人人都能造 Agent，但真正的门槛在运行平台

6 分钟阅读

2026 年 2 月 9 日

原型开发已经民主化，但生产部署并没有。

AI 模型已经让代码与 Agent 生成逐渐商品化，任何人都能在几分钟内搭出复杂软件。你早咖啡还没凉，Claude 就能脚手架出一个功能完整的 Agent。但同一个 AI 也可能“热心”地给你设计一套每月 5000 美元的 DevOps 架构，而其实系统用每月 500 美元就能高效运行。

在一个人人都能构建内部工具和 Agent 的世界里，build vs. buy 的算式已经被根本改写。竞争优势不再来自“你能不能做出来”，而来自你能否围绕真正业务问题快速迭代 AI，更重要的是，能否在规模化场景下可靠地运营这些系统。

要做到这一点，公司需要一套和外部产品基础设施同样稳健的内部 AI 技术栈。这正是 Vercel 的 Agent 编排平台所提供的能力。

Link to headingBuild vs. buy ROI has fundamentally changed

几十年来，定制内部工具的经济账通常只在大规模公司里成立。前期工程投入很高，但更大的成本在于长期运营：要满足高 SLA，还要拿出可量化 ROI。对其他公司而言，购买现成软件一直是更现实的选择。

AI 从根本上改变了这道题。如今，不同规模的公司都能快速创建 Agent，而针对特定工作流的定制化，能立刻带来 ROI：

• OpenAI 部署了一个内部数据 Agent，让分析能力普惠化

• Vercel 的销售线索筛选 Agent让 1 位 SDR 完成过去 10 位的工作量（模板见这里）

• Stripe 打造了一个面向客户的财务影响计算器（而且是在航班上做出来的！）

今天的问题不再是 build 还是 buy。答案是 build and run。企业不该再把内部系统和供应商割裂看待，而是需要一个能够承载 Agent 工作负载独特需求的统一平台。

Link to headingEvery company needs an internal AI stack

内部应用和 Agent 的使用场景正在爆发式增长，但问题是：生产环境依然很难。

Vibe coding 造就了史上最严重的影子 IT 问题之一，而真正理解生产运维需要安全、可观测性、可靠性、成本优化等方面的专业能力。即便“构建”越来越容易，这些能力依然稀缺。

Agent 的终极挑战，不是把它做出来，而是它运行的平台。

Link to headingThe platform is the product: how our data agent runs on Vercel

和 OpenAI 一样，我们也构建了自己的内部数据 Agent，名为 d0（OSS 模板见这里）。d0 的核心是 text-to-SQL 引擎，这并不新鲜。真正让它成为成功产品的，是底层平台。

借助 Vercel 内置的基础能力与部署基础设施，1 个人仅用几周时间、投入 20% 的工作时间，就做出了 d0。

这之所以可行，是因为 Sandboxes、Fluid compute 和 AI Gateway 自动接管了原本通常需要数月工程投入来搭建并加固的运维复杂度。

如今，d0 已经彻底打破了过去只有专业分析师才能访问数据的局面。工程师、市场团队和管理层都能直接用自然语言提问，并从我们的数据仓库即时获得准确答案。

它的工作方式如下：

• 用户在 Slack 提问：“What was our Enterprise ARR last quarter?” d0 收到消息后，会根据用户权限判断可访问的数据级别，并启动 Agent 工作流。

• **Agent 探索语义层：**语义层是一个由 5 层 YAML 配置组成的文件系统，描述了我们的数据仓库、指标体系、产品与运营信息。

• **AI SDK 处理模型调用：**流式响应、工具调用、结构化输出都开箱即用。我们没有自建定制化 LLM 管线，而是使用任何 Vercel 开发者都能用的抽象层。

• **Agent 步骤可持久化编排：**如果某一步失败（比如 Snowflake 超时、模型短暂异常），Vercel Workflows 会自动重试并恢复状态。

