从 E2B 到 Browserbase，Agent Infra 新热点中有哪些大机会？ | 对谈 Grasp 创始人雷磊

2022 年，雷磊和合伙人从字节跳动出来创业，做的是开发者工具。三年后，他在做一款给 AI 用的浏览器，叫 Grasp。这个转向背后有一个判断：Agent 会多到像淘宝店一样，成千上万，而它们需要一套完全不同于人类的软件基础设施。

这期 42章经，曲凯和雷磊聊了 55 分钟。话题从「人为 Agent 服务」这个反直觉的命题开始，落到两个具体的明星项目：给 Agent 跑代码的 E2B，给 Agent 上网的 Browserbase。中间穿插了大量产品细节，比如 Agent 登录网站时账号密码怎么处理，浏览器会话怎么在几小时后无缝接上。

雷磊反复强调一件事：给 Agent 做产品，和给人做产品，底层逻辑不一样。人单线程、能负责、看局部最优；Agent 多线程、责任边界模糊、能全局搜索。这个差异决定了整个 Agent Infra 的产品形态。

下一波机会，在 Agent 用的软件里 0:01:00

曲凯的开场很直接。Agent 这波热潮从 Manus 引爆，通用 Agent、垂直 Agent、Agent 平台，各种 SaaS 也管自己叫 Agent，三四个月过去，该看的都看得差不多了。他经常被问「后面什么东西会起来」，他自己的答案是：给 Agent 做的产品。

雷磊先纠正了一个概念。SaaS 是工具，你得去用它；Agent 交付的是结果。所以应该用看待一个人的方式去看待 Agent。但 Agent 和人又完全不同，给人设计软件和给 Agent 设计软件，出发点应该不一样。

未来会有多少 Agent？雷磊的判断是，通用 Agent 和垂直 Agent 会长期并存，像大型商场里既有综合商超也有一个个小店。小店解决的需求和面向的人群不一样，只要能在自己的垂直领域交付更好的结果，就能收获用户，用户量不一定要大，但能养活自己。

数量上，他觉得会比 SaaS 多成千倍。SaaS 是通用工具，Agent 是交付结果的店面，店面的数量是无限的。

未来应该是人为 Agent 去服务，因为 Agent 有更高的带宽。

这句话是雷磊整期节目的底层立场。人的认知有限，Agent 能接触比人更多的知识和信号。曲凯提到上一期嘉宾金建也说过类似的话：现在是工具为人服务，人输出结果；未来是输入到 Agent 到结果，人是辅助 Agent 的。当时有听众质疑「人类为什么不是主体地位」。

雷磊的回应不太客气：不用太把自己当回事，更重要的是能不能交付一个好结果。如果人辅助 AI 能交付更好的结果，为什么不用这种模式？他强调人和 Agent 不该被放到对立状态，重点是把人类和 AI 放在一起，作为整体去发展。

人和 Agent 的两个核心区别 0:06:17

哲学层面聊完，落到具体。雷磊提了两个区别，后面所有产品细节都从这里长出来。

第一，工作范式。人是单线程，AI 是多线程并行。人只能一件事一件事做，AI 可以同时出 100 个方案，从 100 个里挑更好的再往下推进。这带来的是工作范式的变化，不只是结果的变化。

雷磊用写代码举例。人写代码是确定性行为：先写第一个方法，再写第二个，用某种逻辑串起来，形成 work flow。AI 是先生成 100 个方法，都跑一下，看哪个 OK，再把这个 OK 的反馈回系统，继续迭代。所以关键不再是「怎么把顺序执行的代码解释下来」，而是「怎么设计一个好的反馈系统」。

曲凯补了一个计算机领域的类比：人像贪婪算法，永远看局部最优；AI 像动态规划，直接看全局最优。雷磊认可这个说法，人执行时就是一步一步，AI 在全局范围内找最优解。

他举了 DeepMind 的 AlphaProof 做例子。这个产品让模型去解奥林匹克数学题。人的方式是逐步学习「遇到这个问题该怎么解」，AlphaProof 是设计一系列反馈信号，把数学题转化成机器能识别的形式，把题目给它，让它自己推导训练，最终也不知道它到底怎么解的，但结果上就是能解。

