专题演讲嘉宾：刘旭

AI Agent 正从"对话式助手"演进为可自主规划、调用工具、执行复杂任务的智能系统，其运行形态日益接近长期在线、有状态、持续协作的软件服务。这一转变使面向传统 Web 应用设计的基础设施显现出新的挑战：Token 成为具备资金属性的新型攻击面，多轮工具调用放大跨地域时延，长连接与状态管理对架构提出更高要求，中心化部署的运维与算力成本亦持续攀升。

本次分享基于协助多家 AI 企业落地的一线经验，首先厘清 Agent 系统与传统 Web 服务在安全、性能与状态管理上的本质差异，并明确界定边缘与中心的职责边界；继而以 Cloudflare 边缘云（Workers、Durable Objects、Container、Anycast）为实现载体，围绕三条主线展开：分层应对模型层的 Prompt 注入与网关层的 Token 盗刷、接口滥用；借助边缘计算与就近调度压降多轮调用时延；依托 Serverless 按需计费与 Durable Objects 实现成本治理与全球状态一致。分享辅以量化数据与真实工程取舍，并给出明确的适用边界。

演讲提纲

1. AI Agent 生产化的核心挑战

• Agent 与传统 Web 的范式差异：从无状态请求-响应，到长在线、有状态、多轮协作
• 差异衍生的核心诉求：安全治理、时延优化、成本与运维效率

2. 边缘原生能力模型与职责边界

• 四类核心能力：边缘计算、Serverless 运行时、持久化状态、全球 Anycast
• 边缘原生适配 Agent 场景的核心逻辑

3. Cloudflare 边缘云工程实践

• 安全分层：网关层治理 Token 盗刷、接口滥用与 Bot；模型层对 Prompt 注入实施边缘辅助过滤
• 全球低时延：Anycast 就近接入与边缘容器就近拉起，消除骨干网路由时延
• 成本与状态：Serverless 按请求计费的成本模型，Durable Objects 维持长连接与强一致状态

4. 落地案例、量化收益与工程取舍

• 典型企业案例说明
• 典型工程取舍与选型建议

演讲亮点

• 边缘与中心的职责边界模型：明确 Agent 各环节的下沉与留守原则，以边界清晰度建立技术公信力
• 安全风险的分层拆解：区分网关层可根治的接口类风险与模型层需协同应对的语义类风险，界定能力边界
• Serverless 成本模型解析：基于按需计费与零运行期开销，量化 AI Agent 的能效比
• 数据支撑的一线案例：呈现真实量化收益与工程取舍，而非概念演示

听众收益

• 一套 Agent 安全分层防御框架：厘清边缘网关根治与模型层协同的边界，规避"单一 WAF 通治"的误区，落地"安全即降本"的实践路径
• 一份边缘与中心的架构选型依据：明确各环节下沉边界，以 Anycast 与边缘容器化解多轮调用的时延累积，支撑前瞻而审慎的架构决策
• 一个高并发长连接与状态一致的技术范式：借助 Durable Objects 在边缘构建状态协同层，叠加 Serverless 弹性释放，同步降低跨域时延与中心化运维成本
• 一组可复用的量化基线：提供时延、成本与状态迁移的真实数量级参考，为规模化落地提供对标依据