Vercel的业务转型与AI基础设施布局

Andrew Qu作为Vercel的软件主管，介绍了公司从Web基础设施向Agent构建领域的战略延伸。Vercel最初致力于帮助开发者无需担心底层设施即可轻松部署和扩展Web应用，但随着用户需求的变化，人们开始从构建网页转向构建智能体（Agents）。为了降低开发门槛，Vercel推出了AIDK工具包，通过统一模型接口实现仅需修改一行代码即可切换不同提供商的服务。此外，团队还开发了支持模型故障转移、安全代码执行以及提升响应等待期间资源效率的多种工具，旨在让智能体应用的构建更加便捷、耐用且具备可恢复性。

内部实验：从“桌面电脑”到“桌面智能体”的构想

Andrew Qu回忆起一年前与CTO的一次思考：能否在每个人的办公桌上都配备一个智能体？ 当时虽然主流应用仍集中在编码和技术领域，但设计、产品经理等垂直行业也开始探索AI潜力。为了验证这一构想，Andrew Qu深入Vercel内部各个部门（如市场、销售、财务和法律）进行调研，询问他们工作中最痛恨的部分是什么。这一内部实验旨在探索在模型尚不成熟（如Sonnet 4时期）的情况下，如何利用AI解决实际业务痛点，从而引发了Vercel内部对智能体应用的深度探索。

数据团队的痛点与第一代“巨型提示词”方案

调研中最具代表性的案例来自Vercel的数据团队。随着公司快速增长，数据科学家被迫频繁中断手头工作，为市场或销售部门编写SQL查询并分析结果，这严重降低了整体生产力。Andrew Qu最初尝试的最简单方案是构建一个“巨型提示词”：将Snowflake数据库模式粘贴到系统提示中，输入问题后由大模型生成SQL。虽然这种手动复制粘贴的方式证明了当前模型在给定结构下编写有效SQL的可行性有限但具备潜力，但它仅能验证基础能力，无法解决端到端的工作流问题。

第二代架构：多智能体链式协作及其局限性

为了解决上述问题，Andrew Qu与数据副总裁合作开发了名为“D0”的第二代智能体系统。该系统将工作流拆解为多个专用阶段，包括查询代理、规划代理和执行代理。每个智能体拥有独立的系统提示和受限的工具集（如仅允许读取实体YAML或搜索模式），形成从提问到报告的闭环。然而，这种链式架构很快遇到了瓶颈：后续智能体仅能获取前序步骤的摘要和片段，缺乏完整的上下文记忆。这种信息断层导致智能体无法像人类数据科学家那样回顾历史步骤、反思错误并动态调整策略，限制了其处理复杂任务的能力。

终极方案：单一超级智能体与自我记忆管理

基于多智能体架构的局限性，团队得出结论：需要一个拥有全部上下文并具备自我记忆管理能力的单一超级智能体。在这种新架构中，不再依赖多个独立代理之间的摘要传递，而是由一个大型AI调用内部维护状态。该智能体能够自主决定当前处于规划、构建、执行还是报告阶段，并回顾自身之前的操作以优化后续步骤。这种设计模拟了人类专家的工作方式，通过内部状态管理而非外部链式传递来处理复杂逻辑，标志着Vercel在智能体构建方法论上的重大突破。

早期自建Agent的系统局限性与外部冲击

在构建智能体（Agent）的初期，团队尝试赋予模型管理自身状态的能力，使其能在执行过程中根据当前位置调整策略。这种设计允许系统在遇到错误或加入新信息时回溯探索或读取更多内容，早期系统在处理特定场景时表现出良好的自我修正能力。然而，当团队将这一相对成熟的工具分享给少数受信任成员进行内部测试时，反馈却出乎意料地糟糕。尽管团队原本认为该系统能解决30%的评估问题，但用户提出的许多新问题超出了预设场景的范围。手动映射这些新场景不仅耗时且缺乏可扩展性，这促使团队重新审视技术路线。此时，Claude Code和Opus 4.5等产品的发布带来了巨大冲击。这些新产品展现了类似AGI的能力，几乎能即时回答所有问题，相比之下，团队精心构建的“手工”智能体显得笨拙且低效。这种巨大的性能落差让团队意识到，之前的努力方向可能存在根本性的误区。