给 AI 设计系统，最重要的是设计最后那个反馈信号，不用在意中间它怎么做的。Grasp 的浏览器就按这个思路做：每一步执行的结果都会判断是正向还是负向影响，作为奖励信号反馈回系统，类似强化学习。

这里有个业界概念叫 grounded signal，意思是这个反馈信号到底来自真实反馈，还是人为判断。今天大模型的很多反馈还来自 RLHF，也就是人类反馈，但真实情况下，应该根据结果本身是否被完善来判断。雷磊说这是他们做产品的一个重点：关注操作网页后任务到底完成没有，而不是看它采取的一系列行为、由人去判断好坏。

第二，责任与安全边界。人能对自己的行为负责，AI 不能。如果 AI 生成的代码把文件全删了，谁的责任？所以最基本的要求是沙盒，把 AI 产生的影响控制在一定范围内。同时这个沙盒的启动和执行要足够快，因为 AI 会同时执行很多步，过程短才能快速拿到结果去迭代。

E2B 就是干这个的。它给你一个安全的盒子，用 microVM 技术把启动时间压到极短。

E2B：被 Manus 带火的「Agent 代码沙盒」 0:13:03

曲凯说国内很多人可能还不知道 E2B。雷磊解释，E2B 很大程度上是被 Manus 带火的，很多 Infra 的火，都是上层应用火了跟着起来的。

E2B 简单说就是提供一种环境，让你跑 AI 生成的代码。为了跑得有效，里面做了很多工作，比如用 microVM，一种进程级的虚拟机，比传统 Docker 容器更快。

曲凯问了一个很多人会混淆的问题：虚拟机、云、沙盒、E2B 这几个东西的异同是什么？

雷磊拆得很清楚。虚拟机是一种技术，不是场景，核心是把物理设备虚拟化，构建隔离环境。从最早比较重的虚拟机，到更轻量的方案，广义上容器也算虚拟机的一种，microVM 是进程级的虚拟机。E2B 是一个解决方案，虚拟机是它其中的一个技术路径。

云和本地的区别：本地唯一的优点是没有网络延迟，但带来一堆问题，安全隐患、没法弹性扩缩、没法 7×24 小时运行。这些正是云解决的。

他顺带评价了 Cursor。Cursor 主要目的是辅助生成代码，不是完全自主的 Agent，也不是环境。但它慢慢也在做 Agent，做 Agent 以后技术架构就会从本地变成云端。

曲凯追问：Cursor 会提示你关闭本地某个端口才能跑程序，如果用户不懂代码就同意了，系统可能崩溃。雷磊承认有这种风险，但他说这是一种思维模式的转变，而且正在发生。他周围很多工程师以前用 AI 代码生成器会做 code review，现在很多人不看了，直接让它执行，结果符合就 OK。

未来 Agent 产品一定在云端执行，但会通过某种方式把界面展示给你，这个展示是构建信任的过程。归根结底你关注的是结果，不是它生成的代码本身。推广到 browse use 也一样，你关注的是它用浏览器得到的结果，不是它具体怎么用。

那 E2B 和云厂商是什么关系？雷磊的类比很妙：云厂商像地产商，提供水电这种基础资源；E2B 像装修商，负责把资源真正交付到使用的人（打引号，以后是 Agent）手上，布置水管、设计交付方式。底层算力还是云厂商提供，中间这层 Infra 提供 Agent 真正运行的环境。

曲凯顺着这个类比问：地产商后面不都开始卖精装修商品房了吗？云厂商会不会自己做？雷磊说这问题很有意思，什么情况下地产商会去做商品房？只交付毛坯房时市场容量不够、没竞争力了，就要往更进一步的卷。但 AI 市场本身是很大的增长市场，这个阶段更该用合作和把蛋糕做大的逻辑，不用过早想怎么分蛋糕。

