Vercel Blog→ original

Vercel aprendió a ejecutar cualquier Dockerfile en la plataforma Fluid compute

Vercel agregó soporte para Dockerfiles arbitrarios: cree Dockerfile.vercel y la plataforma construirá automáticamente la imagen, la almacenará en el registro del proyecto e la implementará en Fluid compute con pagos solo por el uso real de CPU. Funciona con Go, Rails, Spring Boot, Express, Laravel, ASP.NET, FastAPI — el único requisito es que el servidor escuche la variable $PORT. Cada git push crea una implementación de preview separada con una URL persistente.

Procesado por IA desde Vercel Blog; editado por Hamidun News
Vercel aprendió a ejecutar cualquier Dockerfile en la plataforma Fluid compute
Fuente: Vercel Blog. Collage: Hamidun News.
◐ Escuchar artículo
⊞Ficha técnica y cifras clave
ParámetroDatos
Fuente originalVercel Blog ↗
Editor jefe
Dato clave #1El único requisito para el servidor es escuchar HTTP en el puerto de la variable de entorno $PORT
Dato clave #2El ejemplo en el blog se construye en golang:1.24-alpine y alpine:3.20 en una compilación de dos etapas
Dato clave #3La implementación se inicia con un único comando `vercel deploy` de la CLI, o automáticamente en git push

Vercel agregó soporte para contenedores arbitrarios a su plataforma: los desarrolladores ahora pueden implementar cualquier servicio con un Dockerfile — desde un servicio Go hasta una aplicación Rails o Spring Boot — simplemente agregando un archivo Dockerfile.vercel en la raíz del proyecto, y la plataforma compilará la imagen e la implementará en la infraestructura de Fluid compute.

Cómo Funciona

El mecanismo es mínimo: solo el servidor y el archivo Dockerfile.vercel — y el proyecto está listo para implementar. Vercel muestra un ejemplo en Go: un servidor HTTP que escucha en un puerto de la variable de entorno $PORT (predeterminado 80) se compila a través de un Dockerfile de dos etapas — primero, la imagen golang:1.24-alpine compila el binario, luego se copia a una imagen mínima alpine:3.20, que es la que se ejecuta en producción.

El comando `vercel deploy` de la CLI compila la imagen, la guarda en el registro del proyecto e la implementa en Fluid compute, devolviendo una URL de producción. Cada git push reconstruye automáticamente la imagen y crea una implementación de vista previa separada con una URL inmutable que se puede abrir, enviar a colegas o usar para revertir a una versión anterior.

  • El único requisito para el servidor es escuchar HTTP en el puerto de la variable de entorno $PORT
  • El ejemplo en el blog se construye en golang:1.24-alpine y alpine:3.20 en una compilación de dos etapas
  • La implementación se inicia con un único comando `vercel deploy` de la CLI, o automáticamente en git push
  • Rails, Spring Boot, Express, Laravel, ASP.NET, FastAPI y servicios detrás de nginx son compatibles

Qué Lenguajes y Marcos se Admiten

Vercel enfatiza que la pila específica no importa — cualquier servicio que pueda hablar HTTP y escuchar un puerto funciona. Se mencionan explícitamente Rails, Spring Boot, Express, Laravel, ASP.NET, FastAPI y servidores web detrás de nginx, incluidos Java y PHP — plataformas que anteriormente se asociaban más con alojamiento de servidores clásico que con la infraestructura sin servidor de Vercel.

Lo Que Obtienen los Desarrolladores

Un contenedor en Vercel se convierte en un ciudadano completo de la plataforma: se ejecuta en la misma infraestructura que el frontend y otros servicios del proyecto. Cada commit obtiene su propia implementación de vista previa con una URL separada, y el escalado sucede automáticamente en ambas direcciones — cuando el tráfico aumenta, la plataforma agrega instancias; cuando el tráfico disminuye, se reduce, liberando al equipo de calcular manualmente el tamaño de la flota o los límites de concurrencia.

El modelo de precios se construye en CPU Activa: Fluid compute factura solo por el tiempo en que el código de servicio se está ejecutando realmente, no por toda la vida útil de la instancia. Esto significa que un servidor inactivo atrapado en una solicitud lenta de base de datos no cuesta al equipo más que uno que funciona activamente.

Lo Que Significa Esto

La función Dockerfile.vercel difumina la línea entre plataformas sin servidor como Vercel y nubes de contenedores clásicas: ahora cualquier servicio que se ejecute en Java, PHP o Ruby se puede implementar sin configurar su propio registro de imágenes, demonio o clúster, mientras se obtiene escalado automático e implementaciones de vista previa de forma predeterminada.

Preguntas Frecuentes

¿Qué requisitos necesita un servidor para implementar?

La única condición es que el servidor debe escuchar HTTP en el puerto de la variable de entorno $PORT (predeterminado 80). Si un servicio responde a solicitudes HTTP, se puede envolver en Dockerfile.vercel e implementar.

¿Qué sucede en cada commit?

Cada git push reconstruye la imagen y crea una URL de vista previa separada que se puede abrir, enviar a otros o usar para revertir a una versión anterior del proyecto.

¿En qué marcos funciona esto?

Rails, Spring Boot, Express, Laravel, ASP.NET, FastAPI y servicios detrás de nginx — el ejemplo del blog de Vercel usa golang:1.24-alpine y alpine:3.20 en una compilación de dos etapas.

❓ Preguntas frecuentes sobre la noticia

¿Qué requisitos necesita un servidor para implementar?

La única condición es que el servidor debe escuchar HTTP en el puerto de la variable de entorno $PORT (predeterminado 80). Si un servicio responde a solicitudes HTTP, se puede envolver en Dockerfile.vercel e implementar.

¿Qué sucede en cada commit?

Cada git push reconstruye la imagen y crea una URL de vista previa separada que se puede abrir, enviar a otros o usar para revertir a una versión anterior del proyecto.

¿En qué marcos funciona esto?

Rails, Spring Boot, Express, Laravel, ASP.NET, FastAPI y servicios detrás de nginx — el ejemplo del blog de Vercel usa golang:1.24-alpine y alpine:3.20 en una compilación de dos etapas.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Enterprise AI & Advisory

Executive AI Consulting, Custom Agents & Team Workshops

Work directly with Zhemal Khamidun at hamidun.com — enterprise AI architecture, production RAG & multi-agent systems, and executive training.

Book AI Consultation →Explore NomadNet AI
¿Qué te parece?
Cargando comentarios…