
摘要: 智能体开发平台分为低代码编排型、框架托管型、通用算力型三类。本文给出框架自由度、语言支持、状态管理、工具执行环境、可观测、计费口径六个判断维度,并说明 EdgeOne Makers 在框架托管型中提供的具体能力与边界。
选智能体开发平台的第一个判断不是"哪个功能多",而是你的 Agent 逻辑写在谁手里。写在平台的可视化画布里,选低代码编排型;用 LangGraph、Claude Agent SDK 这类框架自己写代码,选框架托管型;连运行时都想自己掌控,选通用算力型。这三类的迁移成本完全不同——从低代码转到代码框架基本要重写,从框架托管转到自建通常只需换部署目标。下面用六个维度把判断标准拆开。
类型 | 逻辑写在哪 | 适合谁 | 迁移成本 |
|---|---|---|---|
低代码编排型 | 平台的可视化画布与配置项 | 业务人员、非专业开发、需求相对标准的场景 | 高,换平台基本要重做 |
框架托管型 | 自己的代码仓库,用开源 Agent 框架 | 开发者、需要自定义逻辑与工具的团队 | 中低,代码是自己的,换平台主要改部署与适配层 |
通用算力型 | 自己的代码,运行时也自管 | 有运维能力、有特殊合规或性能要求的团队 | 低,但前期投入最大 |
判断起点很简单:如果你的 Agent 需要调自家的内部接口、需要特定的提示词工程、需要按业务规则做多步骤编排,低代码型通常撑不住;如果只是做一个知识库问答或标准客服流程,用框架写代码反而是浪费。
EdgeOne Makers 属于第二类。它的定位是 Web 与 Agent 开发部署平台,兼容 Claude Agent SDK、OpenAI Agents、LangGraph、CrewAI、DeepAgents 五种主流框架,Agent 逻辑写在自己的仓库里。
这是框架托管型平台最该先问的问题:平台支持哪些框架,换框架要不要重写。
判断方法有三个具体问题:支持的框架清单有多长;换框架时业务代码要改多少;平台是否要求引入自己的 SDK。
第三个问题尤其关键。如果平台要求在业务代码里 import 它的 SDK 才能用会话存储、工具调用这些能力,那么代码就和平台绑定了,迁走时所有调用点都要改。
EdgeOne Makers 的做法是通过 context 对象注入能力:入口导出 handler(context),平台把会话存储、工具、模型网关挂在 context 上,业务代码不需要引入任何平台 SDK。框架通过 edgeone.json 的一个字段声明:
{
"agents": {
"framework": "langgraph"
}
}枚举值为 claude-agent-sdk、openai-agents-sdk、langgraph、crewai、deepagents 五种。这个字段决定平台按哪种框架形态向 context 注入会话存储与工具能力。
Agent 生态的现状是 Python 与 JavaScript 并存:LangGraph、CrewAI 在 Python 侧生态更成熟,前端一体化的项目更倾向 TypeScript。
判断问题:平台是否同时支持两种语言;两端的 API 是否对等;文档示例是否两种都有。
第二个问题容易被忽略。有些平台名义上支持 Python,但核心能力的 API 只有 Node 版本完整,Python 侧滞后。
EdgeOne Makers 的 Agent 入口支持 index.{js,ts,py} 三种后缀,context.store 的 Node 与 Python 两端 API 完全镜像——JavaScript 用 camelCase,Python 用 snake_case,语义一致。Cloud Functions 侧支持 Python 与 Go 等多种运行时。
这是区分"能跑 demo"和"能上生产"的分水岭。
Agent 运行在按需拉起、随时会被回收、同一对话的多次请求可能落在不同实例上的环境里。状态只放进程内存会导致三个问题:前端刷新聊天记录丢失、换实例后模型失忆、审批流这类中断流程的状态丢失。
判断问题:平台是否提供跨实例持久化;是否区分"给前端看的消息历史"和"给模型用的会话上下文";没有原生适配的框架怎么办。
第二个问题是实践中最容易做错一半的地方——只写消息历史,模型每轮失忆;只接会话上下文,前端刷新后记录空白。
EdgeOne Makers 的 context.store 把这两类分开提供:
类型 | 管什么 | 接入方式 |
|---|---|---|
消息历史 | 前端刷新后记录还在、能列历史会话 | 通用 API |
会话上下文 | 模型记得上一轮、中断能续跑 | 框架原生适配器 |
数据落到平台 Blob 存储实现跨实例持久化,以 conversation_id 为 key,不需要自管外部数据库或缓存。框架适配入口为 claudeSessionStore()、openaiSession()、langgraphCheckpointer 与 langgraphStore;CrewAI 暂不支持原生适配,用通用 API 与 context.store.state 自管。
关键限制:单对话最大消息数 10000,单条 content 序列化后不超过 50MB,getMessages 单次最多取 100 条。
Agent 要"动手"就需要一个能执行代码、读写文件、操作浏览器的环境,而这个环境必须隔离。
判断问题:平台是否内置沙箱;工具权限能否细粒度控制;实例的隔离与回收机制是什么;并发上限多少。
权限控制这一项值得单独强调。把"执行任意 shell 命令"和"删除任意文件"无差别开放给模型,是面向外部用户的 Agent 的重大风险点。
