MiMo Code 本身不支持容器级自动扩缩容，其弹性能力体现在任务调度与模型资源调度层，需结合 Kubernetes 等外部平台实现；配置分内置负载感知与外部指标联动两层，辅以 Redis 和共享存储保障多实例稳定性。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
MiMo Code 本身不直接提供底层容器级的自动扩缩容（如 Kubernetes 的 HPA），它作为终端 AI 编码代理，核心弹性能力体现在任务调度层与模型资源调度层——即根据当前会话复杂度、代码仓库规模、推理负载等动态启用更多子智能体（Sub-Agent）或切换更轻量/更重型模型。真正的容器级自动扩缩容需结合其运行环境（如 Docker + Kubernetes）来实现。配置路径分两层：一是 MiMo Code 内部的负载感知与模式切换，二是外部容器编排平台的指标联动。
一、启用 MiMo Code 内置的弹性任务调度机制
MiMo Code 的 Build / Plan / Compose 三种模式天然支持按需“扩容”计算粒度：
- Plan 模式：对复杂需求先拆解为多个子任务（如“重构 API 层 + 更新测试 + 生成文档”），每个子任务可由独立子 Agent 并行执行——相当于逻辑层面的水平扩容；
- Compose 模式：当检测到当前模型上下文压力大（如 token 即将耗尽、指令遵循率下降），自动触发上下文压缩 + 关键信息持久化召回，并可能切换至更高容量模型（如从本地 Qwen2.5 切换到云端 DeepSeek-V4）；
- Build 模式：针对单文件高频编辑，启用增量分析与局部重推理，避免全量重载，降低单次资源消耗——本质是“缩容式优化”。
这些行为默认开启，无需额外配置，但可通过 ~/.mimo/config.json 调整灵敏度：
二、对接外部监控指标实现容器级自动扩缩容
若将 MiMo Code 部署为 HTTP 服务（例如通过 mimo serve --port 3000），可将其纳入 Kubernetes 或 Docker Swarm 的弹性编排体系：
- CPU/内存指标扩缩容：在 K8s 中为 MiMo Code Deployment 配置 HorizontalPodAutoscaler（HPA），监控容器 CPU 使用率（推荐阈值：扩容 >65%，缩容
-
自定义业务指标：通过 Prometheus 抓取 MiMo Code 暴露的
/metrics端点（含mimo_active_sessions、mimo_avg_latency_ms、mimo_queue_length），当并发会话数持续 >50 或平均延迟 >3s 时触发扩容； -
关键配置示例（K8s HPA）：
apiVersion: autoscaling/v2 kind: HorizontalPodAutoscaler metadata: name: mimo-hpa spec: scaleTargetRef: apiVersion: apps/v1 kind: Deployment name: mimo-code-server minReplicas: 1 maxReplicas: 8 metrics: - type: Resource resource: name: cpu target: type: Utilization averageUtilization: 65 - type: Pods pods: metric: name: mimo_active_sessions target: type: AverageValue averageValue: 40
三、配合状态共享与会话路由保障扩缩容稳定性
多实例部署时，必须解决会话状态一致性问题，否则扩缩容会导致用户上下文丢失：
- 启用 Redis 作为共享会话存储：启动时添加
--redis-url redis://localhost:6379参数； - 前端反向代理（如 Nginx）需配置 sticky session（基于 cookie 或 IP hash），确保同一用户请求始终路由到同一 Pod；
- 所有子 Agent 的中间产物（如临时文件、检索缓存）应挂载到共享 PVC，而非容器本地磁盘。
不复杂但容易忽略
