海外 Agent 基础设施正在快速平台化。Vercel、Cloudflare、GitHub 这些开发者平台不只是在接模型而是在补部署、长任务运行、沙箱、观测、模型网关、权限和成本治理。国内现在不缺模型也不缺 Agent 框架缺的是一套足够顺手的工程化底座。很多团队能把 Demo 做出来但一到上线就要自己拼前端托管、后端函数、Agent runtime、沙箱、认证、trace 和模型入口。最近腾讯最新推出的EdgeOne Makers正好可以放在这个背景下看。从官方文档看它把 Agent runtime、沙箱工具、会话存储、调用追踪、模型接入、Serverless Functions、Git 部署和认证方案放到一个平台里更像一套 Agent 应用部署底座。先说结论现在做 Agent Demo 已经不难。一个前端页面一个模型 API一点提示词再加上几个工具调用很快就能跑起来。真正麻烦的是下一步Agent 运行在哪里多轮任务怎么保持会话长任务怎么不被普通请求超时卡住工具执行是不是有沙箱模型 Key 怎么管理调用链路能不能追踪用户能不能直接绕过前端打 Agent APIGit 提交后能不能自动部署模型供应商变了业务代码要不要跟着改这些问题对应到 EdgeOne Makers 官方文档里的几项核心能力能力官方文档里的定位Managed Runtime承载 LLM 调用、Agent loop 编排和业务逻辑并按会话路由、自动扩缩容Sandbox Tool在隔离沙箱里运行浏览器、代码执行、Shell 和文件操作Conversation Storage适配多种 Agent 框架提供会话与消息管理Observability自动收集调用链路支持本地和云端面板查看 trace 数据Built-in Models自动注入模型密钥并提供限时每月免费模型额度这说明 EdgeOne Makers 关注的不是单次模型调用而是 Agent 上线后的运行、工具、状态、观测和权限边界。项目模型EdgeOne Makers 把普通 Web 应用和 Agent 应用放进同一个项目结构。官方文档里写到同一个项目下可以有两类后端运行模式目录运行模式适合场景agents/Session modeLLM 调用、Agent loop、长任务编排cloud-functions/Request mode非 LLM 业务逻辑、数据查询、辅助 APIcloud-functions/是普通 Serverless 请求模型。agents/更适合长任务它会按conversation_id做会话粘性把同一个会话的请求路由到同一个实例复用上下文、缓存和连接。官方文档也写到单次执行最长可配置到 60 分钟适合多轮 Agent loop、重复工具调用和深度研究。这个设计的意义在于Agent 不再是旁路服务。过去很多团队做 AI 应用时会把 Web 前端、普通后端 API、Agent 服务、模型调用层、工具执行服务、任务队列和日志系统拆开。一开始看着灵活后面容易变成运维和权限治理负担。EdgeOne Makers 的思路更像是Web 应用、普通 Functions、Agent Runtime、模型入口和部署流程应该尽量收进同一个平台模型。这和 Vercel、Cloudflare 最近的方向接近开发者平台不再只托管静态页面或函数而是在补齐 AI 应用需要的运行原语。沙箱边界Agent 和 Chatbot 最大的差别之一是 Agent 要执行动作。它可能要打开网页读写文件执行代码运行 Shell分析 CSV、PDF、图片修改项目并返回预览结果。这些动作一旦进入真实环境风险就比普通问答大很多。沙箱不是锦上添花而是基础设施的一层。EdgeOne Makers 官方文档里提到Sandbox Tool 同时提供给 LLM 和开发者使用浏览器、代码执行、Shell、文件操作都运行在隔离沙箱环境里。它的重点不是“Agent 终于会执行命令”而是把工具执行从开发者主机、业务后端和真实生产环境里隔离出来让 Agent 的动作有明确边界。Agent 越能动手越需要沙箱、权限和可观测性。EdgeOne Makers 免费版额度文档里也列了资源边界例如 Agents 每月执行次数、单次请求最长运行时间以及 Sandbox 单实例最大运行时间、默认超时等限制。具体额度未来可能变化但可以看出平台已经把“Agent 长任务”和“沙箱资源管理”当成产品化对象。记忆与追踪普通接口大多是一次请求一次返回。