无需维护服务器，用函数计算AgentRun搭建生产级AI Agent

前言

去年底接了个活儿：给公司内部运营团队搭一个智能助手，能查数据、调 API、还得支持多轮对话。当时第一反应是，老规矩，搞一台 ECS，跑 FastAPI + LangChain，Redis 存状态，看起来稳得很。

但真维护起来，那叫一个头疼。模型调用时不时超时、流量上来要手动改配置扩容、冷不丁来个 OOM 还得 SSH 上去翻日志——这些跟业务逻辑八竿子打不着的事，愣是占了大把时间。

后来换到了阿里云的 AgentRun 平台，算是把运维这摊子事儿基本甩干净了。这篇文章就聊聊这次的搭建过程，顺便掰扯掰扯 Serverless 架构跑 AI Agent 到底有哪些实实在在的好处，又有哪些坑需要绕着走。

什么是 AgentRun，和自己部署有什么区别

简单讲，AgentRun 本质上就是基于函数计算（FC）搭建的 AI Agent 托管平台。它把百炼大模型服务、文件存储 NAS 之类的整合到一起，把 Agent 从部署、调用到扩缩容的整条链路都给打通了。

跟自己搬服务器部署相比，核心差异体现在这几个方面：

维度	自托管方案	AgentRun
冷启动	无（服务常驻）	有，首次调用约 1-3s
扩缩容	手动或自定义 HPA	自动，按请求量弹性
运维成本	需要监控、重启、日志管理	无，平台负责
状态持久化	自建 Redis/DB	内置 NAS 挂载方案
计费方式	包年包月（服务器）	按调用量计费

对于调用量忽高忽低的内部工具型 Agent，比如白天忙得要命、晚上几乎没流量的那种，Serverless 这种按调用量计费的模式，优势一下子就出来了。

实操：3 分钟用模板跑起来第一个 Agent

平台给了几个开箱即用的模板，我挑了个「舆情分析专家」模板跑了个 Demo，先验证一下可行性。

操作步骤：

第一步：开通服务

去开通函数计算 FC + 百炼套餐。新用户通常有算力补贴，能省一笔测试费用。

第二步：进控制台，选模板创建

登录后进函数计算控制台 → AgentRun → 新建 Agent → 选「舆情分析专家」模板。模板里 Prompt、工具调用链、PydanticAI 框架配置都预设好了，直接点创建。

第三步：配置大模型

在 Agent 配置页选百炼提供的模型（我用的是 qwen-max），填上 API Key，保存就行。

第四步：测试对话

在 Agent 详情页直接发起对话测试：

用户：帮我分析一下近期关于"新能源汽车"的舆情走势
Agent：正在检索相关信息...根据近期数据，"新能源汽车"相关舆情整体偏正面，主要热点集中在：
1. 特斯拉降价引发的行业连锁反应（负面，占比约 32%）
2. 比亚迪海外市场拓展进展（正面，占比约 45%）
3. 充电桩基础设施补贴政策（中性偏正面，占比约 23%）
建议关注方向：...

整个过程一行代码没写，3 分钟，搞定。

进阶：高代码模式自定义 Agent 逻辑

模板用来快速验证想法没问题，但真正落地业务，定制化是绕不开的。AgentRun 支持高代码模式，可以直接用 Python 写完整的 Agent 逻辑。

下面这个是最简单的自定义 Agent 框架，基于 PydanticAI：

from pydantic_ai import Agent
from pydantic_ai.models.openai import OpenAIModel
import os

# 配置百炼模型（兼容 OpenAI 接口协议）
model = OpenAIModel(
    model_name="qwen-max",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key=os.environ["DASHSCOPE_API_KEY"]
)

# 定义 Agent
agent = Agent(
    model=model,
    system_prompt="你是一个专业的数据分析助手，帮助用户处理和解读业务数据。"
)

# 注册工具函数
@agent.tool_plain
async def get_sales_data(product: str, days: int) -> str:
    """查询指定产品近 N 天的销售数据"""
    # 实际业务中替换为真实数据查询逻辑
    return f"{product} 近 {days} 天销售额：128,400，同比增长 12.3%"

