探秘 AgentRun丨為什麼應該把 LangChain 等框架部署到函數計算 AgentRun 詳情 - Server,企業級,bash,雲原生,雲計算 u_14902238 博客

阿里雲函數計算 AgentRun 全新發布後，我們整理了“探秘 AgentRun”系列文章，本系列將梳理企業落地Agent 常見難題，給出具體解法，助力 Agentic AI 快速走進生產級環境。歡迎加入“函數計算 AgentRun 客户羣”與我們交流，釘釘羣號：134570017218。

當你已經用 LangChain、AgentScope、LangGraph 等框架開發了 Agent 應用，如何讓它們享受函數計算 AgentRun 提供的 Serverless 運行時、企業級 Sandbox、模型高可用、全鏈路可觀測 等能力？好消息是，你幾乎不需要改動現有代碼，只需要簡單的適配就可以遷移到函數計算 AgentRun。

這篇文章將通過真實的代碼示例，展示如何將不同框架的 Agent 應用部署到函數計算 AgentRun 上，以及如何充分利用函數計算 AgentRun 的各種能力。

為什麼要部署到函數計算 AgentRun？

在討論具體的集成方案前，讓我們先明確一個問題：如果你的 Agent 應用已經在本地或自建服務器上運行良好，為什麼還要遷移到函數計算 AgentRun？

答案很簡單：從開發環境到生產環境，有一道巨大的鴻溝。 本地運行只需要考慮功能實現，但生產環境需要考慮性能、穩定性、成本、安全、可觀測等一系列問題。函數計算 AgentRun 提供的不是又一個 Agent 框架，而是讓你的 Agent 能夠以企業級標準運行的完整基礎設施。

具體來説，部署到函數計算 AgentRun 後，你能獲得：零運維的 Serverless 運行時（自動擴縮容、按量付費），企業級的 Sandbox 環境（高性能、安全隔離），模型高可用保障（自動熔斷、多模型 Fallback），全鏈路可觀測（完整的 Trace、成本歸因），以及統一的工具和 MCP 管理。

快速上手：5分鐘部署你的第一個 LangChain Agent

讓我們從最流行的 LangChain 框架開始，通過一個完整的例子展示如何將 LangChain Agent 部署到函數計算 AgentRun。

第一步：安裝 Serverless Devs

函數計算 AgentRun 使用 Serverless Devs 作為部署工具。如果你有 Node.js 環境，一行命令即可安裝：

npm i -g @serverless-devs/s

第二步：創建項目

使用腳手架快速創建項目（注意：需要 Python 3.10 及以上版本）：

# 初始化模板
s init agentrun-quick-start-langchain

# 進入代碼目錄
cd agentrun-quick-start-langchain/code

# 初始化虛擬環境並安裝依賴
uv venv && uv pip install -r requirements.txt

第三步：配置認證信息

通過環境變量（建議使用 .env 文件）配置你的 AgentRun 訪問憑證：

export AGENTRUN_ACCESS_KEY_ID="your-access-key-id"
export AGENTRUN_ACCESS_KEY_SECRET="your-access-key-secret"
export AGENTRUN_ACCOUNT_ID="your-account-id"
export AGENTRUN_REGION="cn-hangzhou"

第四步：理解集成方式

這是最關鍵的部分。打開生成的代碼，你會看到集成非常簡單：

from agentrun.integration.langchain import model, sandbox_toolset
from agentrun.server import AgentRunServer

# 使用 AgentRun 的模型（自動享受高可用、熔斷等能力）
llm = model("<your-model-name>")

# 使用 AgentRun 的 Sandbox 工具
tools = sandbox_toolset(
    template_name="<your-sandbox-name>",
    template_type=TemplateType.CODE_INTERPRETER,
    sandbox_idle_timeout_seconds=300,
)

# 創建 LangChain Agent（和原來的代碼完全一樣）
agent = create_agent(
    model=llm,
    tools=tools,
    system_prompt="你是一個智能助手"
)

# 定義調用函數
def invoke_agent(request):
    result = agent.invoke({"messages": request.messages})
    return result["messages"][-1].content

# 啓動 HTTP Server（提供 OpenAI 兼容的 API）
AgentRunServer(invoke_agent=invoke_agent).start()

核心要點：

model() 函數返回的是 LangChain 可以直接使用的模型對象
sandbox_toolset() 返回的是 LangChain Tools 列表
你的 Agent 創建代碼完全不需要改動
AgentRunServer 自動處理 HTTP 請求，提供標準的 OpenAI API

