作者:孟洪进|小红书 · 架构师
分享:AICon 上海 2026 · 主题《小红书企业级 AI 个人助理 ——从 0 到全员覆盖》
年初 OpenClaw 爆火时,很多团队都注意到了它。真正的问题不是“要不要做”,而是怎么做才快得起来、稳得下去。
小红书的这条时间线是这样的:
- 2月11日:做出决策,3 人小组用 3 天推出内测版本
- 3月9日:一周完成架构升级加固,开放 2000 公测名额
- 3月17日:两周完成规模化提拉,全员覆盖
从决定做到全员覆盖,一共大约一个月。
这个速度背后的关键是一套 AI Native 项目运作机制,先定义新模式,快速推 MVP 验证,验证通过后立刻规模化。
先让用户用起来,收集反馈,再迭代优化。很多传统项目团队做不到这一点,他们习惯把评估做到 90 分再动手,但在 AI 领域,评估做到 90 分的时候,方案本身已经过时了。
技术选型时最核心的一道题是自研,还是基于 OpenClaw?
我们选了后者,有四个理由:
- 产品成熟度。OpenClaw 已经经过大规模生产验证,工具链完备。自研意味着大量轮子要重造,周期长、风险高。
- 极速交付。3 人 3 天完成内测版本,这在 AI Native 的节奏下至关重要。先快速验证价值,再按需深度定制。
- 架构可控。开源架构透明,可以做深度定制。后面要讲的安全加固、成本优化、Memory 增强,都是我们在它之上自主演进出来的。
- 生态优势。Skill Hub 可以共建,社区持续贡献。自研意味着生态从零开始,缺乏网络效应。
一句话概括:Time to Value。
内测上线后,效果超出了预期。运营用它写方案,算法用它看数据,HR 用它筛简历,财务用它搭建财务工具平台。
AI 个人助理不是一个只属于研发的工具,它有潜力成为每个人的生产力工具。这个反馈坚定了我们推全员的信心。
从“好玩的 demo”到“全员使用的企业级产品”,中间横着两座绕不过去的山。
第一座是安全。代码要在沙箱里执行、用户敏感数据会流经模型、整个系统需要跟生产环境隔离——这些问题不解决,IT 和安全团队不会放行。
第二座是成本。全员使用意味着巨大的模型调用量,如果不做成本优化,账单会推翻掉原有的预算模型。
下面分别拆解。
集群隔离:Seal AI Zone
集群安全的核心思路是物理隔离。
我们搭建了一个叫Seal AI Zone的专属隔离集群,运行在独立的 K8S 集群中,跟生产环境完全隔开。所有员工都通过 Seal 客户端接入这个集群。
集群内部有完整的安全策略管控、专属的 LLM 服务、独立的存储,以及和公司 SSO / LDAP / VPN 打通的身份认证体系。Agent 执行代码的沙箱运行在 MicroVM 上,跟社区、电商、广告等生产服务完全不通,即使沙箱内有恶意代码,也没有办法触达任何生产系统。
运行时沙箱:NEX
NEX的全称是 Native Engine for Agent Sandbox,是我们面向 Agent 场景专门构建的企业级沙箱平台。为什么需要专门构建?因为 Agent 需要执行代码,用户说“帮我分析这个数据”,Agent 就会写一段 Python 然后执行。这段代码不能直接跑在宿主机上,否则安全风险不可控。
NEX 架构分四层:
•L1 EdithAI 网关:统一身份认证 / 流量治理 / Skill 路由 / 全链路审计
• L2 NEX 控制平面:沙箱生命周期 / 预热池 / 模板管理
•L3 底层编排运行时:自研 CRD Operator,支持批量创建和三层调度
• L4 MicroVM 安全运行时:Kata Containers + Cloud Hypervisor + 自研 Guest Kernel,六层安全防护
关键指标:冷启动 P50 低于 300ms,热启动 P99 低于 50ms,热池命中率 超过 70%,创建吞吐峰值 500/秒。
沙箱有两大核心能力。一是编排能力:支持 Task、Session、Persistent、Browser 四种形态,生命周期全链路管控,预热池保证性能。二是强隔离:每个沙箱跑在独立的 MicroVM 中,六层防护包括 VM 边界隔离、Seccomp syscall 白名单、网络默认拒绝、只读文件系统、cgroup 硬限、全命令审计日志。
一句话概括 NEX 的定位:让每一个 AI Agent 都有一个安全的家。
数据安全:敏感数据不出域
第三层的核心策略只有一句话,就是敏感数据不出域。
Seal 客户端内置了 Security SDK,对用户输入做三重扫描:PII 检测、代码秘钥扫描、文件内容扫描。扫描引擎结合了正则和机器学习模型。
- 检测到没有敏感数据→ 请求正常发送到外部模型 API
- 检测到有敏感数据→ 请求强制路由到自部署的私有化模型,确保数据不离开公司网络
这套机制对用户是透明的——用户不需要判断自己的输入是否包含敏感信息,系统自动处理。
成本优化拆成两个正交维度:Token 消耗和模型单价。这两个变量互不干扰,可以同时优化。
降消耗…