ARTICLE · 977487
受托管软件的黄金时代是否会到来?--分析AI时代的软件功能范畴
受托管软件的黄金时代是否会到来?--分析AI时代的软件功能范畴当前开发者已经深度接纳了微服务架构的合理性。 从本质上来讲，微服务优势在于解耦，而且逻辑(如对应于部门组织的权责)解耦的意义甚至大于技术解耦。多数软件完全可以设计成逻辑架构清晰的独立应用。 软件就绪后需要运行，从部署角度，可以分为： 我们将服务器进一步细分为非托管和受托管的运行环境。 受托管的技术含义是，只需要开发并部署业务相关的代码，如Serverless，Servlet，Managed Agents等。 而非托管是指，通过开发框架，应用被构建为一个完整的程序，作为进程或容器实例运行。当然，进程也必然会被操作系统和容器运行环境所“管理”。 12要素方法论中，微服务被推荐作为无状态的进程。 然而，在AI时代，上下文窗口和Agent具有记忆，状态无处不在，受托管环境再次体现出其重要性。 本文暂不展开探讨受托管服务器环境技术特点，从高层次对AI时代的软件功能范畴进行分类： 1. 容器，非K8s AWS Firecracker项目，若干沙箱都基于此技术，如E2B，Vercel Sandbox等。连Docker Sandbox也采用了MicroVM 四个核心概念： 核心能力组成： 关注点集中，完成任务和创造性工作，本地优先原则 SDD 分为三个递进层级： 规范作为源文件，目前看还是太过激进。当前规范作为锚点是比较合理的 Anthropic 最近发表了AI原生的研发生命期管理文章，对这个领域进行定义。我们非常认可。 几大阶段：计划、设计、构建、测试、部署、维护。 进行的转变 以上软件类别，每个条目都可以展开为软件应用和系列技术文章。 后续我们重点关注受托管服务器软件大类，敬请关注及欢迎交流！
一、导论
客户端。多数具有主观的可交互界面，如桌面系统的浏览器，办公软件，即时聊天等。 服务器。长时间后台运行，实现业务逻辑。
二、非托管运行环境
各种主流语言开发框架
Java: Spring Boot, Quarkus Python: Flask, Fastapi Javascript: Node.js, Express.js Rust: Tokio+Axum Go: Gin
编排环境
Docker Compose .NET Aspire (可部署到K8s)
2. 容器，K8s
企业发行版如 OpenShift, Rancher 云容器服务如 Google GKE, AWS EKS 后端服务如 Railway, Render 沙箱服务如 Daytona, Northflank
3. 微虚拟机，MicroVM 等
各Agent SDK
LLM厂商，如Claude Agent, OpenAI Agents 大型公有云，如Google ADK, Microsoft Agent Framework, AWS Strands 三方框架，各种主流语言：
Python: LangChain, Agno, CrewAI JavaScript: Vercel AI, pi-mono Java: Spring AI, LangChain4j, Embabel
三、受托管运行环境
过去和现在受托管的3个层次
1. Application Server
Java服务器
2. Serverless
AWS lambda Cloudflare Worker
3. Managed Agent
Anthropic Managed Agents LangChain Managed deepAgents
LLM驱动能力
Prompt：调用LLM API，类似访问数据库。通过自然语言描述，各种数据类型无缝转换 Tools：多次访问，异步处理，类似函数式异步调用。多轮调用API获取信息，利用Skills/MCP Agent：代理框架执行任务，类似工作流。可自主选择运行路径
四、下一代重点产品形态
Claude Managed Agents
Agent，模型、系统提示、工具、MCP 服务器和技能 Environment，会话运行位置的配置，由 Anthropic 托管的云沙箱，或在自己的基础设施上自托管的沙箱 Session，在环境中运行的代理实例，执行特定任务并生成输出 Events，应用程序与代理之间交换的消息（用户轮次、工具结果、状态更新）
LangChain Managed Deep Agents
代理定义：选择受管代理的模型和核心能力。 指令：指令定义代理的行为。 技能：技能将特定任务的流程和上下文打包到可重用的目录中。 工具：工具为代理添加自定义能力。 MCP 连接器：MCP 连接器将来自远程模型上下文协议（MCP）服务器的工具添加到受管深度代理中。 中间件：监控工具调用、添加防护措施、对数据进行脱敏处理、重试临时性故障，或自定义模型调用。 内存：持久化内存是可选的知识，代理可在不同线程和会话之间保留这些知识。 沙箱：沙箱为受管深度代理提供一个隔离的文件系统和 shell，用于处理文件、运行代码和执行命令。 身份：身份控制谁可以调用您的受管深度代理部署。 通道：通道将受管深度代理连接到外部消息服务。 计划任务：受管深度代理可按 cron 计划运行代理。 评估：受管代理的评估。
五、Agent Harness
如今的明星类别：生产力工具
Cli命令行，如Claude Code, OpenCode 文本编辑、代码开发，如Cursor, Zed 多会话富文本，如OpenAI Codex, Claude CoWorker 网关通道，如OpenClew
连接Agent方式
Cli工具 MCP规范
六、GenAI
研发管理
基于SDD框架方法论，OpenSpec，Superpowers，SpecKit等 研发生命期管理， AI-native SDLC
Spec-First：先写规范再写代码，完成后规范可丢弃。 Spec-Anchored：规范保留用于后续维护和演进。 Spec-as-Source：规范即源文件，只有人编辑规范。
AI-native SDLC
计划。传统SDLC需求由委员会收集，通过工作坊和提炼，手动编写。转变为 Agent harness 直接从源头综合痛点，捕获在 intent.md 中，人类可读、机器可执行。 设计。原规格由分析师编写，并由设计师解析。转变为需求和设计压缩为一次与 Agent 的工作会话，受 Skills 的标准约束，并由版本控制。 构建。AI这个阶段的时间被大大精简。原来业务和测试的代码开发者手动编写，文档在主要开发完成后编写。转变为测试和代码由 AI 生成，编码知识以AGENT.md 文件和 Skills 维护。 测试。转变为持续评估，并加入到AI实现过程 部署。传统过程中开发者需逐行审查代码，治理在评审周期中发生。转变为由多层 Agentic 评审，人类评审保留给受监管和关键代码。治理通过 Hooks 作为审批点。 维护。原开发者需监控生产环境中的 Bug。转变成 Agent 监控实时部署。