在 AI 这个时代，所谓的这些壁垒都是不存在的。

他还补了一句：Agent 绝对不能是 SaaS，Agent 就是一个主体。Grasp 做的是给 Agent 用的 SaaS，不是 SaaS。

什么样的团队适合做 Agent Infra 0:21:02

曲凯问，什么团队最适合做 E2B 这类产品。雷磊说需要两个能力：一是深入理解 Agent 的痛点，你本身得是 Agent builder；二是你本身得是这个环境的深度用户。给 Agent 写代码的环境，你得是深度写代码的人。做浏览器，你得有深度的浏览器脚本经验。

他特别说，做浏览器内核出身这件事反倒没那么关键。内核技术本身比较成熟，而且 Agent 时代的内核可能跟上个时代不一样，关键是构建好的开发体验和使用体验。

这里他讲了一个很有意思的竞争案例。E2B 打的是安全，这是大家拍脑袋都能想到的。但它有个竞争对手叫 ForeverVM，打的是「状态」。

什么叫状态？写代码的人知道，每次代码执行都有状态，执行完状态就没了。但 AI 用代码时，可能先执行一段脚本，中间去做别的事，过一小时想接着往下跑。怎么保持两段脚本的状态不丢失，同时这一小时不能一直热启动等着，那样浪费巨大资源。怎么做到上下状态无缝衔接、中间极大节省资源，这就是 ForeverVM 解决的痛点。

这个痛点在人写代码的场景里不会出现。你做了很多年代码编辑器，也不一定能发现它。反倒是一边写 Agent 一边写代码的人会撞上这个问题。你解决这个痛点，就提供了一个解决方案，这个解决方案具备价值，这个价值本身就是产品的壁垒。

曲凯追问：这个价值最终反馈到人类能衡量的指标上是什么？结果更精准、成本更低？雷磊说是成本更好。安全这个事很难衡量结果，它是一种比较凝的概念，所以他一直强调「边界」：在这个边界范围内你能不能接受。E2B 相当于把 AI 放进围栏，你知道它最多只能影响这么多。围栏太小限制 AI 发挥，太大大家又接受不了，这个度很难把控，这正是 E2B 的重要价值。

Manus 当初怎么发现 E2B 的？雷磊说很简单，开发者要解决产品里的需求痛点，比如需要给 Agent 一个虚拟机跑代码脚本，就上网搜解决方案。自己做得解决一堆问题，在 E2B 上看到人家已经解决得很好了，就直接用。开发者选东西很简单：你能解决我的问题。

那什么该自己做，什么该拿别人的？雷磊倾向用现成的。开发者的关键价值也是交付结果，怎么更高效地构建更关键，而不是代码到底是谁写的。除非现成方案满足不了某个非常关键的需求，才自己写或二次定制。这也是他们喜欢开源世界的原因。

Browserbase：给 AI 用的浏览器 0:28:32

E2B 之外，另一个明星是 Browserbase。一年时间估值涨到 3 亿美金，打的概念就是给 AI 用的浏览器。它把浏览器云化，在 AI 使用浏览器的场景上做优化，比如 AI 需要 RAG，它就自动获取网站信息作为上下文，辅助 AI 操作网站。

E2B 是 Manus 带起来的，Browserbase 是谁带起来的？雷磊说这个更有意思。他在字节跳动时很喜欢一个说法叫「务实的浪漫」。前面聊的都是仰望星空，但回到今天要解决具体问题，最基本的数据是：现在互联网上的流量有 40% 来自机器。能解决这 40% 流量遇到的问题，就是一个很好的切入点。

所以 Browserbase 很多是在解决现有机器人爬网页时的具体问题：不够智能、没法适应网页调整、网页一变就失效。它的客户很多是传统爬虫工具、自动化测试、RPA。

曲凯注意到一个细节：Manus 和 Fellou 都没用 Browserbase，它们也有 AI 用浏览器的功能，Manus 还选了 E2B。为什么？雷磊说可能一个原因是 Fellou 自己就在做这块。另一个原因是 Browserbase 的产品使用体验还有比较多问题，而且不开源，E2B 是开源的。这个阶段大家都还很早期，没法真的拿来就用，还有很多工程问题没解决。

