Vercel запустила Python в общем доступе: шесть SDK и поддержка FastAPI

Vercel перевела поддержку Python в статус general availability. Десять месяцев назад компания поставила цель сделать платформу лучшим местом для Python-приложений, и теперь результат доступен всем: автоопределение четырёх фреймворков, запуск на Fluid compute и шесть Python SDK для хранилищ, очередей, воркфлоу, песочниц, моделей и внешних API. Для компании, выросшей на JavaScript и Next.js, это заметный шаг в сторону бэкенда и ИИ-нагрузок, где Python остаётся языком по умолчанию.

Что Vercel определяет и запускает сама

Платформа читает файлы зависимостей проекта, включая те, что управляются через uv, и сама распознаёт FastAPI, Flask, Django и FastHTML. Сборка и маршрутизация запросов настраиваются автоматически, а статика отдаётся через CDN с учётом особенностей конкретного фреймворка. Вручную собирать конфигурацию не нужно.

В основе рантайма лежит CPython на Linux. Vercel объясняет выбор совместимостью: пакеты и инструменты, к которым привыкли Python-разработчики, должны работать без обходных путей. Приложения исполняются на Fluid compute, который обрабатывает конкурентные запросы и масштабируется вместе с трафиком.

Ключевые параметры релиза:

• рантайм: CPython на Linux;
• вычисления: Fluid compute с управлением конкурентными запросами;
• автоопределение: FastAPI, Flask, Django, FastHTML;
• зависимости: поддержка проектов на uv;
• фуллстек: Vercel Services объединяет бэкенд и фронтенд в одном проекте;
• долгие процессы: Vercel Daemons для воркеров, которые берут задачи из очередей или баз данных.

Vercel Services решает типичную проблему проектов с Python-бэкендом и JavaScript-фронтом. Команда `vercel dev` запускает обе части локально, превью-деплой собирает их вместе, а релиз и откат происходят единым действием. Vercel Daemons закрывает другой сценарий: контейнеры с вашим кодом, пакетами и системными зависимостями остаются запущенными и разбирают очередь заданий.

Шесть SDK под ИИ и фоновые задачи

Вторая половина анонса касается библиотек. Vercel выпустила Python-версии своих инструментов с типовыми аннотациями, async/await и контекстными менеджерами:

• AI SDK for Python: генерация и стриминг ответов моделей, вызов инструментов, сборка агентов;
• Sandbox SDK: создание изолированных сред для запуска кода;
• Workflow SDK: устойчивые воркфлоу с ретраями и сохранением состояния выполнения;
• Queues SDK: отправка и получение сообщений для фоновой работы и уведомлений;
• Blob SDK: загрузка и получение файлов из объектного хранилища;
• Connect SDK: получение учётных данных для обращения к внешним API.

Набор показателен. Sandbox, Workflow и AI SDK образуют стандартную связку для агентных приложений: модель принимает решение, код исполняется в изоляции, а длинная цепочка шагов переживает сбои. Раньше такую связку приходилось собирать из разрозненных сервисов или писать на TypeScript.

Как это выглядит в реальном проекте

В качестве демонстрации автор анонса собрал совместное веб-приложение для Jupyter-ноутбуков. Пользователи создают ноутбуки, публикуют их, форкают чужие и пишут код вместе с ИИ-ассистентом. Фронтенд сделан на Vite, бэкенд на FastAPI, исходники и история чатов лежат в PostgreSQL.

Когда пользователь открывает ноутбук, FastAPI создаёт или переиспользует Vercel Sandbox с Jupyter. Пользовательский код изолирован от бэкенда приложения, браузер подключается к Jupyter напрямую, а смонтированные Drives отдают зависимости и рабочие файлы. При сохранении бэкенд кладёт исходник в PostgreSQL, рендерит изменения в HTML и загружает результат в Blob. Опубликованные ноутбуки читаются через CDN без запуска Python-ядра. После публикации FastAPI отправляет сообщение через Vercel Queues, чтобы обновления дошли до остальных экземпляров бэкенда.

С чего начинать

Для нового проекта проще всего пройти руководство по своему фреймворку. Существующий код имеет смысл проверить на совпадение с автоопределением: если зависимости описаны через uv или стандартные файлы, настройки могут не понадобиться. Для связки FastAPI и Next.js у Vercel есть отдельный курс с деплоем через Services.

В анонсе нет данных о лимитах, ценах и холодных стартах Python-функций. Перед переносом продакшн-нагрузки их стоит проверить в документации и на пилотном сервисе. Особенно это касается тяжёлых ML-зависимостей и долгих воркеров, где Daemons и Fluid compute дадут разный профиль затрат.