daytonaio/daytona · 上手攻略

• 仓库：daytonaio/daytona
• 链接：https://github.com/daytonaio/daytona
• 分类：ai
• 作者：Tom
• 更新：2026-07-10

⚠️ 重要声明：仓库已停止维护

截至 2026 年 6 月，Daytona 核心开发已迁移至私有代码库，本仓库不再更新。 仓库仍公开可用，许可证（MIT）允许自由使用和 fork，但不再有官方支持和版本更新。如果你正在评估此类工具，请关注其商业产品或寻找活跃的替代项目。

这是什么

Daytona 是一个用于运行 AI 生成代码的安全、弹性基础设施运行时。它的核心抽象是 Sandbox（沙盒）——每一个 Sandbox 是一个完全隔离的"可组合计算机"，拥有独立内核、文件系统、网络栈，以及分配的 vCPU、RAM 和磁盘。AI Agent 或开发者可以通过 SDK（Python/TypeScript/Go/Java/Ruby）、CLI 或 REST API 编程式地管理这些沙盒，在其中执行代码、安装依赖、运行服务。

解决的问题：AI 生成代码的执行存在安全风险（隔离性）和状态持久性问题。传统 Docker 容器启动较慢（秒级），且缺乏专门为 AI Agent 设计的状态快照和 MCP 集成能力。Daytona 的沙盒可在 90ms 内从代码到执行就绪，并支持状态持久化。

快速安装

⚠️ 注意：本仓库已停止维护，以下内容基于 2026 年 6 月停止更新前的版本验证。安装前请确认版本仍可用。

Python SDK

pip install daytona

TypeScript SDK

npm install @daytona/sdk

Go SDK

go get github.com/daytonaio/daytona/libs/sdk-go

CLI（需要先安装 SDK）

# 安装 daytona CLI（Linux/macOS）
curl -fsSL https://download.daytona.io/daytona-cli/install.sh | sh

# 验证安装
daytona version

Docker（自托管沙盒运行时）

Daytona 也支持 Docker 方式自托管 compute plane，详见官方文档：https://www.daytona.io/docs/installation/

核心用法

1. 创建沙盒（Python 示例）

from daytona import Daytona

daytona = Daytona()
sandbox = daytona.create()

print(f"Sandbox ID: {sandbox.id}")
print(f"Sandbox IP: {sandbox.ip}")

2. 从快照创建（预配置环境）

from daytona import Daytona, CreateSandboxFromSnapshotParams

daytona = Daytona()
sandbox = daytona.create(
    CreateSandboxFromSnapshotParams(
        snapshot="daytona-small"  # 1 vCPU, 1GiB RAM, 3GiB Disk
    )
)

可用快照类型： - daytona-small — 1 vCPU / 1GiB RAM / 3GiB（容器类型） - daytona-medium — 2 vCPU / 4GiB RAM / 8GiB - daytona-large — 4 vCPU / 8GiB RAM / 10GiB - daytona-gpu — 1 vCPU / 1GiB RAM + 1 GPU - daytona-vm-small/medium/large — Linux VM 类型

3. 指定自定义镜像和资源

from daytona import Daytona, CreateSandboxFromImageParams, Image, Resources

daytona = Daytona()
sandbox = daytona.create(
    CreateSandboxFromImageParams(
        image="ubuntu:22.04",
        resources=Resources(cpu=2, memory=4, disk=8),  # vCPU/GiB
    )
)

4. 在沙盒中执行代码

# 执行 Python 代码
result = sandbox.run("print('Hello from sandbox')")
print(result.output)

# 执行 Shell 命令
result = sandbox.exec(["bash", "-c", "ls -la /app"])

5. 文件系统操作

# 上传文件到沙盒
sandbox.write_file("/app/app.py", open("app.py", "rb").read())

# 读取文件
content = sandbox.read_file("/app/app.py")

# 列出目录
files = sandbox.list_dir("/app")

6. 创建快照（保存环境状态）

snapshot = sandbox.create_snapshot(name="my-env-001")
print(f"Snapshot created: {snapshot.id}")

7. MCP 服务器集成

Daytona 提供 MCP（Model Context Protocol）服务器，适合与 AI Agent 框架（如 LangChain、AutoGPT 等）集成：

# 启动 MCP 服务器
from daytona import MCPServer
mcp = daytona.create_mcp_server(sandbox_id=sandbox.id)
print(f"MCP server: {mcp.url}")

8. 通过 CLI 管理

# 登录
daytona login

# 列出沙盒
daytona sandbox list

# 创建沙盒
daytona sandbox create --snapshot daytona-small

# SSH 进入沙盒
daytona sandbox ssh <sandbox-id>

# 删除沙盒
daytona sandbox delete <sandbox-id>

典型适用场景

坑与注意

1. ⚠️ 仓库停止维护：核心代码库已私有化，不继续发布新版本。生产环境中使用需自行承担维护风险，或考虑迁移到其他活跃的沙盒项目（如 Firecracker、CodeServer 等）。
2. 网络隔离限制：沙盒默认有独立网络栈，但某些云服务商的网络配置可能与 Daytona 的 OCI 运行时存在兼容性问题，务必在测试环境验证。
3. 资源配额：组织级账户最大支持 4 vCPU / 8GB RAM / 10GB Disk，超出需付费升级（具体价格见官方 pricing 页面）。
4. 冷启动延迟：虽然宣传 90ms 启动，但在高并发场景下（数百个沙盒同时创建），compute plane 的调度延迟可能达到秒级。
5. 快照存储成本：快照会持久化整个文件系统状态，快照数量增多后存储成本不可忽视，建议定期清理不需要的快照。

与同类对比

一句话推荐结论

Daytona 的沙盒抽象为 AI Agent 提供了开箱即用的安全执行环境，90ms 启动 + 快照持久化非常适合 Agent 工作流——但请务必注意仓库已停止维护，生产使用前需评估长期维护策略。

参考来源

• GitHub README：https://github.com/daytonaio/daytona
• 官方文档：https://www.daytona.io/docs
• Sandboxes 文档：https://www.daytona.io/docs/sandboxes/
• SDK 安装（pip/npm/go）：https://www.daytona.io/docs/#3-install-the-sdk
• ⚠️ 停止维护公告：https://github.com/daytonaio/daytona（README 头部）