那给 AI 用的浏览器和给人用的，具体区别在哪？雷磊列了几点。

第一，一定跑在云端，因为 AI 不睡觉。

第二，读取页面不一定要像人一样通过视觉操作，可以 headless。曲凯让他用大白话解释 headless：浏览器有前端界面，是 to C 用的；没有前端界面，只用进程跑在后端，就是 headless。曲凯问，未来 AI 是不是都不需要前端了？雷磊说理论上给 AI 用的完全不需要交互界面，但给人用的浏览器会长期存在，因为人也会一直存在。

第三，安全层面的登录问题。你用浏览器操作时，登录要不要把账号密码给大模型？肯定不希望。但也不希望它每次遇到登录就来问你。怎么让它自主登录，又不把账号密码给大模型，这是给 AI 用的浏览器特有的问题。Grasp 做了一个功能叫 local login，安全本地登录，通过对浏览器定制化，登录时自动判断，用纯本地方式填入账号、密码甚至邮件验证码，全程不需要人干预，也绝不会把信息传给大模型。这是他们的核心差异化功能之一。

第四，状态管理。大模型操作浏览器往往是多步骤、有间隔的。比如先去携程收到机票信息，拿到另一个系统推理，中间可能还需要人介入，最后决定买哪张，再回来操作浏览器。你肯定不希望回来时浏览器从头开始，希望继续上一个页面。但中间推理和人参与的过程可能持续很久，浏览器一直在云端等着就非常耗资源。Grasp 做了 state for browser session 功能，让你下次回来直接接着运行，感觉网页从没断过，中间又不消耗资源。

曲凯说这个痛点人类也有，跳出去再回来，网页提示价格已更新，要重新搜索，很烦。雷磊说区别在于人的行为跑在个人电脑上，浪费的是个人资源；Agent 跑在云端，而且并行，可能同时进行很多，资源浪费就不能接受了。

Agent Browser 的三层架构 0:35:55

Browserbase 已经做得还行，Grasp 为什么还要做？雷磊给了一个三层架构来解释。

要构建一个有 browser use 功能的 Agent，分三层。最底层是 runtime，浏览器的运行时，可以理解为传统内核浏览器，解决的是访问网页时怎么把信息拉下来、怎么执行脚本、怎么渲染图片。Browserbase、传统浏览器、Chrome 本质上都是这一层。

中间层是 agentic 层，控制 AI 怎么跟网页交互、怎么获取信息、怎么产生信息影响网页、怎么推理整个过程形成「到底要干什么」。

最上层是 knowledge 层，垂直行业的 know-how。这层是所有真正 build Agent 的人需要关注的，因为要设计怎么反馈系统、优化最终交付给终端用户的结果。

Grasp 做的是最底下两层，runtime 加 agentic，合二为一。原因是这两层工程量大、要解决很多问题，而且很多问题比较通用，开发时都要面临。他们把这部分封装好提供给开发者，开发者带着自己的行业认知，就能构建自己的 Manus 或自己的垂直 Agent。

Browserbase 做的是 runtime 那一层。曲凯质疑：最底层浏览器这么多年了，应该有很好的解决方案，Google 想做一个是不是分分钟的事？雷磊承认纯做底层壁垒不够大，Browserbase 有很强的先发优势。它也提供了一个开源框架叫 Stagehand，开发者可以通过它实现 agentic 层，再接 Browserbase 的 runtime，构建 agentic browser，再把自己的行业认知放进去。

但雷磊认为这样工程量太大。他们实际做下来，中间这层包括 secure local login、长状态管理都很复杂，要解决这些问题，必须对底层 runtime 有控制能力，所以必须最下面两层一起做。如果只接 Browserbase 做中间层，很多想实现的功能实现不了。

这也解释了为什么 Fellou 不用这些现成方案。它做的是通用产品，需要对底层有足够操控，要设计自己的反馈循环，可能就得从最底层自己做。但未来不是每个人都需要这样，也不是每个人都有这么强的工程团队。Grasp 就是把工程问题解决掉，提供技术架构，让大家基于它构建自己的 Agent。