Agent 更像一个循环接收目标调用模型判断下一步执行工具读取结果再次调用模型继续推进或停止。因此Agent 应用要观测的不是一个 HTTP 状态码而是一条任务链路。EdgeOne Makers 的context.store提供会话级对话存储会根据conversation_id关联并支持多种 Agent 框架的消息对象。它的context.tracer则用于手动埋点可以和平台自动采集的 trace 串到同一条链路里。这类能力对生产环境很关键。Agent 出错时团队需要知道它看到了什么、做了什么、为什么继续往下走当时模型看到了什么上下文它调用了哪个工具工具返回了什么哪一步开始偏离目标是否需要重试、回滚或人工介入。Agent 进入平台化以后可观测性要从“看接口耗时和错误率”升级到“看任务过程和动作链路”。API 认证EdgeOne Makers 官方文档单独写了 Agent Authentication。文档明确提到如果没有登录认证任何人都可以直接访问 Agent API可能造成资源滥用也可能绕过前端页面直接请求/agents/*等接口。官方示例方案包括用 Cloud Functions 处理注册、登录、登出和当前用户查询登录后签发 JWTJWT 放到 HttpOnly Cookiemiddleware 在边缘节点提前拦截未认证请求Agent 入口里再做签名校验。这个方案不复杂但很必要。Agent API 被刷不只是流量问题还会消耗模型额度、沙箱资源、工具调用次数甚至可能触发外部系统动作。认证、限流、权限、审计都必须落到真实接口层。模型接入EdgeOne Makers 还有一个 Models 服务。官方文档说它是部署在 EdgeOne 边缘节点上的统一模型接入服务可以通过统一 endpoint 和一个 API Key 调用多个主流模型供应商。它支持的点包括统一 endpoint切模型时主要改model参数兼容 OpenAI SDK、Anthropic SDK、Vercel AI SDK也支持 cURL、fetch 这类 HTTP 调用支持托管供应商 Key调用时只带网关自己的 API Key有内置模型可直接使用适合 Demo 和技术验证支持 SSE 流式输出。官方示例里OpenAI JS SDK 可以这样接importOpenAIfromopenai;constclientnewOpenAI({apiKey:process.env.MAKERS_MODELS_KEY,baseURL:https://ai-gateway.edgeone.link/v1,});constcompletionawaitclient.chat.completions.create({model:makers/deepseek-v4-flash,messages:[{role:user,content:What can you do?}],});这个能力适合平台内应用快速起步。开发者不用一开始就自己写模型适配层也不用把不同供应商的 Key 散落在业务代码里。但这里也要冷静看。和 Vercel AI Gateway、Cloudflare AI Gateway 这类平台能力类似平台内置模型网关的优点是集成顺滑缺点是 Provider 选择和路由策略通常会受平台产品节奏限制。真实团队里模型接入往往比“调用几个主流模型”复杂有公有云模型有海外模型有国内模型有自托管模型有内部私有模型有不同业务线自己的 API Key有按用户、项目、路线、供应商分开的预算和审计有 OpenAI、Anthropic、Gemini 多种协议并存还有供应商故障、额度耗尽、价格变化后的路由切换。这时仅靠某个平台自带的模型入口灵活性可能不够。如果你希望把模型接入层独立出来而不是完全绑定某个部署平台也可以单独使用我的开源AI网关OctaFuse Gatewayhttps://github.com/OctaFuse/octafuse-gateway按照项目 READMEOctaFuse Gateway 是一个开源 AI 网关采用Proxy Admin Core结构提供 OpenAI / Anthropic / Gemini 兼容的推理 Proxy并支持 CloudflareD1或自托管Postgres/MySQL部署。