# 主函数（AgentRun 会自动调用）
async def main(query: str) -> str:
    result = await agent.run(query)
    return result.data

把这代码部署到 AgentRun 后，平台会自动打理好这些事儿：

• HTTP 端点暴露（可以通过域名直接调用）
• 自动扩缩容（突发流量时自动增加实例）
• 日志收集（函数计算日志服务）

调用示例：

curl -X POST https://your-agent-domain.fc.aliyuncs.com/invoke \
-H "Content-Type: application/json" \
-H "Authorization: Bearer YOUR_TOKEN" \
-d '{"query": "帮我分析一下上周的销售情况"}'

有状态 Agent：结合 NAS 持久化对话历史

默认情况下函数实例是无状态的，每次调用上下文独立。如果要做多轮对话，或者需要跨会话记忆，那就得挂载 NAS 存储。

开通 FC + 百炼 + NAS 套餐后，在 Agent 配置里启用文件存储：

import json
import os

MEMORY_DIR = "/mnt/nas/agent-memory"  # NAS 挂载路径

def load_session(session_id: str) -> list:
    """加载会话历史"""
    path = f"{MEMORY_DIR}/{session_id}.json"
    if os.path.exists(path):
        with open(path, "r") as f:
            return json.load(f)
    return []

def save_session(session_id: str, history: list):
    """保存会话历史"""
    os.makedirs(MEMORY_DIR, exist_ok=True)
    path = f"{MEMORY_DIR}/{session_id}.json"
    with open(path, "w") as f:
        json.dump(history, f, ensure_ascii=False)

这样一来，跨实例的状态持久化就实现了，多轮对话场景下的用户体验提升非常明显。

踩坑记录

坑 1：冷启动导致第一次响应慢

Serverless 的通病。函数实例在一段时间没请求后会被回收，下次调用就得重新拉起。

解法：在 FC 控制台配置「预留实例数 = 1」，保持至少一个实例常驻。牺牲一点费用，换来冷启动问题彻底解决。对于关键的生产 Agent，这笔钱花得值。

坑 2：大模型返回超时

默认函数超时时间是 60 秒，但复杂的 Agent 调用链，比如多工具串联，很可能超时。

解法：在函数配置里把超时时间调到 300 秒，同时在代码里加好错误处理和重试逻辑。

坑 3：NAS 首次挂载延迟

NAS 首次挂载时，会有个约 2-3 秒的额外延迟。

解法：提前在函数初始化阶段做一次轻量级的 NAS 预热读取，后续调用就不会有明显延迟了。

成本粗估

以一个日均 500 次调用的内部工具 Agent 为例，每次调用大概 2000 token：

• 函数计算调用费：约 3-5/月
• 百炼 qwen-max token 费用：约 30-50/月
• NAS 存储费（10GB）：约 2/月

合计大约 35-57/月，比一台入门 ECS 实例（120 /月）便宜一大截，还完全省掉了运维的麻烦。

总结

用 AgentRun 搭生产级 AI Agent，最大的收获其实不是省了多少钱，而是把最宝贵的时间还给了业务逻辑本身。运维那些破事交给平台，自己只需要关心 Agent 的行为是不是符合预期。

适合用 AgentRun 的场景：

• 调用量不均匀的内部工具（智能助手、报表分析）
• 快速验证 Agent 想法的原型项目
• 成本敏感、没有专职运维的小团队

不太适合的场景：

• 对延迟极度敏感（小于 100ms 响应要求）且调用量很大的场景，这时候常驻 ECS 可能更合适

如果你也在琢磨搭 AI Agent 这事儿，不妨先用 AgentRun 的模板跑个 Demo 感受一下，测试成本不高。

参考资料