不想维护服务器却要跑生产级 AI Agent？我用函数计算 AgentRun 搭了一套

前言

去年底接了一个需求：给公司内部运营团队搭一个智能助手，要能查数据、调 API、还要能多轮对话。一开始我的方案是自己起一台 ECS，跑 FastAPI + LangChain，把 Agent 的状态存 Redis，感觉挺稳。

但维护起来是真的烦。模型调用偶尔超时、服务扩容要手动改配置、偶发的 OOM 问题每次都要 SSH 上去查日志——这些和业务逻辑无关的事情占了我大量时间。

后来换到了阿里云的 AgentRun 平台，基本上把运维的事甩掉了。这篇文章记录一下我的搭建过程，顺便聊聊 Serverless 架构跑 AI Agent 有哪些实际收益和坑。

什么是 AgentRun，和自己部署有什么区别

简单说，AgentRun 是基于函数计算（FC）的 AI Agent 托管平台，整合了百炼大模型服务、文件存储 NAS，把 Agent 的"部署-调用-扩缩容"这条链路打通了。

和自己在服务器上部署相比，核心区别在于：

对于调用量不均匀的内部工具型 Agent（白天高峰、晚上几乎没流量），Serverless 计费优势很明显。

实操：3 分钟用模板跑起来第一个 Agent

平台提供了几个开箱即用的模板，我先用「舆情分析专家」模板跑了个 Demo 验证可行性。

操作步骤：

第一步：开通服务

前往 AgentRun 活动页 开通函数计算 FC + 百炼套餐，新用户有算力补贴，我当时用邀请链接注册省了一笔测试费用。

第二步：进控制台，选模板创建

登录后进入函数计算控制台 → AgentRun → 新建 Agent → 选择「舆情分析专家」模板。模板已经预设了 Prompt、工具调用链和 PydanticAI 框架配置，直接点创建。

第三步：配置大模型

在 Agent 配置页选择百炼提供的模型（我用的是 qwen-max），填入 API Key（在百炼控制台生成），保存。

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：...

整个过程没写一行代码，3 分钟跑起来了。

进阶：高代码模式自定义 Agent 逻辑

模板能快速验证，但实际业务需要定制化。AgentRun 支持高代码模式，可以用 Python 写完整的 Agent 逻辑。

以下是一个最简单的自定义 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

将这段代码部署到 AgentRun 后，平台自动处理：

• HTTP 端点暴露（可通过域名直接调用）
• 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。如果需要多轮对话或跨会话记忆，需要挂载 NAS 存储。

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

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)

这样就实现了跨实例的状态持久化，多轮对话场景下用户体验显著提升。

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无请求后会回收，下次调用需要重新拉起。

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，牺牲一点点费用换掉冷启动问题。对于重要的生产 Agent 这个钱花得值。

坑 2：大模型返回超时

默认函数超时时间是 60 秒，复杂的 Agent 调用链（多工具串联）可能超时。

解法：在函数配置中将超时时间调整到 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 在首次挂载时有约 2-3 秒额外延迟。

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

成本粗估

以一个日均 500 次调用的内部工具 Agent 为例（每次调用约 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

合计约 ¥35-57/月，比一台入门 ECS 实例（¥120+/月）便宜很多，且完全免运维。

总结

用 AgentRun 搭生产级 AI Agent，对我来说最大的收益不是省了多少钱，而是把时间还给了业务逻辑本身。运维那摊子事交给平台，我只需要关心 Agent 的行为是否符合预期。

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（< 100ms 响应要求）且调用量很大的场景（此时常驻 ECS 可能更合适）

如果你也在考虑搭 AI Agent，可以先从 AgentRun 的模板 跑个 Demo 感受一下，有算力补贴，测试成本不高。

参考资料

AgentRun 平台体验入口（含算力补贴）