它关注团队和组织内部的模型流量治理包括多协议入口OpenAI、Anthropic、Gemini 兼容接口Provider、模型、Route、Route Group 管理用户和 API Key 管理预算上限和周期重置请求日志、用户审计和可观测性供应商、模型、用户维度的用量分析Cloudflare Worker Pages D1 或 Docker / Node Postgres / MySQL 部署。两者位置不同EdgeOne Makers 更靠近应用部署平台OctaFuse Gateway 更靠近独立模型接入和治理层。如果 Agent 应用就跑在 EdgeOne Makers 里并且内置模型入口已经满足需求直接用平台能力最省事。如果你有跨平台、跨业务线、跨供应商的模型治理需求或者不希望模型路由、预算、审计完全绑定某个部署平台把模型入口单独抽成 OctaFuse 这样的网关会更灵活。Git 部署部署体验上EdgeOne Makers 也很像现代 Web 平台。官方文档写到它支持导入 Git 仓库目前可以集成 GitHub、GitLab、Bitbucket、Gitee 等 Git providers。基本流程是登录控制台绑定 Git 平台选择仓库配置构建命令选择加速区域开始部署后续推送到部署分支时平台自动拉取并部署最新提交。它也支持从模板创建项目。官方文档说基于模板创建项目时会在你的 GitHub 账号下创建一个仓库后续可以 clone 到本地继续开发再通过 push 触发部署。这说明 Agent 应用正在复用 Web 应用过去十年形成的交付路径Git 仓库即项目push 即部署平台负责构建、运行和加速。如果 Agent 应用不能进入标准工程流程就很难被团队长期维护最后容易变成一堆 notebook、脚本、Demo 服务和没人敢动的临时项目。适合场景从当前官方文档看EdgeOne Makers 更适合这些场景场景为什么适合Agent 原型和轻量产品Web、Functions、Agents、模型入口和部署流程放在一起启动成本低多轮对话和长任务 AgentSession mode、会话粘性和较长执行时间更贴近 Agent loop需要工具执行的 AgentSandbox Tool 提供浏览器、代码、Shell、文件操作的隔离环境需要公网访问的 AI 应用官方提供认证方案参考避免 Agent API 裸露小团队快速验证可以少拼一套 runtime、trace、storage、model gateway它不是万能答案。如果团队已有成熟的 Kubernetes、私有云、内部权限系统、统一日志体系和模型网关直接迁移未必合适。如果模型供应商选择、预算核算、审计要求很复杂也可能需要独立 AI Gateway 承接。另外官方文档写到当前免费版额度是目前生效的限制商业版正在规划中后续价格和配额会通过控制台公告更新。所以它更适合先做验证、原型、轻量应用和平台能力评估而不是一开始就假设生产成本已经确定。小结EdgeOne Makers 的价值不在于多提供了一个 Agent 框架而在于它代表了一类平台方向Agent 应用正在被云平台重新包装成一种可部署、可观测、可认证、可运行长任务的应用形态。模型会继续进步Agent 框架也会继续变化但真正决定团队能不能用起来的往往是部署、沙箱、认证、Trace、会话存储、模型入口、预算审计和 Git 交付流程。开发者看这类平台时不必只问“它支持哪个模型”更应该问这些问题我的 Agent 怎么上线长任务怎么跑工具执行在哪里隔离出错时能不能回放过程未登录用户能不能直接打接口模型接入是否被平台锁死后续是否需要独立 AI Gateway 做治理Agent 进入生产以后比拼的不只是模型效果而是谁能把运行、权限、成本和观测这些工程问题收拾干净。资料来源Makers Agents 官方文档https://pages.edgeone.ai/document/agentsMakers Models 官方文档https://pages.edgeone.ai/document/modelsGit 仓库导入部署文档https://pages.edgeone.ai/document/importing-a-git-repositoryAgent Authentication 官方文档https://pages.edgeone.ai/document/agents-authentication免费版额度限制https://pages.edgeone.ai/document/limits-and-quotasOctaFuse Gatewayhttps://github.com/OctaFuse/octafuse-gateway