摘要： AI SDK 7 把更新集中在開發與執行 agent、接入 harness、觀測，以及語音和影片，讓權限、恢復與觀測開始有共用 runtime 解法。文章建議先把 approvals、timeout 與 telemetry 做穩，再導入耐久執行，實驗性 harness 與影音能力則等穩定後評估。
模型 API 的介面之爭告一段落之後，agent 真正難做的部分移到了執行控制：一把 API Key 該交到哪個 tool 手上、敏感操作什麼時候必須等真人點頭、跑了很久的任務換了部署要怎麼接著跑、系統出事時證據要上哪裡找。AI SDK 7 針對這一層給出了成體系的答案。
定位轉變：從模型 Adapter 到 Agent Runtime
AI SDK 每週下載量超過 1,600 萬次，扮演的是跨 provider 的 TypeScript SDK 標準層；Vercel 開源的 agent framework「eve」也同樣蓋在這層 SDK 上面——這個事實本身就是訊號：連框架都決定站在 SDK 這層、而非直接綁住某一家 provider，生態的重心顯然已經換了位置。第 7 版的更新集中在五個面向：開發 agent、執行 agent、接入任何 agent harness、觀測 agent，以及把觸角伸到文字之外的語音與影片。這五項排在一起看，定位不言可喻：它已經不是包在模型 API 外面的那層皮，而是各種 agent 共用的 Runtime 介面。對產品團隊來說，這表示執行層的共通難題——權限、恢復、觀測——開始有標準解法，agent 程式碼也不再非得焊死在某一家自己的迴圈裡。
控制面：推理設定、Tool Context 與三種審批
最先統一起來的是推理控制。generateText 與 streamText 新增了 reasoning 選項，一行就對應到 provider 原生設定（例如 reasoning: ‘high’），不用再替每家模型各自維護一份參數寫法。
Tool Context 處理的是權限要切到多細。現在越來越多 tool 由第三方獨立開發，它們會需要 API Key 這種 LLM 給不出來的輸入；新的做法是讓每個 tool 用 schema 宣告自己的 typed context，而且只有宣告的那個 tool 拿得到。第三方 tool 從此翻不到整個 agent 的 context——對把 tool 當產品來經營的團隊，這條邊界正是關鍵。另外還有一個 typed runtime context，在 prepareStep 與 tool approval 期間可讀可改，用來在步驟之間調整 prompt 或模型選擇；不過好用不等於放行，機密資料照樣要守最小權限。
審批提供三種形態：針對特定 tool 的 user-approval、可以自動核准或轉給真人判斷的 per-tool approval function，以及 catch-all。三者都直接定義在 ToolLoopAgent、generateText 與 streamText 上，走同一組執行 API，為了審批不必另學一套呼叫方式。風險更高的場景可以加開 HMAC 簽章的審批，執行前重新驗證 tool inputs 與 policies，核准結果因此無法被偽造。
執行面：耐久執行、四層 Timeout 與 Sandbox 抽象
@ai-sdk/workflow 提供的 WorkflowAgent 把執行做成耐久、可接續的流程：process 重啟、部署、中斷，乃至核准遲遲沒有回來，任務都能從斷點續跑。這裡有條界線得畫清楚——耐久恢復的是流程狀態，副作用不在保證範圍內；寄信、付款這類動作依然要自己設計 idempotency，否則恢復之後可能再執行一次。
Agent 卡住的花樣不少：provider 把 stream 開了卻不再送 chunk、某個 tool 懸在那裡不返回、多步 run 吃爆總預算——只想靠單一 timeout 一定顧不全。第 7 版於是把 timeout 升為一級選項，分 total、per-step、per-chunk、per-tool 四個層級，時間一到就以 TimeoutError 中止。SandboxSession 抽象則把 tool 開發跟 sandbox 的選擇拆開，同一組 tool 配上任何 sandbox provider 都行，Vercel Sandbox 是其中一例；拆開的好處很實際：tool 可以先在本機 sandbox 驗完，再原封搬進雲端 sandbox 跑 production，tool 自己完全不必感覺到差別。
整合面：一次上傳、MCP Apps、終端機 TUI 與 Harness
頂層的 uploadFile 與 uploadSkill 讓檔案和技能只上傳一次，之後憑 provider reference 反覆取用，不必每一輪重傳一遍。MCP Apps 則讓 MCP servers 把 tool 分成 model-visible 與 app-only 兩類，app UI 改在 sandboxed iframes 裡渲染——給模型看的東西跟給人看的介面，總算能各走各的路；在此之前，這類人機介面只能擠在聊天訊息裡湊合，sandboxed iframe 終於給了它一個正式的承載位置。
終端機場景交給 @ai-sdk/tui：用 runAgentTUI 寫個幾行，agent 就能互動式跑起來，reasoning、tools、markdown 都在支援之列。更大的動作是實驗性的 HarnessAgent：用單一 API 驅動 Claude Code、Codex、Pi 這類 agent harness，sandbox、instructions、skills 都能設定，session 支援暫停與恢復。官方既然明講是實驗性，介面後續還有變動空間，採用之前要把這筆調整成本算進去。
觀測與多模態：生產環境的眼睛和耳朵
Telemetry 註冊一次、全域生效：OpenTelemetry（GenAI conventions）之外，Datadog、Langfuse、Sentry 等服務都有現成整合可接。Node.js 端另外提供 ai:telemetry diagnostics channel，model calls、tools、embeddings、reranking 都會發出結構化事件，訂閱一次就能轉成 traces——觀測不再是各應用自己拼 callback 的活。對同時跑多種模型、多種 tool 的 agent 來說，找瓶頸頭一次有同一條時間軸可比對。
多模態兩項功能都明確掛著實驗性的牌子。Realtime 支援瀏覽器 WebSocket sessions，ephemeral tokens 由 server 端建立，provider 涵蓋 OpenAI、Google、xAI，React hook 直接回傳 UIMessage[]；generateVideo 已經有 fal、Google AI Studio、Google Vertex、Replicate 的實作。介面統一之後，切換確實變得容易，但各家媒體模型在能力與計價上差距很大，上生產前仍要逐家核對限制。
Builder 的導入順序
升級有工具代勞：npx @ai-sdk/codemod v7 搭配 migration skill，把從 v6 搬過來的機械成本壓得夠低。功能不必一次全開，比較穩的次序是：先把 approvals、timeout、telemetry 這三件事做紮實——它們直接壓低生產風險，事後也最容易驗收：審批攔下了哪些操作、timeout 救回幾次卡死、telemetry 裡哪個 tool 最慢，全都是量得出來的改善。長時間任務接著引入 WorkflowAgent 的耐久執行；harness 整合與語音、影片這些實驗性能力，等它們穩定再來評估。AI SDK 7 的價值從來不在功能清單的長度，而在把 agent 從拼裝腳本升級成有權限邊界、可恢復、可觀測的 runtime——agent 要走向生產，缺的正是這塊地基。