全员 Vibe Coding 是个陷阱：读 Cloudflare OS 内部 AI 落地架构有感
全员发 Copilot 账号，或者办一场全员 vibe-coding 大赛，是过去两年绝大多数企业落地 AI 时的标准动作。然而，当一名销售团队员工带着 AI 搭建的“超级应用”，要求 IT 部门开通十几套核心生产系统的 API 密钥和管理员权限时，Cloudflare CIO Sam Rhea 意识到：不加约束的全员自主开发，不仅没有带来效率革命，反而成了企业安全与数据治理的噩梦。
Cloudflare 最近在 Agents Week 上开源了其内部研发的 AI Agent 工作台——Cloudflare OS。这不仅是一份技术架构方案，更是一篇极其冷静的 Enterprise AI 落地反思录。读完这篇文章，我对企业到底该如何推进 AI Agent 产生了深刻的共鸣与新的判断。
危险的幻觉：为什么全员 Vibe Coding 无法解决业务痛点？
Section titled “危险的幻觉：为什么全员 Vibe Coding 无法解决业务痛点？”工程师之所以能顺畅使用 AI 编写代码，是因为软件工程天然拥有版本控制（Git）、沙盒环境和严格的 CI/CD 流程。但把同样的工具套给非技术团队时，问题就出现了。
非工程师的工作跨越了数十个独立的 SaaS 系统（Jira、Salesforce、数据看板），日常任务多为一次性、非标准化的需求。如果给每个人提供一个擅长写代码的开发容器，最终收获的不会是业务效率飞跃，而是大量**“寻找问题的氛围感应用 (Vibe-coded Apps)”**。这些应用往往缺乏真正的业务逻辑，却贪婪地索要底层系统的生产 API 权限。
正如我在分析 Copilot Harness 架构 时提到的，模型本身并不自带业务洞察，缺乏脚手架与护栏的 AI 接入只会加速低质产物的堆积。Cloudflare 的第一条铁律明确指出：AI 落地必须以“待办任务 (Jobs to be Done)”为先，不为用 AI 而用 AI。
“神奇 AI 邮箱”：今年最优雅的真实需求挖掘法
Section titled ““神奇 AI 邮箱”：今年最优雅的真实需求挖掘法”很多企业在推动 AI 时，习惯于向各部门发放调查问卷，或者由 IT 部门凭空设计自动化流程。Cloudflare 采取了一个极具反直觉却效果拔群的做法——神奇 AI 邮箱 (Magic AI Email Bot)。
公司告知所有员工：“把你平时最讨厌、最繁琐的重复性工作，直接发给这个 AI 邮箱。”而在邮箱幕后，一开始其实是由一个小型团队人工配合 AI 工具进行手动履约。
这一做法的精妙之处在于：
- 打破伪需求：员工很喜欢提出花哨的 AI 设想，但只有真正让他们感到痛苦的繁琐事务，才会主动发到邮箱里。
- 沉淀高频 Pattern：在手动处理数千次邮件交互后，IT 团队观察到了真实的高频需求模式，提炼出专属的技能文件 (Skills)、数据连接与上下文逻辑。
- 针对性自动化：当模式足够清晰后，再将其编写为确定性的代码和技能，彻底替代人工履约。
这种“假自动化、真需求挖掘”的手段，远比自上而下的流程设计真实得多。它从源头确保了最终构建的每一个 Agent 都精准击中业务阵痛。
架构的基石：Gatekeeper Worker 与 Zero Trust 鉴权
Section titled “架构的基石：Gatekeeper Worker 与 Zero Trust 鉴权”任何企业落地 Agent，最核心的顾虑都是权限放大 (Permission Amplification)——员工使用 Agent 时，绝不能拥有超过其自身的系统权限；共享 Agent 给同事时，也不能让同事继承创建者的特权。
Cloudflare 的解答是 Context & Gatekeeper > Model。
系统将所有的 Agent置于默认零权限状态。当 Agent 需要与 Jira、Salesforce 或数据库交互时，必须通过一个由 Cloudflare Workers 搭建的 Gatekeeper Worker（看门人系统）。
结合 Cloudflare 自研的 MCP 协议 架构，Gatekeeper Worker 扮演了防弹玻璃的角色：
- 密钥零暴露：Agent 代码本身完全接触不到第三方 API Keys。
- 动态鉴权：查询请求由 Gatekeeper 依据当前发起用户的 Access 权限进行细粒度裁剪。
- 集中治理：在 AI Gateway 层统一施加 DLP（数据防泄漏）规则与日志审计，防止敏感数据流出。
这一架构证明：企业的核心资产不是采购了哪家的顶级大模型，而是是否构建了安全可控的内部上下文与中间件治理层。
范式转移：从烧 Token 推理到确定性 Gadget
Section titled “范式转移：从烧 Token 推理到确定性 Gadget”在 Cloudflare OS V1 阶段，用户运行 Skill 依然依赖纯 LLM 推理 Session。这种模式不仅昂贵（例如花 20 美元去总结邮箱），而且缺乏稳定性。很多日常工作本质上是确定性的流程，只需要在关键节点引入推理或人类判断。
到了 V2 阶段，Cloudflare 实现了一次关键的范式转移：让 AI 成为工具打造者 (Toolmaker)，而非重复执行者。
用户只需要用自然语言描述工作流，AI Agent 就会自动编写出无服务器代码，生成跑在 Cloudflare Workers 上的 Gadget（确定性小应用）。比如 CIO 每日查看的 IT 工单看板，由 Gadget 负责确定性数据查询与图表渲染，只有在草稿回复等环节才按需调用 LLM。这样一来，每日报告生成的 Token 消耗直接归零。
从全员发账号，到神奇邮箱捕获需求；从权限失控的噩梦，到 Gatekeeper Worker 细粒度锁定；从纯 Token 消耗到确定性无服务器应用——Cloudflare OS 的实践为所有探索 Enterprise AI 的团队树立了标杆。
未来的 Enterprise AI 绝不是每个人面前开着一个重型的 Chat 聊天框，而是由自然语言即时生成、在安全沙盒中静默运行的无数确定性 Gadget。
你所在的企业在推动 AI 落地时，是否也遇到了全员写“氛围感代码”或权限放大的困扰？欢迎在评论区分享你的看法。