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

AI 时代架构如何演进，是快手乃至整个行业正在面对的核心命题。当 AI 应用爆发式增长，当 Agent 各自为政形成新的烟囱孤岛，当 Token 成本失控而 ROI 无从衡量，当 AI 生成的代码缺少规范兜底——传统的"先建设后治理"路径已难以为继，AI 原生架构演进正成为公司级必答题。

然而，AI 架构演进在实际落地过程中仍然面临：

• 方向不明
  • ​AI 带来的架构问题域尚无行业共识，优先级缺乏依据 共识不足
  • 各条业务诉求各异，基建与业务的分工边界模糊 规范缺失
  • CLI/Skill/Agent 无统一标准，安全鉴权与数据隔离红线未建 落地难
  • 从规划到闭环缺少验证资产，治理依赖人力推动难以规模化
• 我们的实践
  • ​联合各业务领域架构师，通过"发散研讨→收敛共识→规范制定→能力建设→业务落地"五步闭环，形成快手 AI 原生架构演进的全局规划与打法体系——守住安全底线、打通 Agent 能力、建立 CLI 规范、推动治理 AI 化，最终达成：“让 AI 用得通、稳、省、好、久”。

本次演讲我将结合快手 AI 架构研讨与落地的实战经验，分享我们总体 AI 架构演进打法的落地路径。

演讲提纲

1. 行业趋势与认知：AI 把架构改成什么样子？ 业界是怎么做的？

• 6 代架构演进主线
• AI 增强 vs AI 原生
• 行业对 AI 风险认知
• 行业 AI 架构白皮书参考
• 网信办安全要求

2. 公司现状与痛点：公司遇到了什么问题？ 挑战在哪里？

• 行业拐点在 26 年
• 公司 5 万 AI 应用爆发
• AI 私搭乱建的案例
• 架构痛点与挑战

3. AI 架构蓝图规划：AI 原生架构应该怎么建？AI 架构与传统架构的共生关系？

• 快手架构师 8 大视角
• 架构师在 AI 中的职责
• AI 原生架构 5 层技术栈
• 工具 CLI/Skill/MCP/Agent
• AI 架构八大设计原则
• AI 时代架构蓝图
• AI 架构/传统架构关系

4. AI 架构如何演进：看到什么重点问题？用什么方案解决？

• 架构：定义/分类/协议
• 服务：全面 CLI 化
• 工程：规范/评价/框架
• 安全：Agent 数字身份
• 成本：TokenROI /归因
• 稳定：Agent /模型观测
• 引擎：评测/切换/部署

5. AI 架构如何落地：先做什么后做什么？各方如何共建？

• 先做什么后做什么？
• 各方需要做什么？
• 有哪些基建发布？
• 业务如何参与？

实践痛点

• 如何拉通业务真实的痛点，并且区分清楚什么是真痛点、什么是假痛点
• 技术解决方案属于首次做，部分细节行业也没有更多的研究和参考案例，比如 Agent 如何定义和分类，数字身份如何分类和区分鉴权，要解决 Agent 和模型的什么安全和稳定性问题等

前沿亮点

• 行业第一家讲 AI 架构演进规划
• 更多要进行的是公司内的最佳落地实践

听众收益

• AI 架构规划：AI 架构师、技术管理者
• AI 落地应用：AI 应用工程师、AI 平台建设者

Agent 时代，AI 应用正从“回答问题”走向“动手执行任务”：编写和运行代码、操作浏览器与桌面、读写文件、安装依赖、调用内部系统、参与训练与评测。AI 产品进入深水区后，三大矛盾愈发突出：当 Agent 自主性越过传统应用安全边界，当长生命周期会话遇上资源成本约束，当大规模训练和 Tool Use 需要瞬时拉起可信执行环境，传统容器和普通 Serverless 已难以支撑企业级 Agent 的规模化落地。