文件系统智能体的核心突破与沙盒重构

经过深入复盘，团队发现Claude Code等强大工具的核心优势在于其极简的工具集和基于文件系统的交互模式。这些模型主要使用列出文件、读取文件和运行Bash等基础工具，这种非规定性的工具集允许模型自由探索并涌现出强大的行为能力。受此启发，Vercel决定重构其智能体架构，采用类似“Cloud Code”的沙盒模式。在这个沙盒中，整个语义层（Semantic Layer）被注入其中，智能体可以通过Bash、读写文件等方式自主获取所需信息。这种基于文件系统的基础设施定义方式，成为了从单一智能体向更高级形态跃迁的关键解锁点。团队在沙盒基础上添加了少量Vercel特有的工具，以支持特定用例。这一架构调整带来了显著的效果提升：评估得分直接翻倍。这种从复杂状态管理转向简单文件系统交互的转变，被团队视为整个开发过程中最大的技术突破。

技能库（Skills）机制与流量爆发效应

在验证了文件系统智能体的有效性后，团队开始处理内部海量的数据查询需求。每天数千次的请求涵盖了客户指标、销售数据和npm下载量等，团队发现这些查询在形态上具有高度重复性。为了解决每次运行都从零开始缺乏上下文的问题，团队开发了一种机制：通过定期作业将最近的查询提炼为“技能”（Skills）。目前，团队拥有约100种技能，涵盖了从聚合分析到特定数据查询的各种场景。引入Skills文件夹使得智能体在启动时即具备丰富的上下文知识，极大地提高了执行效率。这一技术突破不仅优化了内部流程，还通过一篇博客文章引发了外部关注。该文章详细阐述了这一简单而强大的架构设计，在发布当周贡献了Vercel官网70%的流量。这证明了将复杂工程简化为直观文件结构的市场吸引力，也验证了“技能化”智能体在解决通用问题上的有效性。

从工程实践到Eve框架的标准化演进

随着内部智能体应用的普及，越来越多的工程师开始尝试基于早期原型进行二次开发。团队意识到，如果能让开发者直接从最新的最佳实践出发，而非从零开始 reinvent 原则，将极大降低构建门槛。受Next.js“文件系统即基础设施”理念的启发，团队决定打造专为智能体设计的框架——Eve。正如Next.js通过约定优于配置简化了Web开发，Eve旨在让开发者只需创建Skills、Tools和Channels文件夹并遵循特定约定，框架即可自动构建出完整的智能体应用。Eve的发布标志着Vercel将内部经过验证的智能体构建模式产品化、标准化。开发者可以基于模板快速启动，轻松集成自定义知识、工具以及熟悉的通讯渠道。这一举措不仅解决了内部工程复用的问题，也为整个社区提供了一套可生产级部署的智能体构建标准，实现了从“手工定制”到“框架化开发”的范式转移。

Agent 的运行时架构与开源生态

Vercel 对 Agent（智能体）的定义并非简单的代码堆砌，而是一个包含运行时、通道连接及持久化能力的复杂系统。在底层架构上，Agent 需要在隔离环境中运行以确保安全性，同时具备调用不同模型和建立外部连接的能力。为了兼顾灵活性与易用性，Vercel 构建了 Eve 框架，其核心设计理念是拥抱开源生态。开发者可以灵活接入各种开放标准的适配器，例如 PostgreSQL 数据库、OpenAI 的 Responses API 以及 Docker 容器等连接器。这种设计使得技术团队能够根据具体需求定制底层组件，而不是被锁定在封闭的黑盒中。

"You know, an agent has a runtime and it has channels. And in that runtime, you're going to have durability."

