Cloudflare 近日宣布扩展其智能体云平台(Agent Cloud),推出一系列全新功能,旨在帮助开发者构建、部署和扩展 AI 智能体。
此次发布涵盖基础设施、安全及开发者工具套件,目标是将 AI 智能体从本地笔记本电脑上的实验性演示,推进为可在 Cloudflare 全球网络上稳定运行的生产级工作负载。
随着行业加速向编程智能体和自主工具转型——这些工具能够读取上下文、进行推理并执行多步骤操作——现有基础设施已难以应对每位用户和员工同时运行数十个个人智能体的场景。Cloudflare 致力于在基础设施、算力、部署和安全层面提供全面支撑,让开发者专注于构建下一代应用程序。
Cloudflare 联合创始人兼首席执行官 Matthew Prince 表示:"软件的构建方式正在发生根本性变革。我们正在进入一个由智能体负责编写和执行代码的时代。但智能体需要一个默认安全、能够瞬间扩展至数百万规模、并可跨长时任务持续运行的'家园'。我们花了九年时间通过 Cloudflare Workers 打下这一基础。如今,我们正将 Cloudflare 打造为智能体网络时代的权威平台。"
Cloudflare 还强调了对主流 AI 模型的支持,包括 OpenAI 的相关模型,该平台支持以 GPT-5.4 和 Codex 为驱动的企业级智能体大规模运行。
Dynamic Workers 是此次新功能的重头戏,它是一种基于隔离机制的运行时环境,专为在安全沙盒中运行 AI 生成代码而设计,速度和效率均优于传统容器。当智能体需要执行代码片段以调用应用程序接口、转换数据或串联工具调用时,Dynamic Workers 可在毫秒级时间内完成启动。
Dynamic Workers 的另一大亮点在于成本优势。Cloudflare 表示,对于绝大多数智能体任务,该功能提供的安全隔离速度是容器的 100 倍,成本仅为容器的一小部分,且支持数百万并发执行,无需预热。
第二项新功能 Artifacts 是专为智能体优先时代打造的 Git 兼容存储原语。它允许开发者创建数千万个代码仓库、从任意远程源进行分叉,并为智能体提供可通过任何标准 Git 客户端访问的代码与数据永久存储空间。
Sandboxes 则为智能体提供了在需要时访问完整操作系统的能力。该功能提供持久化、隔离的 Linux 环境,内含 Shell、文件系统和后台进程,智能体可在其中克隆代码仓库、安装 Python 包、运行构建任务,并像人类开发者一样获得紧密的反馈循环。
Think 是智能体软件开发工具包(SDK)中的一个框架,专为持久化场景设计,支持开发者构建能够处理长时运行、多步骤任务的智能体,而不仅限于响应单次提示。
最后一项新功能源自 Cloudflare 对 AI 部署初创公司 Replicate Inc. 的收购。Cloudflare 借此推出了扩展版 AI 模型目录,开发者可通过仪表盘从多种前沿专有模型(包括 OpenAI 的 GPT-5.4 等)和开源模型中自由选择。切换模型提供商只需修改一行代码,无需管理多个供应商。
Q&A
Q1:Cloudflare 的 Dynamic Workers 和传统容器相比有什么优势?
A:Dynamic Workers 是一种基于隔离机制的运行时环境,专为在安全沙盒中运行 AI 生成代码设计。与传统容器相比,它的启动速度可在毫秒级完成,安全隔离速度是容器的 100 倍,成本仅为容器的一小部分,并且支持数百万并发执行,无需预热。适合智能体需要快速执行代码片段、调用接口或串联工具调用的场景。
Q2:Cloudflare 的 Artifacts 功能是做什么用的?
A:Artifacts 是一种 Git 兼容的存储原语,专为智能体优先时代设计。它允许开发者创建数千万个代码仓库,支持从任意远程源进行分叉,并为智能体提供可通过任何标准 Git 客户端访问的代码与数据的永久存储空间,解决了智能体在长期任务中对持久化数据存储的需求。
Q3:Cloudflare 扩展版 AI 模型目录支持哪些模型?如何切换模型?
A:扩展版 AI 模型目录整合了 Cloudflare 收购 Replicate Inc. 后的技术成果,支持包括 OpenAI GPT-5.4 在内的多种前沿专有模型,同时也提供开源模型选项,开发者可通过仪表盘进行管理。切换模型提供商非常便捷,只需修改一行代码即可完成,无需单独管理多个供应商。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。