一个时尚品牌的秋冬campaign，从概念到成片要迭代多少版本？同一套衣服换5个模特、同一姿势调12种光、背景从 glossy 切到 gritty——这不是奢侈，是专业创作的日常。FLORA 做的就是把这套流程塞进一个数字画布，现在他们又往里面塞了个叫 FAUNA 的创意代理。
问题是：当 50+ 图像模型同时运转，生成一张图要几分钟，而用户一次探索可能并发几十条分支——你怎么保证这东西不崩？
FLORA 的解法是把整个生成系统迁到 Vercel AI Stack。迁移后，上线速度快了 2 倍，团队再也不用为基础设施吵架。Alec Jo，FLORA 应用 AI 负责人，带队完成了这次搬家。
从画布到代理：FAUNA 砍掉了什么
FLORA 最初是个节点式创意工作流画布。高级用户爱它：你能创建步骤和分支，在每个节点塞详细提示词，把图像的每个细节磨到极致。
但代价也很实在——每个创作者都得像工作流设计师那样思考。你得为每次探索配置状态：写提示词、选模型、调参数。创意流程被不断打断。
FAUNA 就是来砍掉这套 setup 负担的。用户不再面对空白画布和一摞参考图，而是直接说想要什么：campaign 视觉、moodboard、lookbook 方向。代理自己去拉参考、选模型、生成变体供你挑。
听起来像把复杂藏起来了？对，但 Alec 团队在开发时发现自己掉进了同样的坑——花太多时间配置 AI 技术栈，而不是迭代代理本身。LangChain 的 agent 原语、Temporal 的编排，两套系统、两套抽象，维护成本把产品节奏拖慢。
迁移到 Vercel AI SDK 后，agent 框架直接提供了模型调用、工具调用、状态管理的开箱即用原语。Alec 的原话：「我们终于可以专注于 agent 的行为逻辑，而不是 plumbing。」
视觉工作流的隐藏复杂度
如果你主要用 AI 处理文本，很容易低估视觉工作流的基建压力。
图像和视频生成动辄几分钟。一次创意 session 可能炸出大量并发任务：不同角度、背景、风格方向、模型供应商，还有各种「如果这样会怎样」的分支。这些任务要同时跑、先后完成，最后还得汇成一条用户能导航的连贯探索路径。
FLORA 的 FAUNA 是个长时运行、高度并行的代理。Vercel 的流式响应和边缘基础设施让它能实时推送生成进度，用户不用干等。50+ 模型编排的背后，是 AI SDK 的统一接口在消化不同供应商的异构性。
一个细节：FAUNA 的「探索-细化」循环是状态化的。用户每次选择或拒绝，代理都记住上下文，下一轮生成更准。这种长时状态管理在传统 serverless 架构里是个麻烦，Vercel 的函数路由和存储方案把它包进去了。
2 倍速背后的取舍
迁移后，FLORA 的指标很直白：生产环境上线速度快 2 倍，基础设施讨论归零。Alec 没说具体省了多少钱，但「zero infrastructure debates」这个表述本身就很说明问题——小团队最怕的不是贵，是贵还分散注意力。
代价也有。完全托管意味着某些底层调优空间被封死。但对于 FLORA 这个阶段，「能跑」比「跑到极致」更重要。他们的赌注是：AI 图像模型的迭代速度远超基建优化收益，跟紧模型层比打磨自定义 infra 更划算。
这个判断现在看是对的。FAUNA 上线后，用户创作 session 的完成率明显提升——不是因为他们学会了更复杂的工具，而是因为工具终于不再要求他们学习。
FLORA 的下一步是把视频生成塞进同一个代理。视频对并行度和状态管理的要求更高，Alec 团队已经在用 Vercel 的实验性功能测试长时任务编排。如果跑通，一个 campaign 从 moodboard 到动态 lookbook 的闭环，可能真的不需要离开同一个画布。
那个 2 倍速的数字，你信吗？
热门跟贴