Vercel leva o Python à GA e lança Daemons para workers em segundo plano

Na conferência Vercel Ship, em São Francisco, a Vercel ampliou o conjunto de cargas de backend que podem rodar na plataforma. O Python chegou à general availability, os contêineres no Vercel Functions permitem usar runtimes próprios e bibliotecas de sistema, e o Vercel Daemons, em beta público, oferece workers em segundo plano que não hibernam entre uma tarefa e outra. Só os backends Python já atendem hoje 150 000 equipes, entre as quais engenheiros da OpenAI, da Polymarket e da Exa.

Python: frameworks em CPython padrão

A empresa dá continuidade ao que começou no ano passado, quando surgiu a configuração zero para Python e TypeScript. Até o verão, ficaram disponíveis o Vercel Services, que permite fazer deploy de frontend e backend juntos, além de filas e workflows duráveis. Agora o Python ganhou o status de GA. FastAPI, Flask e Django rodam em CPython comum, com dependências do PyPI, e a Vercel cuida da detecção do framework, do build e do escalonamento. O desenvolvimento local, os previews e os deploys de produção funcionam como no frontend.

A empresa também lançou SDKs Python para os produtos da plataforma: Vercel Blob para arquivos, Vercel Queues para tarefas em segundo plano, Vercel Workflows para etapas duráveis e Vercel Sandbox para executar código não confiável. O AI SDK para Python cuida do streaming das respostas do modelo e do tratamento de chamadas de ferramentas. Para equipes de AI, esse é um ponto central: o Python continua sendo a principal linguagem em torno dos modelos, e agora não é preciso levá-lo para uma infraestrutura separada.

A Delphi, empresa que cria "mentes" digitais a partir de livros e apresentações, trouxe um caso ilustrativo. Ela migrou o backend Python do AWS ECS para a Vercel. A equipe tem dez engenheiros e nenhum cargo dedicado à infraestrutura, mas faz mais de 100 deploys por dia em produção e processa tarefas em segundo plano pelo Queues. O Founding Engineer Spencer Shoben diz que, com a Vercel, quase não precisa pensar em infraestrutura.

Contêineres e

Daemons: qualquer linguagem e workers sem ociosidade

O runtime de contêineres aceita aplicações em qualquer linguagem, junto com as bibliotecas do sistema operacional e os executáveis necessários. Desde o beta público, 5 000 equipes fizeram 150 000 deploys de contêineres. Os contêineres são implantados como Vercel Functions no Fluid compute e escalam conforme o tráfego. Vale o modelo Active CPU: o tempo de espera por respostas de API, consultas ao banco de dados e inferência de LLM não é cobrado. Essas cargas ficam atrás de CDN e WAF, e há logs e rollbacks para investigação de problemas.

O Daemons resolve outro problema: quando o processo precisa ficar sempre ativo. O contêiner funciona como um worker em segundo plano no Fluid compute, você define o número de instâncias em cada região, e a Vercel mantém essa capacidade e reinicia os processos que falharam ou foram encerrados. No lançamento, há suporte a cargas do tipo pull: o próprio código busca trabalho em outro sistema, por exemplo lendo mensagens de uma fila ou pegando tarefas de um banco de dados.

No exemplo do anúncio, um app de vídeo com frontend em Next.js gera, para cada vídeo enviado, uma cópia para reprodução e uma miniatura. O Dockerfile, baseado em python:3.12-slim, instala o ffmpeg e as dependências e executa o processor.py. O vercel.toml descreve o serviço de frontend, o roteamento e o daemon videos, com uma instância na região iad1 (Washington).

• Python: GA, FastAPI, Flask, Django, dependências do PyPI.
• Escala: 150 000 equipes com backends Python.
• Contêineres: 5 000 equipes e 150 000 deploys durante o beta.
• Cobrança: Active CPU, sem pagar pela espera ociosa de API, banco de dados e LLM.
• Daemons: beta público, número de instâncias definido por região, reinício automático.
• Modo de operação do Daemons no lançamento: apenas cargas pull.

Por onde começar

O caminho mais simples é pegar um serviço Python existente em FastAPI ou Django e verificar se ele funciona com o deploy zero-config. Se você precisa de ffmpeg, bibliotecas nativas ou uma linguagem fora do padrão, adicione um Dockerfile e faça o deploy via Git ou Vercel CLI: a imagem é montada e enviada ao Vercel Container Registry. Para processamento de vídeo, embeddings e outras tarefas longas que consomem uma fila, o Daemons é um candidato natural.

Fique atento às limitações do beta: por enquanto só existe o modelo pull, então workers que esperam conexões de entrada não se encaixam. Antes de migrar, vale comparar a fatura com a atual: o Active CPU compensa quando o serviço passa muito tempo esperando respostas externas e faz menos diferença em cargas de computação constantemente ocupadas.