云原生动态：etcd v3.7.0发布，AI Agent网络边界方案提出，K8s Agent沙箱与轻量运行时演进

过去24小时云原生生态迎来多项关键更新：etcd v3.7.0正式发布，引入RangeStream特性并完成protobuf全面升级；CNCF博客发表AI Agent网络边界方案，利用NGINX和OpenTelemetry构建可观测的网络边界；Kubernetes Agent沙箱生态持续演进，agent-sandbox和agent-substrate项目分别从安全和效率两个维度推动AI Agent的云原生运行。

主要新闻

etcd v3.7.0正式发布：RangeStream与性能重构

SIG etcd宣布etcd v3.7.0正式可用，这是分布式键值存储系统的重大版本更新。核心亮点是RangeStream特性——允许将大结果集分块流式传输，无需在内存中缓冲整个响应。此版本还引入了仅键范围请求、更快速可靠的lease机制以及多项性能改进。etcd现在完全从v3store启动，消除了对遗留v2存储的长期依赖。protobuf全面升级完成，将过时的github.com/golang/protobuf和github.com/gogo/protobuf替换为官方支持的google.golang.org/protobuf，并将gRPC日志记录迁移到grpc-middleware v2。bbolt v1.5.1和raft v3.7.0作为核心依赖同步发布。在即将发布的Kubernetes v1.37中，通过启用EtcdRangeStream特性门控即可使用RangeStream功能。

Source: Announcing etcd v3.7.0

基于NGINX和OpenTelemetry的AI Agent网络边界

CNCF博客发表了一篇关于构建AI Agent网络边界的技术文章，提出利用NGINX和OpenTelemetry为AI代理创建强制且可观测的网络边界。方案的核心架构是将NGINX同时部署为反向代理（处理入站流量）和正向代理（处理出站流量），配合iptables规则阻断所有其他出口流量，形成不可绕过的网络边界。NGINX原生OpenTelemetry模块为每个请求发出OTEL span，使操作团队能够将用户交互与Agent代表用户执行的外部调用关联起来。验证实验在单节点Kubernetes集群上运行NGINX、Ollama、OpenClaw和OpenTelemetry Collector四个工作负载完成。该方案为AI自治工作负载的出站审计和边界强制提供了基于开放标准的可复用模式，可在边缘设备到企业级AI基础设施的各类平台上部署。

Source: Network boundary for AI agents using NGINX and OpenTelemetry

Kubernetes Agent沙箱生态：从agent-sandbox到agent-substrate

CNCF博客深入分析了K8s上AI Agent运行时的演进。agent-sandbox项目提供了基于Kubernetes CRD的沙箱控制器，利用Pod身份、存储和网络隔离为Agent提供安全的执行环境。新出现的agent-substrate项目则更进一步，专注于更高密度、更好资源效率和更低延迟的执行。agent-substrate将Agent生命周期与Pod解耦——Agent作为”actor”运行在共享Worker Pod池中，空闲时挂起，调用时恢复。六个AIRE Agent映射到六个actor模板但仅需一个worker Pod执行。这种轻量运行时模型使数百个Agent可以以休眠状态存在于集群中，仅在调用时消耗资源。agent-substrate已与kagent集成，通过YAML模板定义Agent运行时。两者共同勾勒出K8s上AI Agent执行从”安全隔离”到”高效规模”的演进路径。

Source: Why sandboxing your agent is not enough

分析

etcd v3.7.0的发布是Kubernetes控制平面性能的重要里程碑。RangeStream特性解决了一个长期存在的可扩展性问题——当etcd存储大量数据时，范围查询的响应可能达到数百MB甚至GB级别，全量缓冲在内存中不仅消耗大量资源，还可能导致OOM。流式分块传输使etcd能够处理更大规模集群的配置数据。protobuf的全面升级消除了一个长期的技术债务——github.com/gogo/protobuf已停止维护，其性能优势在Go版本迭代中逐渐消失，迁移至官方protobuf库降低了依赖风险并便于未来接入新的protobuf工具链。对Kubernetes集群运维团队而言，etcd v3.7的性能改进（尤其是在CPU使用方面的降低）可直接影响大规模集群的控制平面成本和稳定性。

NGINX + OpenTelemetry的AI Agent网络边界方案展示了云原生生态工具如何解决AI安全的新挑战。不同于传统网络边界控制（如防火墙规则），AI Agent的网络行为具有动态性和不可预测性——你无法预先穷举Agent可能访问的外部端点。该方案的可观测性层面（OTEL span + 审计日志）与强制层面（NGINX正向代理 + iptables）结合，提供了”看见所有Agent流量”和”控制所有Agent流量”的双重能力。该模式的可移植性使其适用于从边缘设备到GPU集群的广泛场景，对部署了Langchain/LlamaIndex等Agent框架的组织尤为重要。

agent-substrate的共享Worker池模型代表了K8s上AI Agent运行时的范式转变。传统方法将每个Agent映射为一个Pod，导致静默期资源浪费严重——多数Agent在99%的时间里处于等待调用状态。agent-substrate的actor模型借鉴了Erlang/Akka的Actor模式，但将其映射到Kubernetes基础设施上，通过快照/恢复机制实现Agent实例的暂停和迁移。这一模式对Agent密集型场景（如大量客服Agent、自动化运维Agent）的成本优化意义重大。

结论

本周云原生新闻指向一个共同主题：Kubernetes正在从”容器编排平台”演变为”AI Agent基础设施层”。etcd v3.7.0提升了K8s控制面的性能和可扩展性；NGINX + OpenTelemetry方案为AI Agent提供了网络边界控制的可复用模式；agent-substrate则展示了AI Agent在K8s上的高效运行时模型。建议平台团队评估etcd v3.7的性能提升对大规模集群的实际影响，安全团队关注AI Agent网络边界控制的标准化方案，AI基础设施团队则应在Agent运行时选型时同时考虑安全隔离（agent-sandbox）和资源效率（agent-substrate）两个维度。