尽管强调开源兼容性，Eve 在部署层面却与 Vercel 的产品线深度集成。通过结合 Vercel Workflows（提供持久化能力）、Sandbox（确保执行环境的安全隔离）以及新发布的 Vercel Connect（简化短期 OIDC 令牌的生成以管理连接），开发者能够极大地降低构建 Agent 的门槛。这种架构不仅保留了开源社区的活力，还利用了 Vercel 多年积累的工程化能力，让 Agent 的部署变得像配置 Web 应用一样简单。

Eve 的文件结构与实战案例：Aura 的重构之路

从代码结构来看，Eve 的 Agent 实现极其简洁。其文件系统主要由 系统指令（System Instructions）、技能定义（Skills） 和 工具集（Tools） 组成。这种扁平化的结构使得 Agent 的组装变得非常直观，开发者可以轻松地将不同的模块组合成一个功能完备的智能体，并快速进行迭代。在正式向公众发布前的两周，Vercel 曾在伦敦活动中邀请少数 Beta 测试用户进行体验。其中，合作伙伴 Aura 利用 Eve 重构了其内部的一个类似 "Mini Claw" 的测试 Agent。该 Agent 能够自动访问网站、安装软件并尝试使用，以评估第三方服务的质量。

相比直接使用现成的云服务（off-the-shelf cloud code），Aura 团队发现使用 Eve 从底层构建自己的 Agent 带来了显著优势。他们报告称，这一过程所需的步骤更少，测试成功率更高，且能提供更深入的洞察数据。这证明了通过 Eve 框架定制化的 Agent 在特定垂直场景下，比通用方案具有更高的效率和准确性。Eve 的简洁性不仅体现在代码量上，更体现在其快速验证和迭代业务逻辑的能力上。

可观测性与企业级 Agent 的构建哲学

当 Eve 部署在 Vercel 上时，开箱即用的可观测性（Observability） 成为了另一大亮点。开发者可以清晰地看到每一次 Agent 的运行记录、所有的工具调用细节以及每一步的执行状态。此外，系统还能提供 预估成本分析 和潜在的优化建议，这对于控制企业级应用的成本至关重要。目前开发者可以通过 eve.dev 获取框架，克隆模板后即可快速启动、部署或选择自托管。

Andrew Qu 强调，真正优秀的 Agent 并非来自通用的现成方案，而是源于 深厚的公司特定知识（Company Specific Knowledge）。Vercel 曾测试过许多专注于垂直领域（如直接操作 Snowflake）的初创公司产品，但发现这些通用 Agent 往往缺乏对业务逻辑深层关联的理解。例如，Vercel 作为 Web 公司，其客户拥有复杂的网站属性链接关系，只有内置了这些特定知识的 Agent 才能精准决定何时查询什么数据。因此，构建拥有丰富内部知识的企业专属 Agent 才是释放最大价值的途径。

Vercel 内部的实践与未来展望

Vercel 自身就是 Eve 框架的忠实用户，内部已部署了约 20 个 具备产品市场契合度（PMF）的 Agent，覆盖了从 营销复盘、法律合同红线审查 到 数据科学查询辅助 等多个领域。这些 Agent 极大地提升了团队效率，特别是让数据团队从繁琐的查询编写中解放出来，转而专注于 提升 Snowflake 性能、添加新数据源以及填补之前的能力空白。

"I think if you really want to get the most juice out of a squeeze, you should really try to build your own agent and add in as much company specific knowledge as can."

这种效率提升不仅限于技术部门，Andrew Qu 认为 HR、财务和销售 等职能领域同样可以通过 Agent 实现自动化，从而消除重复性劳动或优化耗时流程。对于不同规模的企业而言，现在正是利用 Eve 等工具构建定制化 Agent、实现业务流程自动化的最佳时机。通过深度整合企业私有知识，Agent 将从简单的工具演变为真正提升核心竞争力的智能助手。

结论

Vercel通过内部实践验证了企业级智能体构建的核心范式：摒弃复杂的多代理链式架构，转向基于文件系统交互的单一超级智能体。该方案利用沙盒环境与Skills机制注入公司特定知识，显著提升了执行效率与准确率，并实现了评估得分翻倍。Eve框架将这一经过验证的模式标准化、开源化，降低了开发门槛。

优势在于深度整合私有数据带来的高准确性与可观测性；短板是通用方案缺乏业务逻辑理解，且新场景映射曾面临扩展性挑战。适用条件为需处理重复性高、依赖内部上下文的企业任务，如数据查询与合规审查。尚未证明其在完全未知场景下的泛化能力，但内部20个Agent的落地证实了其在垂直领域的生产力价值。