Vercel تطلق Python في مرحلة الإتاحة العامة: ست حزم SDK ودعم FastAPI

نقلت Vercel دعم Python إلى حالة general availability. قبل عشرة أشهر وضعت الشركة هدفًا يتمثل في جعل منصتها أفضل مكان لتطبيقات Python، والنتيجة متاحة اليوم للجميع: اكتشاف تلقائي لأربعة أطر عمل، وتشغيل على Fluid compute، وست حزم Python SDK للتخزين والطوابير وسير العمل (workflows) وبيئات العزل (sandboxes) والنماذج وواجهات API الخارجية. وبالنسبة إلى شركة نمت على JavaScript وNext.js، تمثّل هذه الخطوة تحولًا لافتًا نحو الواجهات الخلفية وأحمال الذكاء الاصطناعي، حيث تبقى Python اللغة الافتراضية.

ما الذي تكتشفه Vercel وتشغّله تلقائيًا

تقرأ المنصة ملفات اعتمادات المشروع، بما فيها تلك التي تُدار عبر uv، وتتعرف تلقائيًا على FastAPI وFlask وDjango وFastHTML. يجري إعداد البناء وتوجيه الطلبات تلقائيًا، وتُقدَّم الملفات الثابتة عبر CDN مع مراعاة خصائص الإطار المستخدم. ولا حاجة إلى تجميع التهيئة يدويًا.

يقوم بيئة التشغيل على CPython فوق Linux. وتعلّل Vercel هذا الاختيار بالتوافق: فالحزم والأدوات التي اعتاد عليها مطورو Python يجب أن تعمل دون حلول التفافية. وتُنفَّذ التطبيقات على Fluid compute، الذي يعالج الطلبات المتزامنة ويتوسع مع حجم الزيارات.

أبرز معالم الإصدار:

• بيئة التشغيل: CPython على Linux؛
• الحوسبة: Fluid compute مع إدارة الطلبات المتزامنة؛
• الاكتشاف التلقائي: FastAPI وFlask وDjango وFastHTML؛
• الاعتمادات: دعم المشاريع المبنية على uv؛
• التطوير الشامل (fullstack): يجمع Vercel Services الواجهة الخلفية والأمامية في مشروع واحد؛
• العمليات الطويلة: Vercel Daemons للـ workers التي تسحب المهام من الطوابير أو قواعد البيانات.

يعالج Vercel Services مشكلة شائعة في المشاريع التي تجمع بين واجهة خلفية بلغة Python وواجهة أمامية بلغة JavaScript. فالأمر `vercel dev` يشغّل الجزأين محليًا، ونشر المعاينة يبنيهما معًا، ويجري الإصدار والتراجع عنه بإجراء واحد. أما Vercel Daemons فيغطي سيناريو آخر: حاويات تضم شيفرتك وحزمك واعتماداتك على مستوى النظام تبقى قيد التشغيل وتعالج طابور المهام.

ست حزم SDK للذكاء الاصطناعي والمهام الخلفية

يتعلق النصف الثاني من الإعلان بالمكتبات. فقد أصدرت Vercel نسخًا بلغة Python من أدواتها، مزوّدة بالتوصيفات النوعية (type hints) وasync/await ومديري السياق (context managers):

• AI SDK for Python: توليد ردود النماذج وبثها (streaming)، واستدعاء الأدوات، وبناء الوكلاء (agents)؛
• Sandbox SDK: إنشاء بيئات معزولة لتشغيل الشيفرة؛
• Workflow SDK: سير عمل متين مع إعادة المحاولة (retries) وحفظ حالة التنفيذ؛
• Queues SDK: إرسال الرسائل واستقبالها للأعمال الخلفية والإشعارات؛
• Blob SDK: رفع الملفات وجلبها من مخزن الكائنات؛
• Connect SDK: الحصول على بيانات الاعتماد اللازمة للوصول إلى واجهات API الخارجية.

تعكس هذه المجموعة اتجاهًا واضحًا. فـ Sandbox وWorkflow وAI SDK تشكّل الحزمة القياسية لتطبيقات الوكلاء: النموذج يتخذ القرار، والشيفرة تُنفَّذ في عزل، وسلسلة الخطوات الطويلة تصمد أمام الأعطال. وكان تجميع هذه الحزمة سابقًا يتطلب ربط خدمات متفرقة أو الكتابة بلغة TypeScript.

كيف يبدو ذلك في مشروع حقيقي

لإيضاح الفكرة، بنى كاتب الإعلان تطبيق ويب تعاونيًا لدفاتر Jupyter. ينشئ المستخدمون الدفاتر وينشرونها ويستنسخون (fork) دفاتر غيرهم، ويكتبون الشيفرة بالتعاون مع مساعد ذكاء اصطناعي. الواجهة الأمامية مبنية على Vite، والواجهة الخلفية على FastAPI، وتُحفظ الشيفرات المصدرية وسجل المحادثات في PostgreSQL.

عندما يفتح المستخدم دفترًا، ينشئ FastAPI بيئة Vercel Sandbox تحتوي على Jupyter أو يعيد استخدام بيئة قائمة. تُعزل شيفرة المستخدم عن الواجهة الخلفية للتطبيق، ويتصل المتصفح بـ Jupyter مباشرة، وتوفّر Drives المركّبة الاعتمادات وملفات العمل. وعند الحفظ، تخزّن الواجهة الخلفية الشيفرة المصدرية في PostgreSQL، وتحوّل التغييرات إلى HTML، وترفع النتيجة إلى Blob. وتُقرأ الدفاتر المنشورة عبر CDN دون تشغيل نواة Python. وبعد النشر يرسل FastAPI رسالة عبر Vercel Queues كي تصل التحديثات إلى باقي نسخ الواجهة الخلفية.

من أين تبدأ

في المشروع الجديد، الأسهل أن تتبع الدليل الخاص بإطار العمل الذي تستخدمه. أما الشيفرة القائمة فيُستحسن التحقق من توافقها مع الاكتشاف التلقائي: فإذا كانت الاعتمادات معرّفة عبر uv أو الملفات القياسية، فقد لا تكون هناك حاجة إلى أي إعدادات. وتقدّم Vercel دورة منفصلة لربط FastAPI مع Next.js تشمل النشر عبر Services.

لا يتضمن الإعلان أي بيانات عن الحدود والأسعار وأوقات البدء البارد (cold starts) لدوال Python. ولذلك يُنصح بالتحقق منها في الوثائق وعلى خدمة تجريبية قبل نقل أحمال الإنتاج. ينطبق ذلك خصوصًا على اعتمادات ML الثقيلة والـ workers الطويلة، إذ سيعطي كل من Daemons وFluid compute نمط تكلفة مختلفًا.