曲凯问，中间 agentic 层在产品上具体是什么？雷磊说，比如你给一个任务，系统会先基于当前网页和任务做一次推理，判断要执行哪些步骤，而不是你告诉它在哪执行哪些步骤。曲凯追问这和 Fellou 的区别，雷磊说 Fellou 是 to C 的，Grasp 是给开发者的，面向用户不一样。理论上 Fellou 也可以基于 Grasp 构建。当 Fellou 满足不了你的需求，你可以快速基于 Grasp 做一个 Agent。

他描绘的图景是：未来会有大量 AI Infra 或 AI 环境公司提供基础设施，每个基础设施像乐高积木，你买来拼起来，带上自己的行业认知或特定解决方案，就能构建自己的 Agent。

除了 coding 和 browser，还有什么环境？雷磊说这两个一定是最重要的。不用看 Manus 和 Fellou，看行业最大的公司，ChatGPT 的 deep research agent，本质上就是 O3 模型加网页浏览能力加 Python 代码执行器。代码和 browser 是两个最重要的环境。再往外，可能有更抽象的环境，比如运行数学公式的环境；再往下，有跟物理世界接触的，比如传感器、具身智能，包括李飞飞关注的空間智能，都是给模型提供与真实世界交互的环境。

从大类上说就这两类：coding 解决执行逻辑，browser 解决与外部信息交互。但中间有非常多细分，浏览方式不同、获取信息多还是产生信息多，痛点不同，解决方案和环境公司就不同。代码也一样，脚本代码、解释性语言、编译性语言都有区别。

今天的 Browser Use 像 2023 年的 AI Coding 0:42:40

这是雷磊之前跟曲凯提过的一个判断。他 2023 年做 AirCode，也算 coding 产品。回头看 2023 年，AI coding 也有非常多问题，大家都在怀疑它到底行不行，到今天基本没问题了。

为什么今天的时间点像当时的 AI coding？雷磊给了一个公式：大模型能不能解决某个具体问题，等于这个事情的样本数乘以模型的成功率。大模型本身是概率模型，两者一乘，得到的结果成功数能不能满足人的需求，能满足就会变成主流。

2022 年的 GPT-3 不行，从 GPT-3.5 开始突破了一个阈值，使得代码这种量级的样本数乘以概率后，达到了可以满足人的结果。回到今天，browser use 的样本数更大，而今天模型的概率显然还满足不了成功率。所以很多人觉得不实用。但随着模型能力增长、概率提升，当样本数乘以概率达到人的阈值和需求，这件事立马就会变成今天的 coding，而且发生得比之前更快。

AI coding 现在全球几百家公司在做，估值很高的有不少。Browser use 领域也会这样吗？雷磊说哪怕是 AI coding 都还在非常早期。全球软件开发总市值大概 3 万亿到 4 万亿美金，AI 能提升 5% 的效率，就是 1500 亿美金的市场。今天 AI coding 可能也就几十亿到小 100 亿美金的市场规模，还有很大空间。

Browser use 同理。今天大量商业行为发生在互联网上，销售、招聘、沟通、展示成果、获客。这些事情如果能通过 AI 提升哪怕 5% 的效率，就是一个潜在的巨量增长市场。所以现在其实刚起步。

曲凯问，大家对于给 Agent 做产品这件事，现在有什么很强的非共识？雷磊说 Agent 产品到底最需要什么，每个人看法不一样。很多人认为需要更好的上下文、更好的知识、更合适的模型，但他认为最关键的是怎么设计最好的反馈循环，这是设计整个 Agent 中最重要的一点。

他区分了两种环境。做 Agent 的人，产品设计本身也是一种环境，但那是 Agent 本身的环境；Infra 做的是 AI 和它所处外在世界的交互方式。通过这个交互方式获取真实结果，作用到 Agent 本身上，再通过反馈设计奖励机制或反馈循环，让它提升能力、交付更好的结果。对 Cursor 来说，VS Code 里内置的代码执行器就是它的环境。

