Agent Resource Control（Agent 资源控制）
Agent Resource Control
AgentCgroup — extend Linux cgroup to agent-specific resource axes
Classical cgroup caps CPU / memory / IO. The decisive resources for agents are token consumption, API call quotas, and tool access rights — burstiness, unpredictability, and cascade are the three signatures of agent resources.
Agent Resource Control（Agent 资源控制）
定义
Agent 资源控制是在 OS 层面理解、监控和限制 AI agent 资源消耗的机制。传统的 cgroup 控制 CPU、内存、IO——agent 资源控制需要扩展到 token 消耗、API 调用配额、工具访问频率、GPU 时间片等 agent 特有的资源维度。
背景：AgentCgroup
AgenticOS Workshop 中的 AgentCgroup 论文（Zheng、Fan、Fu 等）首次系统研究了 AI agent 的 OS 资源消耗模式，并提出将 Linux cgroup 概念扩展到 agent 负载的控制框架。
核心观察：agent 负载的资源消耗模式与传统负载根本不同——
- 突发性：LLM 推理阶段 GPU 密集，工具执行阶段 CPU/IO 密集，等待阶段近乎空闲
- 不可预测性：agent 的下一步行动取决于模型推理，资源需求无法静态预估
- 级联性：一个 agent 的工具调用可能触发其他 agent 或服务的资源消耗
Agent 特有的资源维度
| 资源 | 传统 OS 已有 | Agent 需要新增 |
|---|---|---|
| CPU/内存 | cgroup v2 | 按 agent 粒度（非按进程） |
| GPU | CUDA MPS/MIG | 按推理请求的公平调度 |
| Token | 无 | context window 预算、总 token 消耗限额 |
| API 调用 | 无 | 外部 API 速率限制、成本上限 |
| 工具访问 | 文件权限 | 动态工具权限（按任务、按风险等级） |
与 Harness 层资源管理的关系
目前 agent 的资源控制主要在 harness 层实现：
- Token 预算通过 context management 的 compaction 机制间接控制
- API 调用通过 harness 的重试/退避逻辑管理
- 工具权限通过 guardrails 的执行侧安全约束
Agent 资源控制的研究方向是将这些机制下沉到 OS 层，提供更强的隔离保证和更低的开销。这不是要替代 harness 层的控制，而是为其提供系统级支撑。
语义感知调度
AgenticOS Workshop 的征稿主题中，“语义感知资源管理和调度”是核心议题之一。传统调度器不理解 agent 行为的语义——它看到的是进程和线程，不是”这个 agent 正在关键路径上做决策”或”这个 agent 在低优先级的探索中”。
Fuyun 论文（Li 等）展示了一个具体实例：在 serverless 环境中，用 LLM agent 弥合资源配置的”语义鸿沟”——让 agent 理解函数的语义特征，据此做出更优的资源分配决策。
相关概念
- Agent OS — 资源控制是 Agent OS 的核心层之一
- Harness engineering — 应用层的资源控制
- Context management — token 资源的应用层管理
- Guardrails — 工具权限的应用层管理
- 可靠性衰减 — 资源不足是可靠性衰减的诱因之一
References
sources/agenticos-workshop-asplos-2026.md