider 协议provision创建沙箱、tear_down销毁、is_alive探活所以对 evo 来说换后端就像换插座一样简单。最快安装步骤一条命令装好远程后端先装 CLI再按你要用的云厂商安装对应的 extra只装一个即可uv tool install evo-hq-cli # 基础 CLI uv tool install evo-hq-cli[modal] # 或 [e2b]、[daytona]、[aws]、[azure]、[all]然后在 Dashboard 的Backend标签页选择并配置或直接用命令evo config backend remote --provider modal --provider-config app_nameevo-sandbox⚠️ 如果 SDK 没装好evo 不会默默失败——provider 注册表 会抛出一条可直接照做的错误例如提示你pip install evo-hq-cli[modal]。完整的 provider 前置条件、认证命令速查见 provider-matrix.md 和 infra-setup SKILL.md。三大云沙箱配置速查Modal、E2B、AWSModalserverless 秒级启动最适合跑分modal.py 中的默认值应用名evo-sandbox、单沙箱超时 3600 秒、健康检查预算 60 秒。镜像按内容哈希缓存首次构建约 30-60 秒之后直接复用。常用配置项evo config backend remote --provider modal \ --provider-config app_nameevo-sandbox,gpuA10G,regionus-east-1,pip_installnumpy,scipygpu可选如A10G、T4跑模型类 benchmark 时打开apt_install/pip_install给沙箱镜像追加依赖认证只需modal token new一次E2BAPI Key 即用模板化沙箱e2b.py 默认使用base模板、3600 秒超时。认证最简单export E2B_API_KEY... evo config backend remote --provider e2b --provider-config templatebase常用配置项template沙箱模板、domain、allow_internet_access、secure、root沙箱内工作目录默认/tmp/evo-e2b。AWS EC2完全可控的实例沙箱aws.py 默认机型t3.micro流程是创建 EC2 实例 → 走 SSH 通道安装 sandbox-agent → 建本地隧道。三个必填项export AWS_ACCESS_KEY_ID... AWS_SECRET_ACCESS_KEY... AWS_DEFAULT_REGIONus-east-1 evo config backend remote --provider aws \ --provider-config regionus-east-1,image_idami-0xxx,key_nameevo-key,key~/.ssh/evo.pemkeep_warmtrue可复用实例、跳过每次冷启动但会持续计费可选subnet_id、security_group_ids、instance_type精控网络与规格其余几家Azure、Daytona、SSH、manual配置项清单见 provider-matrix.md思路一致先认证、再--provider-config填参数。远程沙箱成本对比清单 按计费模型和典型适用场景整理具体价格以各云官网为准这里对比的是成本结构后端计费模型启动速度空闲成本适合场景worktree / pool本地资源0 云费秒级0日常迭代、benchmark 较轻ssh已有机器0 边际费快0团队内网 GPU 服务器modalserverless按运行时长计费秒级镜像缓存后约 0用完即毁弹性并行、需要 GPUe2b沙箱按秒/分钟计费秒级约 0用完即毁轻量脚本、快速试错daytona托管云工作区计费秒级低按沙箱时长长期开发型任务aws实例按小时计费分钟级启动 EC2实例开着就计费合规/内网要求、规格可控azure实例按小时计费分钟级启动 VM实例开着就计费已有 Azure 资源体系manual自托管0 云费快0自建 VM 上的 sandbox-agent几个省钱要点默认timeout_seconds3600所有远程 provider 的沙箱超时统一 1 小时见 SandboxSpec实验跑不完再调大别无限放大keep_warm默认关闭AWS/Azure 的实例默认用完即销毁只有明确需要复用时才开混合策略白天用 worktree 快速迭代夜里批量跑大规模实验时切 Modal/E2B是社区常见的省法benchmark 依赖走镜像用 Modal 的pip_install/apt_install或 E2B 自定义模板固化依赖避免每个沙箱重复装包拖长计费时长在 Dashboard 里监控实验与开销 Dashboard 会自动随/evo:discover启动默认端口 8080被占用时自动顺延到 8081、8082……。在Backend标签页可切换 worktree/pool/remote 并配置 providerFrontier标签页配置 argmax、top_k 等搜索策略。下方每个实验节点会记录 tokens、latency 和 cost 字段配合底部的 Score over Time 曲线你可以直观看到哪个后端单位成本带来的分数提升最划算。新手常见坑与排查清单 ✅SDK 缺失报错按错误信息里的evo-hq-cli[provider]extra 重装例如uv tool install --reinstall evo-hq-cli[modal]Modal 认证失败执行modal token newE2B 则检查E2B_API_KEY是否导出沙箱不健康health 超时默认 60 秒预算wait_for_sandbox_agent 轮询/v1/health可调大health_timeout_seconds应用密钥 vs 云厂商密钥要分开云厂商认证只负责建沙箱benchmark 进程要用的 key 用evo env load path --all单独注入远程配置没生效远程分配和引导实际发生在evo new --remote provider这一步配置不完整的报错都会在这里暴露选型结论一分钟做出选择零预算 / 本地够用→ 保持worktree需要更多并行用pool⚡要弹性、要 GPU、不想管机器→modal首选或e2b已有云资源或合规要求→ 复用 AWS / Azure记得用完keep_warmfalse自动销毁团队有闲置服务器→ssh或manual边际成本为 0配置好之后/evo:optimize就能把并行实验甩给云端你只需要盯着 Dashboard 看分数爬升。赞分享【免费下载链接】evoturns your codebase into an autoresearch loop — discovers what to measure, instruments the benchmark, then runs tree search with parallel subagents.项目地址https://gitcode.com/gh_mirrors/evo13/evo点击查看免费下载相关推荐AgentScope Java 沙箱隔离实战本地、Docker、Kubernetes、E2B 云沙箱完整选型清单AgentScope Java 沙箱隔离实战本地、Docker、Kubernetes、E2B 云沙箱完整选型清单 AgentScope Java 是面向生产环人工智能AI Agent多智能体Agent 框架工具调用RAGTinker Cookbook沙箱环境配置本地Docker与云端Modal执行引擎对比Tinker Cookbook沙箱环境配置本地Docker与云端Modal执行引擎对比 Tinker Cookbook是一个专注于Post training的人工智能大模型微调强化学习模型蒸馏模型评测LoRAsmolagents 安全代码执行完全指南从本地 AST 沙箱到 E2B、Modal、Blaxel 与 Docker 远程隔离smolagents 安全代码执行完全指南从本地 AST 沙箱到 E2B、Modal、Blaxel 与 Docker 远程隔离 smolagents 的核心设人工智能AI AgentAgent 框架工具调用代码智能体MCP ClientsAgent 沙箱创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
