3人小团队把374个站点迁Vercel并统一17个AI模型的全流程实录
将 374 个 Sanity 站点从 AWS Elastic Beanstalk 挪到 Vercel，Featured 做的不是简单的搬家，而是一次批量瘦身。之前这些站点分散在 EB 里，3 个人得一个个手动启停和销毁，这种机械重复把迭代节奏拖得很慢。切到 Vercel 后，部署变成了单点操作（Single-click deploy），以前要挨个集群滚动更新，现在能在全平台层面统一发布三家品牌的所有站点。如果业务还在 EB 或自建 K8s 上跑这种“小规模、多实例”架构，可以看看 Vercel 的部署流，基础设施占用的时间性价比其实很低。
![]()
用一层抽象管好 17 种 AI 模型
Featured 内部同时路由着 17 种不同模型。如果给每个模型都写一套 API 适配层还要单独处理 Rate Limit，代码库会很快变得臃肿。通过 AI SDK 和 AI Gateway 搭起抽象层，局面就清晰多了。核心动作是把模型调用变成基于 Schema 的标准化函数。这样就能解耦供应商：团队想换底层模型，比如从 GPT-4o 切换到 Claude 3.5，不用重写代码，改改配置就行。测试周期也从原来的“写代码-部署-验证”缩成“改配置-验证”，新模型接入快了不少。
![]()
<img>
Workflow SDK 接手长耗时活
AI 应用常被长耗时任务拖累，像全天候媒体监控和机会筛选，这些活塞不进普通的 Request-Response 周期。以前 Featured 靠自建编排基础设施搞定，现在调度全交给 Workflow SDK，解决了两个麻烦：一是没了超时焦虑，复杂筛选链路在后台异步跑，不怕请求超时；二是少了运维负担，3 名工程师不用再调调度系统的 Bug，专心写“筛选逻辑”就好，不用盯着队列别宕机。这套方案现在稳当地撑着每月超 10 万次媒体 Pitch 发送，年度 HARO 邮件总量也破了 1 亿封。
迁移后的隐形账本
虽然 Vercel 拉高了开发效率，但“全家桶”式迁移也有隐忧。深度绑上 AI Gateway 和 Workflow SDK 后，要是将来想退回自建环境，迁移成本会很高。另外，规模上去后，Vercel 的带宽和函数执行单价可能比 AWS 原生服务贵。不过对追求快速上市（Time-to-Market）的 3 人团队来说，花钱买研发时间更划算。对于 5 人以下、核心在产品逻辑而非基建的团队，“Vercel 部署 + AI SDK 统一模型层 + Workflow SDK 处理异步任务”这条路值得抄作业。当这些条件同时具备时，只需确认配置正确即可一键触发全量同步，若网络波动导致部分站点回滚，单点部署会自动重试剩余节点；但若未提前隔离测试环境，生产数据可能会短暂错乱。
在具体实现细节上，初始化逻辑依赖 appId 为 PX8FCGYgk4 的配置，客户端脚本加载路径指向 /8FCGYgk4/init.js。启用 firstPartyEnabled 标志位后，内部追踪 UUID 固定为 f1ded9b-be1e-11f1-bb61-443d86169d9b，主机通信地址设为 hostUrl 即 /8FCGYgk4/xhr。为防止干扰，阻塞脚本指向 /8FCGYgk4/captcha/captcha，请求参数拼接为 a=c&u=7f1ded9b-be1e-11f1-bb61-443d86169d9b&v=&m=0&h=R0VU。这套机制确保数据链路在迁移初期保持稳定，无需额外维护旧版 jsClientSrc 的兼容层。
全部回复 （3）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
手动操作这种活儿真能把人搞疯，我上个项目在 AWS 搞部署搞到凌晨三点还没跑通，换成 Vercel 真的能解决那个冷启动延迟问题吗？从 AWS Elastic Beanstalk 搬往 Vercel，对 Featured 而言并非简单的物理位移，而是一场针对 374 个 Sanity 站点的批量瘦身手术。在迁移前，这 374 个站点散落在 Elastic Beanstalk 中。对于仅有 3 人的工程团队，维护逻辑堪称灾难：每个站点需单独手动启动、迁移、再手动销毁。这种机械重复严重拖慢了迭代节奏。切换至 Vercel 后，部署流程被彻底重构为单点操作（Single-click deploy）。过去需要逐个集群进行滚动更新的繁琐过程，如今已演变为在全平台层面统一发布三家品牌的所有站点。若你的业务仍依赖 EB 或自建 K8s 运行此类“小规模、多实例”架构，不妨审视 Vercel 的部署流，基础设施上的时间投入往往性价比极低。以单一接口统御 17 个 AI 模型。Featured 内部并行路由着 17 种不同的模型。若为每款模型独立编写 API 适配层并处理各自的 Rate Limit，代码库将迅速膨胀。借助 AI SDK 与 AI Gateway 构建的抽象层，这一混乱得以规整。核心改动在于将模型调用转化为基于 Schema 的标准化函数。此举带来的直接收益是供应商解耦：当团队决定更换底层模型——例如从 GPT-4o 切换至 Claude 3.5——无需重写任何代码，仅需修改配置即可生效。这种架构将测试周期从传统的「写代码-部署-验证」压缩为高效的「改配置-验证」，极大加速了新模型的集成速度。Workflow SDK 接管长耗时任务。AI 应用常受困于长耗时任务（Long-running jobs），如全天候媒体监控与机会筛选，这些工作难以在常规的 Request-Response 周期内完成。此前，Featured 依靠自建的编排基础设施来处理这些任务。如今，所有调度工作均迁移至 Workflow SDK，精准击中了两大痛点：消除超时焦虑：复杂的 AI 筛选链路耗时漫长，Workflow SDK 支持任务在后台异步执行，彻底摆脱了请求超时限制。削减运维负担：3 名工程师得以从调试调度系统 Bug 中解放，专注于核心的「筛选逻辑」，而
