Vercel Open Agents — AI 软件工厂参考平台
来源： Guillermo Rauch (Vercel CEO), 2026-04-14 GitHub： https://github.com/vercel-labs/open-agents
核心论点
"The moat of software companies will shift from 'the code they wrote', to the 'means of production' of that code."
软件公司的护城河正在从"写出的代码"转移到"生产代码的手段"。
为什么企业要构建内部 AI 软件工厂？
通用 coding agent 的局限
- 技术层面：无法处理大型 monorepo，缺乏机构知识、定制集成和工作流
- 业务层面：护城河在于生产手段，而非产出代码
已有案例
| 公司 | 内部 AI 软件工厂名称 |
|---|---|
| Stripe | Minions |
| Ramp | Inspect |
| Spotify | Honk |
| Block | Goose |
技术架构
Open Agents 的四层基础设施：
| 层 | 名称 | 功能 |
|---|---|---|
| Agent 大脑 | Fluid | 长上下文推理，agent 核心逻辑 |
| 持久化 | Workflow | 长时任务的持久化和恢复 |
| 安全执行 | Sandbox | 安全代码执行环境 |
| 模型路由 | AI Gateway | 多模型 token 管理和路由 |
关键设计原则
Agent 不在沙箱里运行，而是把沙箱作为工具调用。
这与 Fat Skills Fat Code Thin Harness 的思路一致：agent 是编排层，工具（包括沙箱）是被调用的资源。
与 Periodic Labs 架构的对比
| 维度 | Vercel Open Agents | Periodic Labs |
|---|---|---|
| 编排层 | Fluid (LLM) | LLM |
| 专用工具 | Sandbox, Workflow | 专用神经网络（原子系统） |
| 数据闭环 | 代码执行反馈 | 实验数据反馈 |
| 领域 | 软件工程 | 材料科学 |
两者都印证了同一个架构模式：LLM 作为编排层 + 专用工具。
实践意义
对构建 AI 系统的启示
- 不要试图用一个通用 agent 解决所有问题
- 识别哪些子任务需要专用工具（低延迟、高精度）
- 把"生产手段"作为核心竞争力，而非产出物
对企业 AI 战略的启示
- 内部 AI 软件工厂是下一个重要的技术护城河
- 开源参考实现降低了构建门槛，但定制化仍是关键
关联页面
Sources
- AI 简报 2026-04-14 — AI 简报 | 2026-04-14
- https://x.com/rauchg/status/2043869656931529034