然而，企业级 Agent 执行环境在实际生产中仍然面临：

• 隔离难 — Agent 会执行模型生成代码、访问文件系统和内部网络，既要放开执行能力，又要守住租户、身份、网络和内核边界

• 启动慢 — 安全容器、镜像拉取、依赖初始化和持久化挂载叠加后，冷启动耗时直接影响在线 Agent 和训练评测体验

• 状态重 — 办公 Agent、Coding Agent、长任务 Agent 需要保留 workspace、依赖、会话和执行上下文，但资源不能长期空转

• 规模大 — Agentic RL 和批量评测会带来镜像风暴、缓存击穿、多集群调度、配额竞争和环境一致性问题

• 治理散 — Harness + Tool Use 场景下，高危动作何时进沙箱、进沙箱后如何共享状态、如何注入身份和审计链路，都不能靠业务代码临时判断

我们的实践：围绕 Sandboxed Agent、Agentic RL、Agent Harness + Tool Use 三类典型场景，构建蚂蚁 ARCA 执行边界体系。ARCA Sandbox 提供安全隔离、缓存池、持久化存储、内存快照、镜像预热、网络隔离与成本治理；Piston 承担 Agent 托管、生命周期管理、灰度发布和自助入驻；Tool Gateway 与运行时策略负责将高危动作路由到受控沙箱中执行。ARCA 在蚂蚁多个重点 Agent 场景中支撑数万级每日沙箱创建、千万级日请求和万核级资源峰值。本次演讲将结合真实生产踩坑，分享企业 Agent 从 Demo 走向规模化落地时，如何设计可信、可恢复、可调度、可审计、可控成本的执行边界。

演讲提纲

1. 行业趋势与 ARCA 背景

• Agent 从“对话式 AI”走向“执行式 AI”的趋势：代码执行、Tool Use、浏览器操作、桌面操作、文件系统读写成为基础能力
• 企业场景下的核心变化：模型风险开始外溢到执行层、网络层、身份层和状态层
• 蚂蚁 Agent 场景的共同诉求：既要让 Agent 充分“动手”，又要让风险、成本和状态可控
• ARCA 的定位演进：从 Agent Sandbox，走向企业 Agent 执行边界基础设施

2. Sandboxed Agent：沙箱作为 Agent 的“家”

本节 takeaway：长期 Agent 不是“跑一个容器”，而是要把计算状态、文件状态、身份状态、网络边界和资源成本分开治理

• 典型场景：内部员工办公 Agent、Coding Agent、OpenClaw / Claude Code 类长期运行任务
• 核心挑战：长生命周期会话、workspace 持久化、依赖安装、内部网络访问、员工身份边界、内核隔离和资源空转
• Piston 产品设计：Agent 模板、配置制品化、生命周期托管、灰度发布、自助入驻、运维监管
• ARCA 执行底座：安全容器、租户隔离、缓存池热分配、持久化存储、checkpoint/restore、出口网关、办公区与沙箱区网络隔离
• 成本治理实践：CPU 超卖、混部、空闲回收、缓存池容量控制、quota 和计量

3. Agentic RL：沙箱作为大规模环境供应链

本节 takeaway：Agentic RL 的瓶颈不只是算力，而是环境供应链；训练环境必须可版本化、可复现、可调度、可观测

• 典型场景：Agentic RL、Reward Server、批量评测、训练任务中的环境批量拉起
• 核心挑战：瞬时创建大量沙箱、镜像大规模拉取、依赖初始化、环境一致性、多集群调度、缓存击穿和训练任务资源竞争
• 镜像与快照链路：镜像中心、分发加速、镜像懒加载、内存快照、模板预热、缓存池复用
• 调度设计：缓存感知调度、多集群路由、租户配额、批量任务优先级、失败重试和资源水位控制
• 可观测与准入：拆解镜像拉取、调度、挂载、启动、ready latency、缓存命中率和失败原因

4. Agent Harness + Tool Use：沙箱作为高危动作执行器

本节 takeaway：Harness + Tool Use 不是“所有东西都进沙箱”，而是把危险 Action 路由进受控执行边界

• 典型场景：主 Agent / Harness 跑在常规服务或 Serverless 中，但代码执行、文件修改、构建测试、外部输入处理和高危系统操作需要进入沙箱
• 核心挑战：哪些动作必须进沙箱、谁来做策略判断、Harness 和 Tool Use Sandbox 如何共享状态、如何注入短期身份、如何保持端到端审计
• 运行时策略：基于 action taxonomy、risk metadata、policy-before-dispatch 决定 host 执行、dry-run、人工审批、sandbox 执行或 deny
• Tool Gateway 设计：把安全决策收敛到平台层，而不是散落在每个业务 tool 的代码里
• 状态共享机制：共享 workspace、artifact store、trace id、输入输出 bundle、session reuse 和 checkpoint/restore
• 身份与审计：短期 delegated identity、最小权限 token、出口网关、调用链追踪和操作审计

