Agent 部署实操指南：从本地到生产的四种方案

这篇指南解决什么问题

你已经在本地跑通了一个 Agent Demo——可能是跟着 AI 编程趋势日报 Agent 做的，也可能是自己的项目。现在你想让它每天自动运行、或者让团队成员通过 API 调用。

Agent 部署与生产化指南 讲的是生产化决策框架（监控、版本、成本、安全）。本文讲的是更前置的问题：具体选哪种部署方式、怎么配、多少钱、踩什么坑。

如果你正在学 Agent 开发路线，本文是 学习路线图 Phase 3 的必读篇。

部署前先回答三个问题

选方案之前，先明确：

决策矩阵

你的 Agent 做什么？
│
├─ 定时任务（每天/每小时跑一次）
│  → Option 2: Serverless（Cloudflare Workers Cron）
│
├─ 通过 API 被调用（短任务）
│  → Option 2: Serverless（Workers / Vercel）
│
├─ 持续运行（如客服 Agent、长任务处理）
│  → Option 3: 容器化（Docker + Fly.io / Railway）
│
├─ 企业环境、敏感数据
│  → Option 4: 生产级（私有环境 + 监控 + 队列）
│
└─ 还在开发调试
   → Option 1: 本地运行

Option 1：本地运行

适合个人脚本和调试。零成本，零部署。

# 用 cron 每天早上 9 点运行
crontab -e
# 添加：
0 9 * * * cd /path/to/ai-coding-trends-agent && /usr/bin/python agent.py >> logs/cron.log 2>&1

或者用 Python 自带的 schedule 库：

import schedule
import time

schedule.every().day.at("09:00").do(main)

while True:
    schedule.run_pending()
    time.sleep(60)

成本：0 元（只需 OpenAI API 费用）。

限制：电脑关机就不跑；没有错误告警；不适合给其他人用。

Option 2：Serverless 部署

推荐短任务（< 30 秒）优先选 Serverless。按调用计费、自动扩缩、无需维护服务器。

Cloudflare Workers + Cron Trigger

适合定时触发的 Agent 任务。免费计划每天 10 万次请求。

wrangler.toml：

name = "my-agent"
main = "src/index.ts"
compatibility_date = "2026-06-01"

[triggers]
crons = ["0 1 * * *"]  # UTC 01:00 = 北京时间 09:00

[vars]
MODEL = "gpt-4o-mini"

src/index.ts（TypeScript 版骨架）：

export default {
  async scheduled(event: ScheduledEvent, env: Env): Promise<void> {
    const apiKey = env.OPENAI_API_KEY;
    if (!apiKey) throw new Error("OPENAI_API_KEY not set");

    // 在这里调用 Agent 逻辑
    const result = await runAgent(apiKey, env.MODEL);
    console.log("Agent result:", result);
  },

  async fetch(): Promise<Response> {
    return new Response("Agent is running on schedule. Check logs for output.");
  },
};

部署：

npx wrangler secret put OPENAI_API_KEY
npx wrangler deploy

Vercel / Railway（对比）

短任务选 Workers，HTTP API 触发选 Vercel，需要长时间运行选 Railway。

成本：Cloudflare Workers 免费计划覆盖大多数个人项目；Vercel Hobby 免费但超时 10 秒；超出后按用量计费（$0.30/百万请求级别）。

Option 3：容器化部署

适合长时运行、需要状态持久化、或 Agent 依赖不适合 Serverless 环境的库（如 Playwright、Selenium）。

Dockerfile

FROM python:3.12-slim

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY . .

CMD ["python", "-m", "agent"]

构建和本地测试：

docker build -t ai-coding-trends-agent .
docker run --env-file .env ai-coding-trends-agent

部署到 Fly.io

# 安装 flyctl
curl -L https://fly.io/install.sh | sh

# 初始化项目（生成 fly.toml）
fly launch

# 设置密钥
fly secrets set OPENAI_API_KEY=sk-... GITHUB_TOKEN=ghp_...

# 部署
fly deploy

Fly.io 按实例计费：最小 VM 约 $1.94/月（256MB RAM，共享 CPU）。适合 7x24 运行的 Agent。

部署到 Railway

railway init
railway up

Railway 检测到 Dockerfile 后自动构建。在 Dashboard 设置环境变量即可。

成本：Fly.io 最小实例 ~$2/月；Railway 按用量计费，试用额度 $5；自建 VM 取决于云厂商（$3-10/月区间）。

Option 4：生产级部署（概览）

企业环境或有合规要求时，需要更完整的架构。本文只做概览——详细决策框架参见 Agent 部署与生产化指南。

常见故障排查

遇到平台限制变化时，去对应官方文档确认最新值：

• Workers 限制：https://developers.cloudflare.com/workers/platform/limits/
• Docker 文档：https://docs.docker.com/
• Fly.io 限制：https://fly.io/docs/about/pricing/

决策树总结

一句话原则：先用最简单的方案跑起来（本地 → Serverless → 容器 → 生产级），只在当前方案遇到瓶颈时才升级。不要一开始就上 K8s。