高分支代理工作负载会产生严重的内存瓶颈，因为单个任务可能同时生成大量沙箱会话。这些沙箱并非完全独立：它们共享同一模板并执行相似的轨迹，导致模板相对和跨沙箱的内存冗余。传统的内存压缩在三个维度上与此场景不匹配：压缩方式未利用非完全相同页面之间的相似性；压缩对象受保守的页面选择限制，导致页面错误开销；压缩时机要么仅在内存压力下触发，要么在不考虑代理执行阶段的情况下进行。
AgentZip 是首个专为 AI 代理沙箱设计的内存压缩系统。它引入了同时利用模板相对冗余和跨沙箱冗余的压缩机制，扩展压缩范围至任何具有盈利表示的页面，并将开销控制从压缩时的页面选择转移到恢复时的预取。系统还将高开销的压缩任务对齐到大语言模型（LLM）等待阶段，避免干扰前台工具执行。
在 LLM 训练和推理工作负载中，AgentZip 将沙箱占用内存降低至最高 8.7 倍，而 Linux 默认配置仅为 2.1 倍。通过恢复预取和基于代理执行阶段的调度，激进压缩导致的性能下降从最高 3.1 倍降至 1.40 倍，几乎保留了全部内存节省效果。
点评：AgentZip 在保持大幅内存节省的同时，将压缩开销与 LLM 等待时间对齐，显著降低了性能损失。