5. 统一架构与落地方法论

• ARCA 系统架构：支持大规模业务落地的架构实践
• 三类场景背后的统一 primitive：内核隔离、缓存池、镜像预热、内存快照、持久化存储、checkpoint/restore、出口网关、多集群调度、quota、审计和可观测
• 三种沙箱角色：Sandboxed Agent 中沙箱是 Agent 的家；Agentic RL 中沙箱是环境供应链；Harness + Tool Use 中沙箱是危险动作执行器
• 从 Demo 到生产的经验总结：先定义执行边界，再优化启动性能；先拆状态，再谈弹性；先平台化策略，再放开 Tool Use

实践痛点

• 长会话保持与资源效率的冲突：办公 Agent 和 Coding Agent 希望像云电脑一样长期保存状态，但平台希望空闲即可释放资源，checkpoint/restore、持久化存储和 session reuse 之间需要持续权衡。
• 强隔离与低延迟的根本冲突：安全容器、网络隔离和持久化挂载会天然增加启动成本，缓存池、内存快照和镜像懒加载只能缓解，不能消除所有场景的冷启动压力。
• 真实企业依赖无法简单 clone：很多 Agent 需要访问代码库、构建系统、内部服务、OSS/NAS、办公网络和权限系统，单纯把 Agent 关进沙箱会牺牲业务价值，必须设计网络、身份和出口治理。
• Agentic RL 的环境供应链复杂度被低估：批量训练的难点不只是 GPU/CPU 算力，还包括镜像分发、缓存命中、快照一致性、环境复现、调度公平性和资源隔离。
• Tool Use 沙箱化的边界难定义：哪些动作高危、哪些可以 host 执行、哪些需要审批，不能完全交给模型判断，也不应由业务 tool 自己拍板，需要平台化策略和统一审计。
• Harness 与 Sandbox 的状态共享困难：主 Agent 在外部服务中运行，高危动作在沙箱中执行，二者之间的 workspace、artifact、trace、身份和长任务状态需要显式协议，否则很容易变成不可观测的黑盒。

演讲亮点

• 用三类真实场景重新定义 Agent Sandbox：区别于只讲容器隔离或冷启动优化，本议题把沙箱放到 Sandboxed Agent、Agentic RL、Harness + Tool Use 三种企业落地模式中，讲清沙箱分别作为“Agent 的家”“环境供应链”“危险动作执行器”时的架构差异。
• 从产品托管到执行底座的完整实践：结合 Piston、ARCA Sandbox、缓存池、持久化存储、网络隔离、内存快照、镜像预热和 Tool Gateway，呈现一个从 Agent 生命周期管理到低层执行环境的端到端工程体系。
• 强调企业 Agent 的执行边界方法论：不是泛泛讨论“要不要 sandbox”，而是给出可复用判断框架：Agent 自主性在哪里、风险动作在哪里、状态在哪里、身份在哪里、成本在哪里。
• 真实规模与踩坑经验：议题基于蚂蚁内部多个重点 Agent 场景的落地经验，覆盖数万级每日沙箱创建、千万级日请求、万核级资源峰值下的性能、稳定性、安全、成本和可观测问题。

听众收益

• 掌握企业级 Agent 执行环境的完整设计框架：了解如何从 Sandboxed Agent、Agentic RL、Harness + Tool Use 三类场景出发，设计不同的隔离、状态、调度和治理方案。
• 获得可复用的 Agent Sandbox 选型方法论：知道什么时候应让 Agent 常驻沙箱，什么时候应把沙箱作为批量环境供应链，什么时候应只让高危 Tool Use 进入沙箱。
• 了解 Agent 从 Demo 到生产的真实工程卡点：包括冷启动、镜像风暴、长会话状态、内部网络访问、身份注入、成本治理、Tool 策略路由和端到端审计。
• 借鉴蚂蚁 ARCA 的规模化实践经验：帮助正在建设 Agent 平台、AI Coding 平台、Agentic RL 训练平台或企业 Tool Use 治理平台的团队，提前识别执行层风险，少走从“能跑”到“能规模化运行”的弯路。