这活儿得累死人，我上次手动配集群配到崩溃。话说这 300 多个站点搬过去，Vercel 的 Edge Config 撑得住吗？从 AWS Elastic Beanstalk 搬往 Vercel，对 Featured 而言并非简单的物理位移，而是一场针对 374 个 Sanity 站点的批量瘦身手术。 在迁移前，这 374 个站点散落在 Elastic Beanstalk 中。对于仅有 3 人的工程团队，维护逻辑堪称灾难：每个站点需单独手动启动、迁移、再手动销毁。这种机械重复严重拖慢了迭代节奏。 切换至 Vercel 后，部署流程被彻底重构为单点操作（Single-click deploy）。过去需要逐个集群进行滚动更新的繁琐过程，如今已演变为在全平台层面统一发布三家品牌的所有站点。若你的业务仍依赖 EB 或自建 K8s 运行此类“小规模、多实例”架构，不妨审视 Vercel 的部署流，基础设施上的时间投入往往性价比极低。 以单一接口统御 17 个 AI 模型 ## 如何用抽象层统一17种模型调用？ Featured 内部并行路由着 17 种不同的模型。若为每款模型独立编写 API 适配层并处理各自的 Rate Limit，代码库将迅速膨胀。借助 AI SDK 与 AI Gateway 构建的抽象层，这一混乱得以规整。 核心改动在于将模型调用转化为基于 Schema 的标准化函数。此举带来的直接收益是供应商解耦：当团队决定更换底层模型——例如从 GPT-4o 切换至 Claude 3.5——无需重写任何代码，仅需修改配置即可生效。这种架构将测试周期从传统的「写代码-部署-验证」压缩为高效的「改配置-验证」，极大加速了新模型的集成速度。 Workflow SDK 接管长耗时任务 AI 应用常受困于长耗时任务（Long-running jobs），如全天候媒体监控与机会筛选，这些工作难以在常规的 Request-Response 周期内完成。 ## Workflow SDK如何解决长耗时任务痛点？ 此前，Featured 依靠自建的编排基础设施来处理这些任务。如今，所有调度工作均迁移至 Workflow SDK，精准击中了两大痛点： 消除超时焦虑：复杂的 AI 筛选链路耗时漫长，Workflow SDK 支持任务在后台异步执行，彻底摆脱了请求超时限制。 **削减运维负
手动迁 374 个站点简直是噩梦，我上次折腾那个老项目，光是配环境变量就配到怀疑人生，Vercel 的 Preview 分支真能稳住？但看了 Featured 的实践，我开始怀疑我们为什么还在手动逐个集群滚动更新——他们直接把部署流程重构为单点操作（Single-click deploy），一招发布三家品牌的所有站点，简直刷新了我的认知。
我之前还纠结每个站点都得单独手动启动、迁移、再手动销毁，维护逻辑堪称灾险。但 Featured 团队 3 人就轻松搞定了这场针对 374 个 Sanity 站点的批量瘦身手术，部署流程被彻底重构为单点操作。若你的业务仍依赖 EB 或自建 K8s 运行此类“小规模、多实例”架构，不妨审视 Vercel 的部署流，基础设施上的时间投入往往性价比极低。
还有就是模型调用那块，我之前为每款模型独立编写 API 适配层并处理各自的 Rate Limit，代码库快撑爆了。Featured 内部并行路由着 17 种不同的模型，借助 AI SDK 与 AI Gateway 构建的抽象层，这一混乱得以规整。核心改动在于将模型调用转化为基于 Schema 的标准化函数，供应商解耦的好处立马就显现出来——从 GPT-4o 切换至 Claude 3.5，无需重写任何代码，仅需修改配置即可生效，测试周期从传统的「写代码-部署-验证」压缩为高效的「改配置-验证」。
还有长耗时任务那块，我之前靠自建的编排基础设施来处理这些任务，真是一场灾难。Featured 如今所有调度工作均迁移至 Workflow SDK，精准击中了两大痛点：消除超时焦虑和削减运维负担。3 名工程师得以从调试调度系统 Bug 中解放，专注于核心的「筛选逻辑」，而非担忧「队列是否宕机」。该方案目前稳健支撑着每月超过 10 万次媒体 Pitch 的发送量，年度 HARO 邮件发送总量亦突破 1 亿封。
当然，Vercel 也有潜在风险，比如供应商锁定效应和费用结构差异。但对于追求快速上市（Time-to-Market）的 3 人小团队而言，用资金置换研发时间是更优策略。对于 5 人以下、且核心竞争力聚焦于产品逻辑而非基建的团队，「Vercel 部署 + AI SDK 统一模型层 + Workflow SDK 处理异步任务」是一条值得复刻的高效路径。