Vercel lleva Python a GA y lanza Daemons para workers en segundo plano

En la conferencia Vercel Ship, en San Francisco, Vercel amplió el abanico de cargas de backend que se pueden ejecutar en su plataforma. Python ha pasado a general availability, los contenedores en Vercel Functions permiten usar runtimes propios y bibliotecas del sistema, y Vercel Daemons, en beta pública, ofrece workers en segundo plano que no se duermen entre tareas. Solo los backends Python los usan hoy 150 000 equipos, entre ellos ingenieros de OpenAI, Polymarket y Exa.

Python: frameworks sobre CPython estándar

La compañía continúa la línea del año pasado, cuando llegó la configuración cero para Python y TypeScript. Hacia el verano se habilitó Vercel Services, que permite desplegar juntos frontend y backend, además de colas y workflows duraderos. Ahora Python recibe el estatus GA. FastAPI, Flask y Django funcionan sobre CPython estándar con dependencias de PyPI, y Vercel se encarga de detectar el framework, compilar y escalar. El desarrollo local, las previews y los despliegues a producción funcionan igual que en el frontend.

Por separado se han publicado SDK de Python para los productos de la plataforma: Vercel Blob para archivos, Vercel Queues para tareas en segundo plano, Vercel Workflows para pasos duraderos y Vercel Sandbox para ejecutar código no confiable. El AI SDK para Python gestiona el streaming de las respuestas del modelo y el procesamiento de las llamadas a herramientas. Para los equipos de AI es una pieza clave: Python sigue siendo el lenguaje principal en torno a los modelos, y ya no hace falta sacarlo a una infraestructura aparte.

Como caso ilustrativo, Vercel citó a Delphi, una empresa que crea «mentes» digitales a partir de libros y presentaciones. Delphi migró su backend Python de AWS ECS a Vercel. Su equipo tiene diez ingenieros y ningún rol dedicado a infraestructura, pero despliega a producción más de 100 veces al día y procesa las tareas en segundo plano con Queues. Spencer Shoben, Founding Engineer, dice que con Vercel casi no hay que pensar en la infraestructura.

Contenedores y

Daemons: cualquier lenguaje y workers sin tiempo muerto

El runtime de contenedores acepta aplicaciones en cualquier lenguaje, junto con las bibliotecas del sistema operativo y los ejecutables que necesiten. Desde la beta pública, 5 000 equipos han realizado 150 000 despliegues de contenedores. Los contenedores se despliegan como Vercel Functions sobre Fluid compute y escalan con el tráfico. Se aplica el modelo Active CPU: el tiempo de espera de respuestas de API, consultas a bases de datos e inferencia de LLM no se tarifica. Delante de estas cargas hay CDN y WAF, y para las investigaciones se dispone de logs y rollbacks.

Daemons resuelven otro problema: el proceso debe estar siempre activo. El contenedor funciona como worker en segundo plano sobre Fluid compute, tú defines el número de instancias en cada región y Vercel mantiene esa capacidad y reinicia los procesos que se hayan caído o terminado. En el lanzamiento se admiten cargas pull: el propio código solicita trabajo a otro sistema, por ejemplo leyendo mensajes de una cola o recogiendo tareas de una base de datos.

En el ejemplo del anuncio, una aplicación de vídeo con frontend en Next.js prepara, para cada vídeo subido, una copia para reproducción y una miniatura. Un Dockerfile basado en python:3.12-slim instala ffmpeg y las dependencias, y ejecuta processor.py. En vercel.toml se describen el servicio de frontend, el enrutamiento y el daemon videos, con una instancia en la región iad1 (Washington).

• Python: GA, FastAPI, Flask, Django, dependencias de PyPI.
• Escala: 150 000 equipos con backends Python.
• Contenedores: 5 000 equipos y 150 000 despliegues durante la beta.
• Tarificación: Active CPU, sin cobro por el tiempo muerto de espera de API, bases de datos y LLM.
• Daemons: beta pública, el número de instancias se define por región, reinicio automático.
• Modo de funcionamiento de Daemons en el lanzamiento: solo cargas pull.

Por dónde empezar

Lo más sencillo es tomar un servicio Python existente en FastAPI o Django y comprobar si encaja en un despliegue zero-config. Si necesitas ffmpeg, bibliotecas nativas o un lenguaje no estándar, añade un Dockerfile y despliega mediante Git o Vercel CLI: la imagen se compilará y se guardará en Vercel Container Registry. Para procesar vídeo, generar embeddings y otras tareas largas que consumen una cola, Daemons es un candidato lógico.

Ten en cuenta las limitaciones de la beta: por ahora solo existe el modelo pull, así que los workers que esperan conexiones entrantes no encajan. Antes de migrar conviene comparar la factura con la actual: Active CPU resulta ventajoso cuando el servicio pasa mucho tiempo esperando respuestas externas, y se nota menos en cargas de cómputo constantemente ocupadas.