专题演讲嘉宾：张国强

AI 正在改变软件的开发方式与运行形态。自然语言编程降低了应用开发门槛，软件的执行主体也开始从用户驱动的 App，扩展到能够自主规划、调用工具并积累上下文的 Agent。这要求 BaaS 不仅提供数据库、认证和存储，还要支持弹性资源、数据分支、应用部署、模型访问、安全执行、长期记忆与知识检索。

本次分享将介绍字节跳动 Supabase 从 App Backend 向 Agent Backend 演进的技术实践：面向 App，通过 Serverless、Data as Git 和前端自动部署支撑应用快速生成与持续迭代；面向 Agent，通过 AI Gateway、Sandbox、记忆库和知识库构建安全、可治理的运行底座。分享将结合豆包应用生成和 TRAE 编程实践，复盘一体化架构的关键取舍与工程难点，并展望 Agent-Native BaaS 的后续演进方向。

演讲提纲

1. 背景

• AI 给软件开发方式和运行形态带来的变化
• BaaS 在 AI Native 架构中的应用

2. 从 App 到 Agent：后端基础设施发生了什么变化

• AI 应用从用户请求驱动走向模型决策与上下文驱动
• 传统 BaaS 已经解决什么，生产级 Agent 又增加了哪些问题
• 字节跳动 Supabase 从 App Backend 向 Agent-Native 能力演进的路径

3. 字节跳动 Agent-Native BaaS 技术方案

• Serverless： 秒级供给、弹性伸缩与成本治理
• Data as Git：数据库分支、Schema diff与数据隔离
• AI Gateway：多模型接入、路由、限流、降级与成本治理
• 记忆库：记忆写入、压缩、召回、更新与遗忘
• 知识库：文档处理、向量检索、权限过滤与引用溯源

4. 字节跳动 Supabase 的规模化实践

• 豆包应用生成实践：让非专业开发者获得完整后端并实现生产级应用
• Coze 编程实践：使用分支支撑前后端并行试错，实现开发与生产之间的隔离
• Trae 编程实践：通过skills实现Vibe Coding的一键部署与上线

5. 未来展望

• 工程实践经验总结
• Agent-Native BaaS 未来演进方向

实践痛点

• 规模增长与资源成本之间的矛盾。AI 生成应用数量多、生命周期差异大，流量具有明显不确定性。平台既要支持秒级开通和快速弹性，又要避免大量空闲实例长期占用资源，需要在冷启动、资源池化、隔离强度和成本之间持续权衡
• 高频试错与数据安全之间的矛盾。Vibe Coding 和 Agent 编程会频繁修改数据库结构、后端逻辑与前端代码。Data as Git 可以支持多分支并行和快速回滚，但数据库分支涉及数据复制、Schema 演进、环境隔离、合并冲突和敏感数据保护，其状态管理与一致性比代码分支更加复杂
• Agent 自主执行与安全隔离之间的矛盾。Agent 需要在 Sandbox 中运行代码、安装依赖、访问文件和调用外部服务。隔离越强，启动和运行成本通常越高；权限放得越开，数据泄露、恶意代码和越权访问的风险越大，还需要解决状态保持、网络控制、资源配额和操作审计问题
• 长期记忆与上下文质量之间的矛盾。过期信息、错误结论和低价值内容如果持续进入上下文，会降低 Agent 的判断质量。平台需要处理记忆写入、摘要压缩、召回、更新、遗忘和权限隔离，并区分模型记忆与权威业务事实

演讲亮点

• Agent Backend 的建设路径，拆解 Serverless、Data as Git、前端部署、AI Gateway、Sandbox、记忆库和知识库所解决的核心问题，以及各项能力之间如何协同
• 同时覆盖 App 与 Agent 两类后端架构。分享将 App Backend 和 Agent Backend 放在统一框架中分析，既说明两者可以复用的数据库、身份、存储和事件能力，也明确 Agent 在模型治理、安全执行、长期记忆和知识检索方面新增的基础设施需求
• 结合豆包和 TRAE 的落地案例。通过应用生成和 AI 编程两类场景，展示 App Backend 与 Agent Backend 的不同诉求，复盘实际建设中的技术选择、架构边界和演进过程
• 给出 Agent-Native BaaS 的后续演进判断。在现有能力基础上，进一步讨论 Agent 身份、长任务状态、多 Agent 协作、全链路审计和成本预算等未来方向，并分析哪些能力适合由 BaaS 统一承载

听众收益

• 理解 AI 驱动的软件架构演进。 听众将掌握 AI 对软件开发方式和后端架构带来的核心变化，掌握 BaaS 从服务传统 App 到服务 Agent 的演进逻辑
• 掌握 App Backend 建设方法。面向应用开发与平台建设，听众可以了解 Serverless、Data as Git 和前端自动部署如何支撑 AI 生成应用的快速创建、并行试错与持续交付
• 掌握 Agent Backend 核心能力。面向 Agent 系统建设，听众可以掌握 AI Gateway、Sandbox、记忆库和知识库的职责边界，以及模型治理、安全执行、上下文管理和 RAG 落地中的主要工程问题
• 借鉴字节内部规模化实践经验。通过豆包应用生成和 TRAE 编程实践，听众还可以了解 AI 应用从原型走向规模化运行时容易遇到的真实问题，减少重复踩坑，并形成适合自身业务的 Agent-Native 后端演进路径