• 自动化动作在隔离环境执行：文件探索、SQL 生成、查询执行都在安全的 Vercel Sandbox 内进行。失控操作无法“逃逸”，Agent 还可以执行任意 Python 完成高级分析。

• 多模型协同平衡成本与精度：AI Gateway 会将简单请求路由到快速模型，把复杂分析交给 Claude Opus，且全部在同一套代码库内完成。

• **答案返回 Slack：**格式化结果（通常附带图表或 Google Sheet 链接）通过 AI SDK Chatbot primitive 回传到 Slack。

Link to headingVercel is the platform for agents

Vercel 提供了专为 Agent 工作负载打造的基础设施能力，既支持内部场景，也支持面向客户的场景。你负责构建 Agent，Vercel 负责运行它，而且就是能稳定跑起来。

通过使用我们自己的 Agent 编排平台，我们已经能够构建并管理越来越多的定制 Agent。

在内部，我们运行着：

• 一个销售线索筛选 Agent

• d0（我们的分析 Agent）

• 一个客户支持 Agent（可处理 87% 的初始问题）

• 一个滥用检测 Agent（标记高风险内容）

• 一个内容 Agent（可将 Slack 讨论串转成博客草稿）

在产品侧：

• v0 是一个代码生成 Agent，以及

• Vercel Agent 可以审查 pull request、分析故障事件并给出行动建议。

这两款产品都运行在与内部工具相同的基础能力之上。

Sandboxes 为 Agent 执行敏感自治操作提供安全、隔离的运行环境，这对保护核心系统至关重要。当 Agent 生成并运行未经测试的代码，或遭遇 prompt injection 攻击时，Sandbox 会把影响限制在隔离的 Linux VM 内。当 Agent 需要文件系统访问做信息发现时，Sandbox 还可动态挂载 VM，并以安全方式访问所需资源。

import { Sandbox } from '@vercel/sandbox';const sandbox = await Sandbox.create();await sandbox.runCommand({  cmd: 'node',   args: ["-e", 'console.log("Hello from Vercel Sandbox!")'],  stdout: process.stdout,});await sandbox.stop();

Fluid compute 可自动应对 Agent 带来的不可预测、长时运行计算模式。Agent 仅处理文本时，人们很容易忽略计算成本；但当使用规模扩大，并叠加文件、图像、视频等数据密集型任务后，成本会迅速成为问题。Fluid compute 会按需自动扩缩容，且只按实际计算时间计费，让成本更低、也更可预测。

AI Gateway 为你提供对数百个模型的统一访问能力，并内置预算控制、使用监控和跨供应商负载均衡。这对避免供应商锁定、并第一时间接入最新模型非常关键。当 Agent 需要处理不同类型请求时，AI Gateway 可把简单请求路由到快速低价模型，把复杂分析分配给更强模型。如果主供应商触发速率限制或宕机，流量会自动故障切换到备份供应商。

Workflows 让 Agent 能够可靠地执行复杂多步骤操作。Agent 一旦用于关键业务流程，失败成本就会很高。可持久化编排在每一步都提供重试逻辑与错误处理，因此中断不会迫使人工介入或整条流程重来。

Observability 能揭示 Agent 在做什么，而不仅是基础系统指标。这些数据对排查异常行为和优化 Agent 性能至关重要。当 Agent 做出意外决策、消耗超预期 Token，或表现不佳时，可观测性会展示精确的 prompt、模型响应和决策路径，让你把问题追溯到具体模型调用或数据源。

Link to headingBuild your agents, Vercel will run them

未来，每家企业都会构建自己的 d0，自己的代码审查 Agent，自己的客服路由 Agent，以及数百个其他垂直工具。

这些 Agent 能否成功，取决于承载它们的平台。现在就投资内部 AI 技术栈的公司，不仅会跑得更快，还会在优势持续累积中获得更高的 ROI。