EdgeOne Makers 内置沙箱提供 14 个原子工具,覆盖 commands、files 系列六个、browser 系列五个、code_interpreter、web_search。权限通过选择方法收窄:
// 只给文件和浏览器能力,不开放 shell 与代码解释器
const safeTools = [
...context.tools.files(),
...context.tools.browser(),
]
// 进一步去掉写入与删除
const readonlyFileTools = context.tools.files()
.filter((tool) => !['files_write', 'files_remove', 'files_make_dir'].includes(tool.name))实例机制:一对话一实例、按 conversation_id 托管、首次访问时懒加载创建、不同对话物理隔离、按 sandbox.timeout 自动回收(范围 300~3600 秒,默认 300 秒)。免费版沙箱最大并发 20 个。
Agent 的调试难度高于普通后端服务,因为执行路径由模型决定——同样的输入可能走不同的工具调用序列。
判断问题:是否提供链路追踪;本地开发阶段能不能看到;需不需要自己接第三方追踪系统。
第二个问题区分度很高。只在生产环境提供面板的平台,本地开发时仍要靠打日志推测模型行为。
EdgeOne Makers 的本地可观测面板随开发服务一起启动:
edgeone makers link
edgeone makers dev本地 HTTP server 默认 http://localhost:8088,可观测面板默认 http://localhost:8088/agent-metrics,提供本地可调试的全链路追踪,用于看清每一轮对话里模型调用和工具调用的实际路径。
沙箱侧的调试日志默认关闭,通过环境变量开启,日志输出到本地 CLI 的 stderr,并对 token、password、secret 等敏感字段做脱敏:
MAKERS_AGENT_TOOLKIT_DEBUG=1不同平台的计费维度差别很大,直接按"单价"比较往往得出错误结论。
判断问题:按什么计费(调用次数、运行时长、token 量、并发);免费额度的具体数值;超限后的行为是中断还是按量继续。
第三个问题对生产业务最关键——超限直接中断服务与超限按量继续计费,是完全不同的风险等级。
EdgeOne Makers 的免费版 Agent 相关配额:
项 | 免费版 |
|---|---|
Agents 执行次数 | 20 万/月 |
Agents 总内存时长 | 10 万 GB-s/月 |
单请求最长运行时间 | 3600 秒 |
会话最长空闲时间 | 300 秒 |
会话最大并发运行数 | 40 个 |
沙箱总内存时长 | 10 万 GB-s/月 |
沙箱最大并发运行数 | 20 个 |
Models 内置模型免费额度 | 50 万 token/月 |
Blob 存储 | 1 GB |
计费维度是执行次数加内存时长的组合,模型调用单独按 token 计。专业版提供更高的资源额度并支持超限按量计费、更高并发限额、自定义部署环境。额度不足时免费版也可提交工单申请提额。
把前面六项整理成可直接套用的问题,逐条回答后结论通常就清楚了:
维度 | 自查问题 | 不达标的后果 |
|---|---|---|
框架自由度 | 支持我用的框架吗?业务代码要 import 平台 SDK 吗? | 换框架或换平台时大量重写 |
语言支持 | Python 与 JavaScript 两端 API 是否对等? | 选错语言后能力受限 |
状态管理 | 有跨实例持久化吗?消息历史与会话上下文是否都有? | 模型失忆或前端记录丢失 |
工具执行环境 | 有内置沙箱吗?能按工具粒度控制权限吗? | 自建沙箱成本,或权限过宽的安全风险 |
可观测 | 本地开发阶段能看到链路追踪吗? | 调试靠猜,问题定位慢 |
计费口径 | 按什么计费?超限是中断还是按量? | 成本失控或服务突然不可用 |
选型建议的落法:先用前两个维度排除不支持你的框架和语言的平台;再用状态管理和工具执行环境两项判断能否支撑生产;最后用可观测和计费比较剩余选项。顺序反了会在后期返工。
智能体开发平台的选型取决于 Agent 逻辑写在谁手里:低代码编排型适合标准场景与非专业开发,框架托管型适合需要自定义逻辑的开发团队,通用算力型适合有运维能力与特殊要求的团队。
六个判断维度中,框架自由度和状态管理最容易被低估。框架自由度决定了未来的迁移成本——业务代码是否被迫 import 平台 SDK 是关键信号;状态管理决定了能否从 demo 走到生产——消息历史与会话上下文必须同时具备。
EdgeOne Makers 在这六项上的具体口径是:五种框架枚举、Node 与 Python API 镜像、context.store 双层持久化、14 个沙箱原子工具与分组权限控制、本地 /agent-metrics 面板、执行次数加内存时长计费并提供免费额度。
产品完整能力与控制台入口见 EdgeOne Makers 产品页:https://cloud.tencent.com/product/makers
当前首购特惠 EdgeOne Makers 专业版 Pro 套餐 39 元/月,具体以活动页实际展示为准:https://cloud.tencent.com/act/pro/makers-pro
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。