模型 API 統一之後，Agent 真正的難題轉向執行控制：API Key 該交給哪個 tool、敏感操作何時需要人類批准、長任務跨部署怎麼恢復、出問題時去哪裡找證據。AI SDK 7 對這一層給出了系統性的回答。
從模型 Adapter 到 Agent Runtime
AI SDK 每週有超過 1,600 萬次下載，是跨 provider 的 TypeScript SDK 標準層，Vercel 開源的 agent framework「eve」也建構在它之上——這本身就是一個訊號：當框架選擇站在 SDK 這層之上，而不是直接綁某個 provider，生態的重心就已經位移。第 7 版把更新集中在五個面向：開發 agent、執行 agent、整合任何 agent harness、觀測 agent，以及超越文字的語音與影片。五個面向排起來看，定位的轉移很明確：它不再只是模型 API 的包裝，而是 Agent Runtime 的共同介面。對產品團隊來說，這代表執行層的共通問題——權限、恢復、觀測——開始有標準答案，agent 程式碼不再必然綁死在某一家的迴圈裡。
控制面：推理、Tool Context 與審批
推理控制第一個被統一。新的 reasoning 選項在 generateText 與 streamText 上一行就映射到 provider 原生設定（例如 reasoning: ‘high’），不必再為每家模型維護一套參數。
Tool Context 處理的是權限粒度。Tool 越來越常由第三方獨立開發，需要 API Key 這類不由 LLM 產生的輸入；現在每個 tool 可以用 schema 宣告自己的 typed context，而只有那個 tool 拿得到。第三方 tool 從此讀不到整個 agent 的 context，這對把 tool 當產品經營的團隊是關鍵邊界。另外有一個 typed runtime context，可以在 prepareStep 與 tool approval 期間讀取和修改，用來跨步驟調整 prompt 或模型選擇；但方便不等於授權，機密仍應遵循最小權限。
審批有三種形態：特定 tool 的 user-approval、可自動核准或轉交人類的 per-tool approval function，以及 catch-all；三種都定義在 ToolLoopAgent、generateText 與 streamText 上，沿用同一組執行 API，不必為了審批另外換一套呼叫方式。更高風險的場景可以選擇啟用 HMAC 簽章的審批，執行前重新驗證 tool inputs 與 policies，讓核准無法被偽造。
執行面：耐久工作流、Timeout 與 Sandbox
@ai-sdk/workflow 的 WorkflowAgent 把執行變成耐久且可恢復：跨 process 重啟、部署、中斷與延遲核准都能續跑。要劃清楚的是，耐久恢復的是流程狀態，不是副作用；寄信、付款這類操作仍然需要自己的 idempotency 設計，否則恢復時可能重複執行。
Agent 卡住的方式有很多種：provider 開了 stream 就不再送 chunk、某個 tool 掛住、多步 run 超過總預算，所以單一 timeout 永遠不夠用。第 7 版把 timeout 升成一級選項，total、per-step、per-chunk、per-tool 四個層級，逾時以 TimeoutError 中止。SandboxSession 抽象則讓 tool 開發與 sandbox 選擇脫鉤，同一組 tool 可以搭配任何 sandbox provider，例如 Vercel Sandbox；脫鉤的好處在於同一組 tool 可以先在本機 sandbox 驗證，再搬到雲端 sandbox 跑 production，tool 本身不需要知道差別。
整合面：上傳、MCP Apps、TUI 與 Harness
頂層的 uploadFile 與 uploadSkill 把檔案與技能上傳一次，之後以 provider reference 重複使用，不必每輪重傳。MCP Apps 讓 MCP servers 把 tool 分成 model-visible 與 app-only 兩類，並在 sandboxed iframes 裡渲染 app UI——給模型看的與給人看的，終於可以分開；過去這類人機介面只能塞在聊天訊息裡，sandboxed iframe 給了它真正的承載面。
終端機場景有 @ai-sdk/tui：runAgentTUI 幾行程式碼就能互動執行 agent，reasoning、tools 與 markdown 都有支援。更大一步是實驗性的 HarnessAgent：單一 API 執行 Claude Code、Codex、Pi 等 agent harness，可設定 sandbox、instructions 與 skills，session 可暫停恢復。因為明確標示實驗性，介面仍有變動空間，採用前要預留調整成本。
觀測與多模態：生產的眼睛與耳朵
Telemetry 註冊一次就全域生效：OpenTelemetry（GenAI conventions）之外，Datadog、Langfuse、Sentry 等都有現成整合。Node.js 端另有 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——觀測不再是每個應用自己拼 callback。對同時跑多種模型、多種 tool 的 agent 來說，這代表瓶頸排查第一次有了統一的時間軸。
多模態兩項都明確標示實驗性。Realtime 支援瀏覽器 WebSocket sessions 與 server 端建立的 ephemeral tokens，provider 有 OpenAI、Google、xAI，React hook 直接回傳 UIMessage[]；generateVideo 則有 fal、Google AI Studio、Google Vertex、Replicate 的實作。統一介面讓切換變容易，但媒體模型的能力與計價差異很大，上生產前仍要逐家確認限制。
Builder 的採用順序
遷移有工具幫忙：npx @ai-sdk/codemod v7 加上 migration skill，從 v6 升級的機械成本已經壓低。功能不必一次全上，合理的順序是：先把 approvals、timeout、telemetry 三件事上好，它們直接降低生產風險，也最容易回頭驗證——審批攔下了什麼、timeout 救了幾次卡死、哪個 tool 在 telemetry 裡最慢，都是可以直接量到的改善；長任務再引入 WorkflowAgent 的耐久執行；harness 整合與語音、影片這些實驗性能力，等穩定後再評估。AI SDK 7 的價值不在功能清單的長度，而在把 agent 從拼裝腳本推向有權限邊界、可恢復、可觀測的 runtime——那正是 agent 走向生產最缺的一塊基礎。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。