PolicyVisor · pVisor
让自主 Agent 的执行可以规模化
提升执行密度，降低监督成本。
pVisor 通过资源共享与闲置回收优化机器承载能力，通过文件暂存、运行记录与审查机制降低监督负担，让更多 Agent 任务在有限资源下运行。
今天：在本机放手运行 Claude Code、Codex 或任意命令，结束后审查改动和证据，只合入你要的部分。
以 Agent CLI 为例
$ pip install pvisor$ pvisor run --safe -- codex$ pvisor status --review last$ pvisor apply last --path src
安装包与 CLI 均为 pvisor。首次使用请先完成平台配置。
规模化的两条主线
高密度执行，低成本监督
高密度执行
资源共享、闲置回收与受限状态恢复，优化 Agent 环境的资源占用。具体收益通过工作负载与完整资源成本衡量。
低成本监督
文件改动暂存、运行记录与选择性合入，支持集中审查，并为自动检查提供基础。
执行基础
有界、可恢复、可核查
明确执行边界、保留候选改动与运行记录，为审查和自动检查提供基础。
有界
出错的影响范围事先可知。选择执行器与能力要求，落实可强制的控制，并显式暴露不支持的缺口与降级。
可恢复
改动先进暂存区，应用前可选择性合入、丢弃或分叉。像审 PR 一样挑选要合入的路径。
可核查
每次运行留下一份可核对的记录：实际生效的限制、被拦下的访问，以及可选的模型请求。
价值随规模展开
从一个 Agent 到一个平台
一个人 · 一个 Agent
放手跑完，事后像审 PR 一样挑着合入。
一个人 · 多个 Agent（下一步）
每个 Agent 各自隔离、各自留证据，可以批量审查，只合入需要的部分。
团队与平台
今天就能按 L1 方式接入 CI：跑完、审查、只合入想要的；跨节点集群和策略/证据免审是下一步。
研究与训练（方向）
Agentic RL 与评测需要集群化、可记录、可分叉的批量执行基座，正是这三种性质的组合。
文档入口