Vercel lanza Python en disponibilidad general: seis SDK y compatibilidad con FastAPI

Vercel ha elevado el soporte de Python al estado de general availability. Hace diez meses, la compañía se fijó el objetivo de convertir su plataforma en el mejor lugar para aplicaciones Python, y ahora el resultado está al alcance de todos: detección automática de cuatro frameworks, ejecución en Fluid compute y seis SDK de Python para almacenamiento, colas, workflows, sandboxes, modelos y API externas. Para una empresa que creció con JavaScript y Next.js, supone un paso notable hacia el backend y las cargas de trabajo de IA, donde Python sigue siendo el lenguaje por defecto.

Qué detecta y ejecuta Vercel por sí sola

La plataforma lee los archivos de dependencias del proyecto, incluidos los que se gestionan con uv, y reconoce por su cuenta FastAPI, Flask, Django y FastHTML. La compilación y el enrutamiento de las solicitudes se configuran de forma automática, y los archivos estáticos se sirven a través de la CDN teniendo en cuenta las particularidades de cada framework. No hace falta montar la configuración a mano.

El runtime se basa en CPython sobre Linux. Vercel justifica la elección por la compatibilidad: los paquetes y herramientas a los que están acostumbrados los desarrolladores de Python deben funcionar sin rodeos. Las aplicaciones se ejecutan en Fluid compute, que gestiona solicitudes concurrentes y escala junto con el tráfico.

Parámetros clave del lanzamiento:

• runtime: CPython sobre Linux;
• cómputo: Fluid compute con gestión de solicitudes concurrentes;
• detección automática: FastAPI, Flask, Django, FastHTML;
• dependencias: compatibilidad con proyectos que usan uv;
• fullstack: Vercel Services reúne backend y frontend en un solo proyecto;
• procesos de larga duración: Vercel Daemons para workers que toman tareas de colas o bases de datos.

Vercel Services resuelve un problema habitual en los proyectos con backend en Python y frontend en JavaScript. El comando `vercel dev` levanta ambas partes en local, el despliegue de vista previa las compila juntas, y tanto el lanzamiento como el rollback se hacen en una sola acción. Vercel Daemons cubre otro escenario: los contenedores con tu código, tus paquetes y tus dependencias del sistema permanecen en ejecución y procesan la cola de tareas.

Seis SDK para IA y tareas en segundo plano

La segunda mitad del anuncio se centra en las bibliotecas. Vercel ha publicado versiones en Python de sus herramientas, con anotaciones de tipos, async/await y gestores de contexto:

• AI SDK for Python: generación y streaming de respuestas de modelos, llamada a herramientas, construcción de agentes;
• Sandbox SDK: creación de entornos aislados para ejecutar código;
• Workflow SDK: workflows duraderos con reintentos y persistencia del estado de ejecución;
• Queues SDK: envío y recepción de mensajes para trabajo en segundo plano y notificaciones;
• Blob SDK: subida y descarga de archivos desde el almacenamiento de objetos;
• Connect SDK: obtención de credenciales para acceder a API externas.

El conjunto es revelador. Sandbox, Workflow y AI SDK forman la combinación estándar para aplicaciones basadas en agentes: el modelo toma una decisión, el código se ejecuta de forma aislada y una larga cadena de pasos sobrevive a los fallos. Hasta ahora, esa combinación había que ensamblarla con servicios dispersos o escribirla en TypeScript.

Cómo se ve en un proyecto real

Como demostración, el autor del anuncio construyó una aplicación web colaborativa para cuadernos de Jupyter. Los usuarios crean cuadernos, los publican, hacen fork de los ajenos y escriben código junto con un asistente de IA. El frontend está hecho con Vite, el backend con FastAPI, y el código fuente y el historial de chats se guardan en PostgreSQL.

Cuando un usuario abre un cuaderno, FastAPI crea o reutiliza un Vercel Sandbox con Jupyter. El código del usuario queda aislado del backend de la aplicación, el navegador se conecta directamente a Jupyter y los Drives montados aportan las dependencias y los archivos de trabajo. Al guardar, el backend almacena el código fuente en PostgreSQL, renderiza los cambios en HTML y sube el resultado a Blob. Los cuadernos publicados se leen a través de la CDN sin lanzar el kernel de Python. Tras la publicación, FastAPI envía un mensaje mediante Vercel Queues para que las actualizaciones lleguen al resto de instancias del backend.

Por dónde empezar

Para un proyecto nuevo, lo más sencillo es seguir la guía del framework correspondiente. En el código existente conviene comprobar si coincide con la detección automática: si las dependencias están descritas con uv o con archivos estándar, puede que no haga falta ningún ajuste. Para la combinación de FastAPI y Next.js, Vercel ofrece un curso específico con despliegue mediante Services.

El anuncio no incluye datos sobre límites, precios ni arranques en frío de las funciones de Python. Antes de migrar una carga de producción, conviene comprobarlos en la documentación y en un servicio piloto. Esto es especialmente relevante para las dependencias pesadas de ML y los workers de larga duración, donde Daemons y Fluid compute darán un perfil de costes distinto.