Cloudflare开源内部AI智能体编程平台，非技术人员也能用

Cloudflare已将其内部工作平台Cloudflare OS开源。该平台最初作为企业内部工具开发，旨在帮助员工——包括非软件开发人员——借助AI智能体构建应用程序。与此同时，该公司还推出了一套安全框架，专门用于降低员工在"氛围编程"（vibe-coding）过程中引发严重安全漏洞或导致数据泄露的风险。

Cloudflare历时数月完成Cloudflare OS的构建与内部测试。该平台允许员工用自然语言描述工作流程，由AI智能体将其编写成应用程序。在8月5日发布的博客文章中，Cloudflare宣布该平台的开源版本已上线GitHub，并表示数千名员工每天都在使用该平台"创建文档和幻灯片、自动化重复性任务，以及构建用于数据可视化的小型应用，从而提升工作效率"。

Cloudflare首席工程师Kenton Varda在X平台发帖表示："这是一个完整的个人应用氛围编程平台，其沙箱安全性极高，用户几乎可以随心所欲地操作——AI无法引入重大安全漏洞。我们相信，企业安全团队可以放心授权非技术用户进行氛围编程，并安心入睡。"

安全模型的核心原理

安全模型依赖于创建细粒度的应用实例——以文档编辑应用为例，每个文档会作为独立实例运行在单独的沙箱中，Varda如此解释道。Cloudflare OS平台负责管理每个实例的访问权限，每位用户运行属于自己的代码副本，并可自由修改。

这一沙箱机制基于Cloudflare现有功能Dynamic Workers，并非采用传统软件容器，而是创建"隔离体"（isolates）——即V8 JavaScript执行引擎的实例。这些隔离体仅需几毫秒即可启动，内存占用仅为几兆字节，速度是标准容器的100倍，内存效率则提升10至100倍。

为最大程度降低企业数据暴露风险，AI智能体初始状态下不具备任何访问或共享资源的权限，必须通过Cloudflare OS平台发起申请。服务端代码在"禁用全局出站网络"的环境下运行，客户端代码则"在浏览器的沙箱框架中运行"，这意味着"两者均无法访问互联网，除非通过平台明确授权的能力通道"。

这套内置于Cloudflare OS框架中的沙箱与权限机制在实践中具有重要价值——尽管没有任何系统是万无一失的。Pillar Security的研究人员近期发布了一份报告，揭示了Cursor、Codex、Gemini CLI和Antigravity等主流AI编程智能体中存在的沙箱逃逸与边界绕过问题。

模型兼容与成本控制

Cloudflare OS几乎兼容所有AI模型，允许企业根据具体任务选择最合适的模型。Cloudflare首席信息官Sam Rhea在另一篇博客文章中表示："并非每位用户都需要使用最新前沿模型的最大推理模式，我们也不希望员工每小时花费20美元来汇总邮件收件箱。"

Rhea还表示，该公司对平台进行了进一步优化，使特定工作流程的技能文件执行更多依赖确定性步骤，仅在必要时才调用AI推理，而非每次都需要一次"消耗大量Token的推理会话"。

该平台还支持管理员监控员工的AI推理支出，并设置预算和调用频率限制。这一功能至关重要——当前企业和个人普遍面临AI模型使用预算快速耗尽的问题。不过，若企业管理层将"Token消耗最大化"（tokenmaxxing）作为激励手段，强推员工使用AI工具，此类措施也难以遏制不合理的使用行为。

从内部实践中汲取的教训

Cloudflare在推进Cloudflare OS高效落地的过程中，也分享了一些深刻教训。一个早期错误在于：仅仅为工程团队以外的员工提供"界面更友好的相同工具"。Rhea解释说，工程师日常使用的AI编程工具并不适合知识型工作——后者往往涉及"一次性输出"以及"跨越数十个系统的项目协作"。

Q&A

Q1：Cloudflare OS是什么？它能帮助非技术人员做什么？

A：Cloudflare OS是Cloudflare开发并已开源的内部AI智能体编程平台，允许员工用自然语言描述工作需求，由AI智能体将其转化为可运行的应用程序。非技术人员可以用它创建文档、制作幻灯片、自动化重复任务、构建数据可视化小应用，无需具备编程基础。目前该平台已上线GitHub，供外部组织免费使用。

Q2：Cloudflare OS的沙箱安全机制是如何工作的？

A：Cloudflare OS采用基于Dynamic Workers的"隔离体"（isolates）机制，每个应用实例在独立沙箱中运行，互不干扰。AI智能体初始不具备任何权限，必须显式申请才能访问资源。服务端禁用出站网络，客户端运行在浏览器沙箱中，从而有效阻断数据泄露路径。这种隔离体比传统容器速度快100倍，内存效率提升10至100倍。

Q3：企业使用Cloudflare OS如何控制AI调用成本？

A：Cloudflare OS内置了成本管控功能，管理员可以监控每位员工的AI推理支出，并设置预算上限和调用频率限制，防止过度消耗。此外，平台优化了工作流执行逻辑，仅在必要时才触发AI推理，减少不必要的Token消耗，避免因频繁调用大模型导致费用超支。