除了 E2B 和 Browserbase，还有什么机会 0:47:46

曲凯把问题抛给想创业的人：相信 Agent 会起来，想给 Agent 做产品，除了这两个环境还能做什么？

雷磊说，除了环境，还可以做工具。Agent 如果作为一种新的服务对象，服务人的过程中用到的工具都有机会重做一遍。比如 Agent 要不要有自己的身份？要不要有自己的电话接收短信？要不要有支付能力？支付就是个机会。

Grasp 为什么选 browser？雷磊说两个原因。第一，他们本身有很多年前端开发经验，对 browser 和自动化流程有深入理解。第二，browser 是 Agent 与世界交互的非常重要的渠道，是一个非常大的机会，他们希望在早期阶段去做这个更大的机会。

节目最后，曲凯让他展望 Agent 长期发展。雷磊说最重要的范式转变是：AI 会从依赖人类数据，变成自己去体验这个世界，从体验中获取真实反馈作为数据来训练自己。只有在这种情况下，它才可能突破人类认知，发现更新的东西。

他举了川菜菜谱的例子。今天让大模型生成菜谱，做法是找个厉害的川菜大厨看这个菜谱，告诉他行不行，再把反馈给 AI 学习。后果是 AI 越来越受人类偏见影响。人类最大的偏见之一，就是相信人类的知识和先验经验对大模型很重要，不停把知识灌给它。但有没有可能，人类的知识对它其实毫无必要？就像 AlphaGo，最后发现人类棋谱没那么重要，这就是所谓的 bitter lesson。

更好的方式应该是：按照菜谱把川菜做出来，尝一下，好吃或难吃，把这个真实结果作为反馈给它学习。这样它才可能某天做出一个菜谱，川菜大厨觉得难吃，但实际做出来很好吃。这才叫创新，才能突破人类边界。

AI 一定要通过跟这个世界进行真实的交互，去获取真实的反馈。

这就是他认为环境在整个 Agent 发展中非常重要的原因。

曲凯最后开了个玩笑：那是不是有些云厂商的股票未来能涨得更好？雷磊说关键看能不能快速转变、跟上时代。智能手机市场比 20 年前大那么多，但不是 20 年前做手机的股票就一定涨得好，你可能像诺基亚被淘汰，也可能从完全不做手机变成知名厂商。整体上云厂商会有更多机会，因为它卖资源，这个事业消耗更多资源、产生更多数据，它就更值钱。

他甚至认为 AI 环境这件事是 AWS 级别的机会。AWS 自己也可以做，关键是谁能抓住。遥远的未来，像 Grasp 这种 AI native 的 Infra 是从上往下走，从最贴近 Agent 使用的环境工具开始，有一天可能构建完全自己的浏览器内核。但那是重资源的事，最后都是大厂在做，更多是相互合作和互补的关系。

至于 Agent 什么时候起来，雷磊说判断不了这么长远。但他能看到的是 Agent 在不停崛起。相对于思考什么时候起来，更重要的是思考 Agent 是不是一定会来，来的那一天我们能为 Agent 做些什么、发挥什么价值。

商业上 timing 当然重要。Grasp 产品预计下个月开放，会像 Browserbase 一样先面向已有 RPA、自动化测试用户。雷磊说世界上不会凭空出现需求，一定是现阶段已在用的人有需求没被满足，正好大模型能很好满足。比如智能化营销、智能化销售，原来的工作流不够智能，AI 给了转型机会，这些人可能是第一波转型的用户。

整期听下来，雷磊给想进入 Agent Infra 的人画了一张不算复杂的地图。两个最大的环境类别已经清晰：coding 和 browser，分别对应执行逻辑和与外部信息交互。往细里走，每个类别都有大量细分场景，痛点不同，解决方案就不同。再往外，身份、通信、支付这些 Agent 作为「新用户」需要的工具，都值得重做一遍。

他反复回到的那个判断值得记住：给 Agent 做产品，核心不是流程设计，是反馈循环设计。谁能设计出更接近真实结果的反馈信号，谁就能让 Agent 变得更强。这个思路不只适用于 Infra，也适用于每一个想在这个方向创业的人。下一个 Manus 级别的产品，可能就长在某个还没人注意到的反馈循环里。