北京大学推出的SWE-MiniSandbox把SWEAgent训练的门槛给降低了。这方案不用Docker和Podman这类传统容器，省掉了一大笔钱和维护成本。以前搞SWEAgent必须用重型镜像和运维，现在改用按实例划分挂载命名空间，还有基于chroot的文件系统隔离，给每个实例搞个独立终端和私有目录，就不用依赖容器和镜像了。 开发人员可以用这套框架建个轻量级的Python环境，把conda和venv结合起来用压缩缓存的方法存环境。这样一来，环境缓存体积只有原来的5%，准备时间也缩到了25%。不管是单节点还是多节点跑训练，速度都快了不少。而且开发者还能通过可视化工具分析强化学习的时间开销来优化流程。 实验证明，SWE-MiniSandbox训练出来的SWEAgent和在Docker环境里训练的效果差不多。这个无容器的解决方案能让更多人加入到SWEAgent的研究中来。随着技术进步和社区支持，SWE-MiniSandbox以后肯定能在软件工程智能体领域闯出一片新天地。