KeyFrame內部研究專用

Agent版Next.js来了?文件系统即Agent!拆解 eve

Why QQ·6月21日週日·11 min中文

三句話摘要

EVE 是 Vercel 推出的開源 Agent 框架,以「文件系統優先」的設計徹底簡化企業級 Agent 的工程化問題。 --- EVE 用「文件系統優先」的簡潔設計將企業級 Agent 的工程化問題內建框架,讓開發者從手搓基建中解放出來,專注業務邏輯本身。 文件系統優先的架構設計

重點整理

重點
  • 1

    文件系統優先的架構設計

  • 2

    Agent 不再需要複雜註冊代碼。agent.ts 定義模型、instructions.md 是系統提示詞、tools 目錄下新增 TypeScript 文件自動成為工具、skills 目錄下的 Markdown 自動被加載。這種約定優於配置的方式大幅降低認知負擔,新人看目錄結構就能理解 Agent 的全貌。

  • 3

    內建生產級基建解決狀態管理難題

  • 4

    EVE 集成 Workflow SDK,將每一步操作進行 checkpoint 記錄。崩潰或部署後可從已確認步驟繼續,無需重跑。涉及外部 API 調用時支持人工暫停,既保證數據一致性又節省計算資源——這是傳統框架最頭疼的問題。

  • 5

    多層次安全隔離與人工審批

  • 6

    AI 生成的代碼(含執行命令、腳本、文件操作)運行在獨立沙箱中,开发者定义的 tools 可通過 ctx.getSandbox 進行受控調用。支持 Vercel Sandbox、Docker、Bash 等多個後端。在 tool 定義中加一行 `needsApproval` 即可實現審批流,比如超過 50GB 的查詢自動暫停待核准。

  • 7

    一份代碼多渠道運行的真正可達成

  • 8

    channels 目錄下加 slack.ts、discord.ts 即可接入對應平台,核心邏輯無需修改。同一 Agent 既能在 Slack 對話、通過 API 被調用、也能按定時任務運行(schedules 目錄用 Cron 表達式定義)。

  • 9

    --

實用技巧與重點

乾貨
  • 框架核心組件:
  • agent.ts — 模型配置
  • instructions.md — 系統提示詞
  • tools/ — 工具定義(TypeScript,用 Zod 定義 schema)
  • skills/ — Markdown 知識庫,模型自動加載
  • channels/ — 平台集成(slack.ts、discord.ts、webchat.ts 等)
  • schedules/ — 定時任務(Cron 表達式)
  • sandbox 後端 — Vercel Sandbox、Docker Micro Sandbox、Bash
  • 沙箱設計:
  • AI 生成的代碼執行環境隔離
  • 开发者 tools 運行在應用層,可通過 `ctx.getSandbox` 調用沙箱
  • Vercel 內部驗證:
  • 運行 100+ 生產級 Agent
  • 數據分析 Agent:月處理 3 萬+ 分析請求
  • 銷售線索 Agent、內容創意 Agent、支持 Agent 等已上線
  • 當前狀態:
  • Public Preview 階段
  • Apache 2.0 開源
  • GA 前 API 文檔和行為可能變化
  • --

結論

結論

EVE 用「文件系統優先」的簡潔設計將企業級 Agent 的工程化問題內建框架,讓開發者從手搓基建中解放出來,專注業務邏輯本身。

完整解析

詳細

過去一年中,任何寫過 Agent 的開發者都體驗過同樣的痛點:Demo 很簡單,但上生產環境就成了噩夢。你必須自己搞定持久化(Agent 可能運行好幾天,網路斷線怎麼辦?狀態和對話歷史丟了嗎?),自己做代碼隔離(AI 生成的代碼不能直接跑生產服務器,誰想看 Agent 自作聰明執行 `rm -rf`?),自己接入各種通訊渠道(Slack、釘釘、企業內部系統),甚至還要自己寫審批流防止 Agent 刪除生產數據庫。這些脫水工作與 Agent 核心業務邏輯毫無關係,卻吞掉了開發時間的 80%。

EVE 的核心洞察來自一個簡單的類比:在 Next.js 之前,Web 開發就是這樣的——每個團隊重複造輪子,各自實現路由、打包、狀態管理。Vercel 通過將目錄結構轉化為路由徹底改變了遊戲規則。EVE 做的是同樣的事,只是把目錄變成了 Agent。

在 EVE 中,一個目錄就是一個完整的 Agent。在 tools 目錄下建一個 `run_sql.ts` 文件,用 Zod 定義輸入 schema,EVE 構建時自動發現並暴露給模型,模型可以直接調用——零註冊代碼。skills 目錄下的 Markdown 文件(比如「收入是扣除退款後的金額,按週一為起點統計」)會被模型在需要時自動加載,確保回答符合公司業務定義。

最殺手的功能是內建的生產級基建。EVE 集成了 Workflow SDK,這意味著每一步操作都被 checkpoint 記錄下來。已完成的步驟不會重跑,崩潰後從中斷點繼續。涉及長期運行的任務時,系統可以在遇到人工審批或等待後續消息時暫停,不消耗計算資源。想像你的 Agent 在執行複雜數據分析:先查詢數據庫、再調用外部 API、最後生成報告。傳統框架中如果第二步網路斷線,整個任務要重來;EVE 中,第一步已被記錄,恢復後直接從第二步開始。

安全方面,EVE 將 AI 生成的代碼(包括 Shell 命令、腳本、文件操作)隔離在沙箱中,而開發者定義的 tools 運行在應用層,可通過受控的 API 調用沙箱。支持 Vercel Sandbox、Docker Micro Sandbox 等多個後端,讓你既能靈活調用業務系統,又能隔離不可信代碼。人工審批也簡單到離譜:tool 定義中加一行 `needsApproval`,比如發現查詢超過 50GB,Agent 自動停下來等你批准。

多渠道分發同樣簡潔。channels 目錄下加 `slack.ts` 就接入 Slack,加 `discord.ts` 就接入 Discord,核心邏輯完全不用改。schedules 目錄用 Cron 表達式定義定時任務。同一份代碼既能在 Slack 回答問題、被其他系統通過 API 調用、也能每週自動生成報告。

---

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。