第五步：本地測試

啓動服務後，可以通過 HTTP 請求測試：

curl 127.0.0.1:9000/v1/chat/completions \
  -X POST \
  -H "content-type: application/json" \
  -d '{"messages": [{"role": "user", "content": "通過代碼查詢現在是幾點?"}], "stream":true}'

第六步：部署到生產環境

項目中已經包含了 s.yaml 配置文件。你只需要修改其中的 role 字段為你的阿里雲角色：

role: acs:ram::{您的阿里雲主賬號 ID}:role/{您的阿里雲角色名稱}

配置部署密鑰：

s config add
# 按照引導輸入 Access Key ID 和 Secret，記住密鑰對名稱（如 agentrun-deploy）

執行部署：

s deploy -a agentrun-deploy

部署完成後，你會得到一個 HTTPS URL，就可以在生產環境調用你的 Agent 了。

不同框架的集成案例

函數計算 AgentRun 不僅支持 LangChain，還深度集成了主流的 Agent 開發框架。所有框架都遵循同樣的理念：通過簡單的適配層，讓你的代碼無縫遷移到函數計算 AgentRun，享受企業級能力。

LangGraph：工作流編排

LangGraph 是 LangChain 團隊推出的工作流編排框架，適合構建複雜的多步驟 Agent。集成方式和 LangChain 類似：

from agentrun.integration.langgraph import model, tools
from langgraph.graph import StateGraph, MessagesState
from langgraph.prebuilt import ToolNode

# 使用 AgentRun 的模型和工具
llm = model("<your-model-name>").to_langgraph()
agent_tools = tools()

# 構建 LangGraph 工作流（和原來的代碼一樣）
def call_model(state: MessagesState):
    messages = state["messages"]
    response = llm.invoke(messages)
    return {"messages": [response]}

workflow = StateGraph(MessagesState)
workflow.add_node("agent", call_model)
workflow.add_node("tools", ToolNode(agent_tools))
workflow.set_entry_point("agent")

# 定義條件邊...
app = workflow.compile()

# 調用
result = app.invoke({"messages": [HumanMessage(content="查詢上海天氣")]})

LangGraph 的優勢是可以精確控制 Agent 的執行流程，比如條件分支、循環、並行執行等。部署到函數計算 AgentRun 後，這些複雜的工作流都能自動享受彈性伸縮和可觀測能力。

AgentScope：多智能體協作

AgentScope 是阿里達摩院開源的多智能體框架，特別適合構建多Agent協作場景。集成方式：

from agentrun.integration.agentscope import model, tools
from agentscope.agent import ReActAgent
from agentscope.tool import Toolkit

# 使用 AgentRun 的模型和工具
llm = model("<your-model-name>").to_agentscope()
agent_tools = tools()

# 註冊工具到 Toolkit
toolkit = Toolkit()
for tool in agent_tools:
    toolkit.register_tool_function(tool)

# 創建 Agent（和原來的代碼一樣）
agent = ReActAgent(
    name="assistant",
    sys_prompt="你是一個智能助手",
    model=llm,
    toolkit=toolkit,
)

# 調用
result = await agent.reply(Msg(name="user", content="查詢上海天氣", role="user"))

AgentScope 的優勢是對多Agent系統的原生支持，包括Agent之間的通信、協調、記憶共享等。部署到函數計算 AgentRun 後，每個 Agent 都在獨立的隔離環境中運行，確保安全性。

PydanticAI：類型安全的 Agent 框架

PydanticAI 是一個新興框架，強調類型安全和結構化輸出。集成方式：

from agentrun.integration.pydantic_ai import model, tools
from pydantic_ai import Agent

# 使用 AgentRun 的模型和工具
llm = model("<your-model-name>").to_pydantic_ai()
agent_tools = tools()

# 創建 Agent
agent = Agent(
    llm,
    instructions="Be concise, reply with one sentence.",
    tools=agent_tools,
)

# 同步調用
result = agent.run_sync("上海的天氣如何？")

# 異步調用
result = await agent.run("上海的天氣如何？")

PydanticAI 的優勢是強類型和結構化輸出，特別適合需要嚴格數據驗證的企業場景。

充分利用函數計算 AgentRun 的核心能力

將 Agent 部署到函數計算 AgentRun 後，你不僅獲得了 Serverless 運行環境，還可以深度利用平台提供的各種企業級能力。

模型高可用：告別單點故障（搭配AI網關）

部署到函數計算 AgentRun 後，你的 Agent 自動享受模型高可用能力。當你配置的主模型出現故障、限流或超時時，系統會自動切換到備用模型，整個過程對你的代碼完全透明。

