Vercel lança Python em disponibilidade geral: seis SDKs e suporte a FastAPI

A Vercel elevou o suporte a Python ao status de general availability. Há dez meses, a empresa definiu como meta fazer da plataforma o melhor lugar para aplicações Python, e agora o resultado está disponível para todos: detecção automática de quatro frameworks, execução no Fluid compute e seis SDKs Python para armazenamento, filas, workflows, sandboxes, modelos e APIs externas. Para uma empresa que cresceu com JavaScript e Next.js, é um passo relevante em direção ao backend e às cargas de trabalho de IA, em que o Python continua sendo a linguagem padrão.

O que a Vercel detecta e executa sozinha

A plataforma lê os arquivos de dependências do projeto, inclusive os gerenciados pelo uv, e reconhece por conta própria FastAPI, Flask, Django e FastHTML. O build e o roteamento de requisições são configurados automaticamente, e os arquivos estáticos são servidos pela CDN levando em conta as particularidades de cada framework. Não é preciso montar a configuração manualmente.

O runtime é baseado em CPython no Linux. A Vercel justifica a escolha pela compatibilidade: os pacotes e as ferramentas a que os desenvolvedores Python estão acostumados devem funcionar sem gambiarras. Os aplicativos rodam no Fluid compute, que processa requisições concorrentes e escala junto com o tráfego.

Principais parâmetros do lançamento:

• runtime: CPython no Linux;
• computação: Fluid compute com gerenciamento de requisições concorrentes;
• detecção automática: FastAPI, Flask, Django, FastHTML;
• dependências: suporte a projetos com uv;
• fullstack: o Vercel Services reúne backend e frontend em um único projeto;
• processos de longa duração: Vercel Daemons para workers que pegam tarefas de filas ou bancos de dados.

O Vercel Services resolve um problema típico de projetos com backend em Python e frontend em JavaScript. O comando `vercel dev` executa as duas partes localmente, o deploy de preview as constrói juntas, e o release e o rollback acontecem em uma única ação. O Vercel Daemons cobre outro cenário: contêineres com o seu código, pacotes e dependências de sistema permanecem em execução e processam a fila de tarefas.

Seis SDKs para IA e tarefas em segundo plano

A segunda metade do anúncio trata das bibliotecas. A Vercel lançou versões em Python de suas ferramentas, com anotações de tipo, async/await e gerenciadores de contexto:

• AI SDK for Python: geração e streaming de respostas de modelos, chamada de ferramentas, construção de agentes;
• Sandbox SDK: criação de ambientes isolados para execução de código;
• Workflow SDK: workflows duráveis com retentativas e persistência do estado de execução;
• Queues SDK: envio e recebimento de mensagens para trabalho em segundo plano e notificações;
• Blob SDK: upload e download de arquivos do armazenamento de objetos;
• Connect SDK: obtenção de credenciais para acessar APIs externas.

O conjunto é revelador. Sandbox, Workflow e AI SDK formam a combinação padrão para aplicações com agentes: o modelo toma a decisão, o código roda de forma isolada e uma longa cadeia de etapas sobrevive a falhas. Antes, era preciso montar essa combinação a partir de serviços avulsos ou escrevê-la em TypeScript.

Como fica em um projeto real

Como demonstração, o autor do anúncio montou um aplicativo web colaborativo para notebooks Jupyter. Os usuários criam notebooks, publicam, fazem fork dos de outras pessoas e escrevem código junto com um assistente de IA. O frontend foi feito com Vite, o backend com FastAPI, e o código-fonte e o histórico de chats ficam no PostgreSQL.

Quando o usuário abre um notebook, o FastAPI cria ou reaproveita um Vercel Sandbox com Jupyter. O código do usuário fica isolado do backend da aplicação, o navegador se conecta ao Jupyter diretamente, e os Drives montados fornecem as dependências e os arquivos de trabalho. Ao salvar, o backend grava o código-fonte no PostgreSQL, renderiza as alterações em HTML e envia o resultado ao Blob. Os notebooks publicados são lidos pela CDN, sem iniciar um kernel Python. Depois da publicação, o FastAPI envia uma mensagem pelo Vercel Queues para que as atualizações cheguem às demais instâncias do backend.

Por onde começar

Para um projeto novo, o mais simples é seguir o guia do seu framework. No caso de código já existente, vale verificar se ele se enquadra na detecção automática: se as dependências estiverem descritas via uv ou nos arquivos padrão, talvez nenhuma configuração seja necessária. Para a combinação de FastAPI e Next.js, a Vercel oferece um curso específico, com deploy via Services.

O anúncio não traz dados sobre limites, preços e cold starts das funções Python. Antes de migrar uma carga de produção, convém conferir esses pontos na documentação e em um serviço-piloto. Isso vale especialmente para dependências pesadas de ML e workers de longa duração, em que Daemons e Fluid compute resultarão em perfis de custo diferentes.