ITPub博客

背景一年前，我购入了 Meta Ray-ban 眼镜，Meta 对于眼镜本体的开发及 App 更新很快，但由于没有中文支持和开放的SDK 导致对国内用户非常不友好。2025 年 11 月，Meta 终于放出了 Device Access Toolkit 让社区看到了点意思，前两天逛 GitHub 刷到了名为turbometa-rayban-ai 开源项目，项目作者开发了直连中文 App + 百炼

在构建 Agent 应用时，凭证管理是一个容易被忽视但又极其重要的问题。一个典型的 Agent 应用会面临两个方向的凭证需求：向内，用户如何安全地调用你的 Agent？向外，Agent 如何安全地调用外部服务？传统做法存在诸多问题。硬编码在代码里容易泄露且难以更新，存在配置文件中同样有安全风险，每次都手动传递不仅麻烦还容易出错，让大模型处理凭证更是巨大的安全隐患。更棘手的是，当凭证需要更新时（比如

在 AGI（通用人工智能）爆发的今天，AI 应用如雨后春笋般涌现。对于开发者而言，这既是最好的时代，也是最“贵”的时代。部署 LLM（大语言模型）、Stable Diffusion 等 AI 应用时，我们往往面临一个两难的选择：要速度（预留模式）：为了毫秒级 - 秒级的响应，必须长期通过预留模式持有 GPU 实例，但昂贵的空置成本让人心痛。要省钱（按量模式）：为了节省成本选择按量付费，但 GPU

阿里云函数计算 AgentRun 全新发布后，我们整理了“探秘 AgentRun”系列文章，本系列将梳理企业落地 Agent 常见难题，给出具体解法，助力 Agentic AI 快速走进生产级环境。欢迎加入“函数计算 AgentRun 客户群”与我们交流，钉钉群号：134570017218。AI Agent 时代的沙箱需求从 Copilot 到 Agent：执行能力的质变在生成式 AI 的早期阶段

前言在 Agentic AI 时代,智能体需要与真实世界交互,而浏览器是连接虚拟世界与现实世界的重要桥梁。AgentRun Browser Sandbox 为智能体提供了安全、高性能、免运维的浏览器执行环境,让 AI Agent 真正具备"上网"的能力——从网页抓取、信息提取到表单填写、自动化操作,一切皆可实现。AgentRun Browser Sandbox 介绍什么是 Br

阿里云函数计算 AgentRun 全新发布后，我们整理了“探秘 AgentRun”系列文章，本系列将梳理企业落地Agent 常见难题，给出具体解法，助力 Agentic AI 快速走进生产级环境。欢迎加入“函数计算 AgentRun 客户群”与我们交流，钉钉群号：134570017218_。当你已经用 LangChain、AgentScope、LangGraph 等框架开发了 Agent 应用，如

舆情分析是企业感知市场脉搏、预警公关危机的“听诊器”，然而传统的舆情分析系统更像是一个个“手工作坊”，面临数据收集效率低、分析深度不够、实时性差等问题，经常反馈之后，等企业拿到报告时，舆论热点早已转移，错过最佳时间。这些挑战，正是所有舆情系统开发者共同的痛点。本方案将基于真实的代码实现，向您介绍如何使用函数计算 AgentRun 平台，构建一个现代化的“舆情分析专家”，该系统不仅实现了从数据采集到

阿里云函数计算 AgentRun 全新发布后，我们整理了“探秘 AgentRun”系列文章，本系列将梳理企业落地 Agent 常见难题，给出具体解法，助力 Agentic AI 快速走进生产级环境。欢迎加入“函数计算 AgentRun 客户群”与我们交流，钉钉群号：134570017218。在《通过无代码创建的 Agent，如何用高代码进行更新？》文章中，我们提到过一个真实用户的痛点："

阿里云函数计算 AgentRun 全新发布后，我们整理了“探秘 AgentRun”系列文章，本系列将梳理企业落地Agent 常见难题，给出具体解法，助力 Agentic AI 快速走进生产级环境。当我们谈论 AI Agent 的开发时，常常面临一个两难的选择：低代码平台上手快但缺乏灵活性，一旦需求复杂就束手无策；高代码开发虽然灵活但门槛高，业务人员无法参与，验证周期长。 能否鱼与熊掌兼得？函数计算

AI Agent 正从技术概念快步走向生产应用。但是，开发者和企业从“原型”到“产品”的每一步，都充满了基础设施的挑战。要跨越这道鸿沟，需要的不仅仅是更聪明的模型，而是能全面解决这些问题的基础设施平台。12 月 10 日，阿里云函数计算 AgentRun 正式发布。这是一款以全球领先的函数计算 FC 为技术底座的一站式 Agentic AI 基础设施平台。它将 Serverless 的弹性、零运维