在函數計算 AgentRun 控制枱配置模型時可以和 AI 網關進行聯動，可以設置：主模型（如 GPT-4），備用模型列表（如 Claude-3、Qwen-Max），熔斷策略（錯誤率閾值、超時時間），負載均衡策略（輪詢、權重、最少連接）。

你的代碼完全不需要改動，只需要在創建模型時使用函數計算 AgentRun 的模型名稱，所有的容錯、切換、負載均衡都由平台自動處理。

企業級 Sandbox：安全執行代碼

函數計算 AgentRun 提供的 Sandbox 不是簡單的代碼執行環境，而是企業級的安全隔離沙箱。每個 Sandbox 實例都是獨立隔離的，支持多種執行類型：

Code Interpreter 支持 Python、Node.js、Java、Bash 等語言，可以執行數據分析、文件處理等任務。Browser Tool 提供瀏覽器自動化能力，支持網頁爬取、表單填寫、截圖等操作。All In One 集成了代碼解釋器和瀏覽器工具，提供更豐富的交互能力。

使用時，通過 sandbox_toolset() 函數就可以獲取相應的工具集合，這些工具會自動轉換為你使用的框架所需的格式。

工具和 MCP：標準化集成

函數計算 AgentRun 提供統一的工具管理和 MCP（Model Context Protocol）機制。你可以從工具市場選擇現成的工具，也可以自定義工具併發布到市場。

更強大的是 MCP 的 Hook 機制。通過前置 Hook，可以在工具調用前自動注入用户憑證、記錄請求日誌、校驗參數合法性。通過後置 Hook，可以對結果進行轉換、記錄審計日誌、處理異常情況。這些通用邏輯不需要在每個工具中重複實現，大大提升了開發效率。

全鏈路可觀測：不再是黑盒

這是函數計算 AgentRun 最強大的能力之一。你的代碼不需要做任何改動，平台會自動記錄 Agent 的完整執行鏈路。

在可觀測平台上，你可以看到：Agent 接收到用户請求的時間和內容，調用了哪個模型、使用了多少 Token、花費了多少錢，調用了哪些工具、每個工具的執行時間和結果，訪問了哪些知識庫、檢索了多少數據，每個環節的耗時分佈，完整的調用鏈 Trace。

這些能力都是平台自動提供的，通過探針注入實現，無論是高代碼還是低代碼創建的 Agent，都自動享受這些可觀測能力。

記憶和知識庫：數據不出域

函數計算 AgentRun 深度集成了 RAGFlow、Mem0 等開源項目，提供靈活的記憶和知識庫管理。你可以選擇一鍵託管模式，由平台統一管理部署運維，享受 Serverless 的彈性和按量付費優勢。也可以選擇綁定模式，將 Agent 連接到已經部署在企業 VPC 或 IDC 內的實例，數據完全不出企業內網。

這種靈活性讓你可以根據數據的敏感級別選擇不同的策略：核心業務數據私有化部署，一般數據託管上雲，在安全性和便利性之間找到最佳平衡。

立即體驗函數計算 AgentRun

函數計算 AgentRun 的無代碼到高代碼演進能力，現已開放體驗：

快速創建：訪問控制枱（https://functionai.console.aliyun.com/cn-hangzhou/agent/explore），60秒創建你的第一個 Agent
深度定製：當需要更復雜功能時，一鍵轉換為高代碼
持續演進：利用函數計算 AgentRun 的基礎設施能力，持續優化你的 Agent

從想法到上線，從原型到生產，函數計算 AgentRun 始終是你最好的夥伴。歡迎加入“函數計算 AgentRun 客户羣”，釘釘羣號：134570017218。

快速瞭解函數計算 AgentRun

一句話介紹：函數計算 AgentRun 是一個以高代碼為核心的一站式 Agentic AI 基礎設施平台。秉持生態開放和靈活組裝的理念，為企業級 Agent 應用提供從開發、部署到運維的全生命週期管理。

函數計算 AgentRun 架構圖

AgentRun 運行時基於阿里雲函數計算 FC 構建，繼承了 Serverless 計算極致彈性、按量付費、零運維的核心優勢。通過深度集成 AgentScope、LangChain、RAGFlow、Mem0 等主流開源生態。函數計算 AgentRun 將 Serverless 的極致彈性、零運維和按量付費的特性與 AI 原生應用場景深度融合，助力企業實現成本與效率的極致優化，**平均 TCO 降低 60%**。

讓開發者只需專注於 Agent 的業務邏輯創新，無需關心底層基礎設施，讓 Agentic AI 真正進入企業生產環境。

u_14902238 博客

u_14902238 博客

博客 / 詳情