Delphi如何用Vercel支撑「数字分身」：10人团队的无运维实践

把专家知识变成「数字分身」

Delphi（@withdelphi）正在做一件颇有想象力的事：让各领域专家把自己的知识、经验和思维方式转化为一个可交互的「数字分身」（digital mind）。用户可以随时向这个 AI 版本的专家提问，获得贴近本人风格的回答。

这类产品的技术挑战并不小——它需要处理长时间运行的推理任务、后台批量作业，以及高频的迭代部署。而根据 Twitter 上公开的技术分享，Delphi 用一套相当精简的架构撑起了整个系统。

Delphi 团队的技术分享

一个没有专职运维的工程团队

最值得关注的细节是团队规模：Delphi 的工程团队仅有 10 名工程师，且没有专门的基础设施（infrastructure）岗位。

在传统认知里，支撑一个需要长时任务、后台队列和高频部署的 AI 产品，往往意味着要投入专门的 DevOps 或 SRE 团队来维护 Kubernetes 集群、消息队列和 CI/CD 流水线。Delphi 的做法则是把这些运维负担尽可能外包给平台，让每一名工程师都能专注在产品逻辑本身。

这背后反映的是当下一个明显趋势：随着 Serverless 与托管平台能力增强，小团队正越来越有能力独立支撑起过去需要庞大后端团队的复杂系统。

全栈跑在 Vercel 上的架构选择

根据分享内容，Delphi 的 Python 后端完整运行在 Vercel 之上，并用到了 Vercel 生态里几个较新的能力：

长时任务：Vercel Workflows

AI 智能体（agent）的推理往往不是一次简单的请求-响应就能完成，而是涉及多步骤、可能持续数十秒甚至更久的流程。传统 Serverless 函数存在执行时长限制，难以承载这类「长跑」任务。Delphi 把长时运行的 agent 放在 Vercel Workflows 上，用工作流编排来解决执行时长和状态管理的问题。

Vercel Workflows 是 Vercel 推出的托管工作流编排服务，允许开发者将多个函数调用串联成有状态的执行链，单个工作流的运行时长可以远超普通 Serverless 函数几秒到几十秒的上限（部分场景支持到数小时级别）。它内置了步骤重试、错误处理和执行状态持久化能力，开发者无需自行维护任务调度器或状态数据库。对于 AI Agent 场景而言，这一点尤为关键——一次推理可能涉及多轮 LLM 调用、外部工具调用（如搜索、代码执行）以及中间结果的存储，传统无状态 Serverless 函数很难优雅地处理这类有依赖关系的多步任务流。

后台作业：Vercel Queues

对于不需要即时返回的异步任务，团队使用 Vercel Queues 处理后台作业（background jobs）。这让耗时的处理逻辑可以从主请求路径中剥离出来，既保证了用户侧的响应速度，又不必自己搭建和维护独立的消息队列基础设施。

消息队列（Message Queue）是分布式系统中用于解耦生产者与消费者的经典组件：生产者将任务写入队列后立即返回，消费者异步取出任务并处理。传统方案需要团队自行部署和运维 RabbitMQ、Kafka 或 AWS SQS 等独立服务，并处理消息堆积、死信队列、消费者扩缩容等运维问题。Vercel Queues 将这套基础设施封装为平台原生能力，开发者只需定义消费函数和触发逻辑，队列的持久化、重试策略和并发控制均由平台托管，省去了专职人员维护消息中间件的成本。

高频部署：每天 100+ 次上线

最能体现这套架构效率的数字，是 Delphi 保持着每天 100 次以上的生产环境部署。如此高的部署频率通常需要成熟的 CI/CD 体系与稳定的回滚机制支撑，而借助 Vercel 的部署流程，一个 10 人团队得以维持这样的迭代节奏——这对产品快速试错和功能上线速度都是极大的助力。

每天 100 次以上的部署频率在工程实践中通常与「持续部署」（Continuous Deployment，CD）理念相关联——即每一次代码合并通过测试后自动推送到生产环境，而非积累成周期性的大版本发布。Vercel 的部署模型天然契合这一节奏：每次 git push 触发构建，几分钟内即可生成预览链接或直接上线，同时保留每个历史版本的快照，支持一键回滚（instant rollback）。对于 AI 产品而言，Prompt 调优、模型切换、特征逻辑修改往往非常频繁，高频部署能力直接决定了团队验证假设、响应用户反馈的速度。

这套实践说明了什么

Delphi 的案例给同类 AI 创业团队提供了几点参考。

其一，平台化正在重塑基础设施的成本结构。当 Workflows、Queues 这类能力被托管平台原生集成后，长时任务和异步作业不再需要专门团队从零搭建，工程资源可以更集中地投向产品差异化。

其二，Python 后端也能纳入以前端著称的 Vercel 生态。这打破了 Vercel 主要服务于 JavaScript/前端项目的固有印象，说明其正在向全栈、AI 后端场景扩展。

其三，高频部署与小团队并不矛盾。每天 100+ 次上线的背后，是把运维复杂度交给平台、让工程师聚焦业务的组织哲学。对于追求速度的早期团队，这种「借力」策略值得借鉴。

需要说明的是，这些信息来自 Twitter 上的一条技术分享，属于单一来源的宣传性内容，具体的架构细节、成本与稳定性表现仍需更多公开资料佐证。但即便如此，它清晰地勾勒出一种「小团队 + 托管平台」支撑复杂 AI 产品的可行路径。

小结

Delphi 用一套跑在 Vercel 上的 Python 后端，结合 Workflows 处理长时 agent、Queues 处理后台作业，让 10 人无专职运维的团队维持每天上百次的生产部署。这既是一个具体的工程实践样本，也折射出 Serverless 与托管平台正在如何降低 AI 应用的基础设施门槛。