精选文章算力成本降低 33%，与光同尘用 Serverless AI 赋能影视商业内容生产ModelScope 模型一键上线？FunModel 帮你 5 分钟从零到生产助力企业构建 AI 原生应用，函数计算 FunctionAI 重塑模型服务与 Agent 全栈生态【本不该故障系列】从 runC 到 runD：SAE 如何化解安全泄露风险从代码到生产推理服务：DevPod 全流程部署 DeepSe

作为一个 AI 开发者，你一定经历过这样的绝望时刻： 兴致勃勃地下载了最新的 Qwen2-VL 权重，准备用自己的垂直领域数据跑一次 SFT（监督微调）。然而，现实却是残酷的——RuntimeError: CUDA out of memory —— 显存不够，模型加载失败。Driver/Library version mismatch —— 驱动版本不对，环境配置陷入死循环。看

在 AI Agent 应用加速落地的今天，开发者和企业普遍面临三大核心痛点：部署成本高、运维复杂度高、资源利用率低。为应对这些挑战，AI Agent 与云原生、Serverless 架构的深度融合正成为行业新趋势。我们很高兴地宣布，AgentScope 正式集成基于阿里云函数计算（Function Compute, FC）的全新 Serverless 运行时，为多智能体应用提供“按需启动、毫秒弹性

对于大多数客户而言，使用 Serverless 容器服务时最核心的顾虑始终是安全性与租户隔离能力。确实，并非只要采用了容器技术、实现了资源共享，就天然具备稳定可靠的安全保障。容器本身只是隔离手段之一，其安全边界高度依赖底层运行时模型。在非阿里云 SAE 的环境中，客户在使用基于 runC 的「共享资源的产品」「且没有使用安全容器的」的容器产品时，就曾因共享内核架构的固有局限而遭遇严重故障。以下真实

作者：娜米资源刚性的交付，不是云上天生就具备的能力。当选择自建或自管理一个 Kubernetes/ECS 资源池时，就必须直面一个残酷的现实：所依赖的底层 IaaS 资源本身就是非刚性的。阿里云上 ECS 有多代实例规格（如 g6、c7i、r8y 等），基于 Intel、AMD 及自研倚天 ARM 芯片，但这并不保证在任何时刻、任何地域、任何可用区，所需要的那款机型就一定有库存。这种底层资源的“不

开发调试到生产上线，全流程仅需一个工作区——DevPod 重新定义 AI 工程化标准，当开发与部署不再割裂，模型价值才真正释放。简介告别碎片化开发体验，DevPod 打造从代码到服务的一站式闭环。本文手把手演示在函数计算 Funmodel 上完成 DeepSeek-OCR 模型从云端开发、本地调试到生产部署的完整工作流，让模型真正走出实验室，实现分钟级服务化，重塑 AI 模型从开发到落地的高效路径

本文整理自 2025 云栖大会，阿里云智能集团产品专家，刘宇演讲议题《函数计算发布 FunctionAl:serverless Al 原生应用基础设施》在 AI 技术应用落地进程中，目前面临着五大核心挑战：开发/学习门槛过高，部署运维阶段复杂，AI 应用安全备受挑战，生态能力方面存在严重的割裂与锁定现象，同时资源成本高昂且利用率低下。这些挑战极大地阻碍了 AI 技术的广泛普及以及应用效率的有效提升

下一个 AI 爆款应用，或许就从您点击"立即部署"的那一刻开始！一、前言：AI 浪潮下的模型诉求在当今这个全民 AI 的时代，快速入门 AI，赶上时代的浪潮，成为了大家当下最热切的追求和期盼。于是，模型作为 AI 场景的载体，随着 AI 技术的不断发展，在持续的，如雨后春笋般出现在大家的视野中，可谓是种类繁杂，功能齐全，从不同方面满足大家对 AI 的需求。例如在 AI 聊天场景

作者：赵世振、郑健源、陈涛、孔德慧一、十年积淀，AI 破局：与光同尘的转型之路与光同尘成立于 2015 年，最初是一家专注于品牌商业广告制作的传统影视公司，服务客户包括阿里巴巴等头部品牌。在 AI 技术尚未普及的年代，公司依赖“实拍 + 后期”两种模式完成影像内容生产，一个百万级项目动辄耗时 2-3 个月，70% 以上的成本用于拍摄与制作，利润率仅 10% 出头。转折点出现在 2023 年。公司

60 秒启动开发环境，即刻运行前沿 OCR 模型——DevPod 正在重塑 AI 开发工作流, 当环境不再是障碍，创新才真正开始一、痛点剖析：传统 AI 开发为何举步维艰？随着大模型技术的迅猛发展，AI 应用开发正加速从传统软件工程范式向 AI 原生架构 演进。在这一浪潮中，OCR（光学字符识别） 作为连接视觉世界与数字文本的关键桥梁，其战略价值日益凸显——无论是文档