Trigger.dev

Trigger.dev 是一个开源（Apache 2.0）平台，用 TypeScript 构建和部署 AI 智能体与工作流。任务运行没有超时限制：靠检查点恢复机制扛住崩溃、部署和空闲间隙，一次智能体运行可以持续几分钟甚至几小时，基础设施不用你管。它的 chat.agent 产品把一段 AI 对话变成一个持久任务，有消息进来就唤醒，没有就冻结。生产环境已经服务了数百万个会话，累计消耗超过 84 年的算力。

核心功能

• 无超时：任务要跑多久就跑多久。工具慢、链条长、子智能体在思考，都只是正常工作，不是失败的理由。
• 检查点恢复持久化：进程整体打快照（目前用 CRIU，Firecracker microVM 私有测试中），崩溃的运行从停下的地方精确续跑。
• chat.agent 持久对话：每段对话一个长寿命任务，持久流在页面刷新后从上次读到的位置重放，不用重跑模型。
• 重试、队列和幂等：打造稳如磐石的智能体所需要的生产级原语。
• 人在回路：暂停任务，直到人工批准、拒绝或给出反馈。等待是免费的，因为算力已经释放。
• 内置可观测性：每一轮都是一个 span，AI 指标面板追踪成本、token 和延迟。
• 完全的运行时自由：装包、跑 ffmpeg、驱动无头浏览器，这是一台真实的 Linux 环境。

适用场景

谁应该使用这个工具？

• 用 TypeScript 构建 AI 智能体的团队：智能体循环要扛住生产环境的现实，需要持久任务。
• 聊天产品开发者：多轮 AI 对话要跨刷新、跨重新部署、跨崩溃续上。
• 想替换脆弱 serverless 工作流的开发者：不再有 Lambda 或 Vercel 函数那种超时墙。

解决的问题

1. Serverless 超时：后台任务和长时间智能体运行，在传统平台上跑到一半就被杀。
2. 状态丢失：进程一死智能体就失忆，检查点和持久会话解决了这件事。
3. 等待的成本：智能体干等人工批准或外部事件时，不再白烧算力。

定价方案

Trigger.dev 按任务实际执行时的算力时间计费。挂起的对话不占算力，这就是为什么等人工批准是免费的。

优势对比

相比竞品的优势：

1. AI 原生，TypeScript 优先：和 Temporal 或 Vercel Workflows 不同，它围绕 AI SDK 集成构建，端到端类型安全。
2. 检查点恢复优于重放：快照整个 VM 状态（CPU、内存、文件系统），而不是重新执行每个步骤。长时间运行更快也更便宜。
3. 开源：Apache 2.0 协议，有自托管指南，不锁定厂商。

独特卖点：

• chat.agent 让 useChat 和 streamText 之间那层 API 路由消失了。
• 真实的 Linux 机器（不是阉割版运行时），独享 CPU、内存和磁盘。
• 生产环境每 20 个智能体运行就有 1 个超过 36 分钟，在别处早就被掐断了。

用户评价

Trigger.dev 在开发者工具社区曝光度不低：Scaling DevTools 播客和 CEO Matt Aitken 做了一期持久智能体专题，多篇 2026 年的评测（比如"My Long-Running AI Workflows Finally Stopped Failing"）都提到它治好了超时导致的任务失败。聊天智能体的发布（2026 年 8 月 10 日官宣，7 月 2 日已 GA）因为"持久流"设计而受到关注，Arena 这样的生产客户正在上面规模化跑 Agent Mode。

快速开始

快速上手指南

1. 注册账号：从 cloud.trigger.dev 开始，跟着引导走。
2. 安装 SDK：在项目里跑 CLI 的安装命令。
3. 写一个任务：在代码库里定义 task() 或 chat.agent()，就是标准的 AI SDK 代码。
4. 部署和观测：从仪表盘触发，看每次运行的 tracing、重试和指标。

集成

• Vercel AI SDK（客户端 useChat，服务端 streamText）。
• 任意 LLM 提供商（OpenAI、Anthropic 等）。
• Node.js SDK、Python 脚本、ffmpeg 和浏览器自动化。

常见问题

Trigger.dev 开源吗？

开源。Apache 2.0 协议，可自托管，chat.agent 是核心平台的一部分。

和 AWS Lambda 或 Vercel 函数有什么区别？

Trigger.dev 的任务没有超时，靠持久执行扛住崩溃；serverless 函数一到平台时限就被杀。

"持久对话"是什么意思？

对话是一个比服务它的进程活得久的会话。回复中途刷新页面，流会从你读到的位置重放，不重跑模型。

空闲时间要付费吗？

不用。挂起的对话不占算力，等人工批准、或者隔夜的空档，都不花钱。

替代方案

如果 Trigger.dev 不合适，可以考虑：

• n8n：带 AI 智能体节点的无代码工作流自动化。
• LangGraph：基于图的智能体编排框架。
• [Temporal]：经典的持久工作流引擎（详见 Temporal 官网）。

使用技巧

1. 不可替代的状态放数据库：记忆能撑过整段对话，但崩溃后堆会重置。丢不起的东西放数据库里。
2. 初始化用 onBoot：新 worker 触发的是 onBoot 而不是 onChatStart，这才是配置 chat.local 的正确位置。
3. 用好免费等待：围绕人在回路审批设计流程，挂起的算力不花钱。

总结

Trigger.dev 是开源世界对上线 AI 智能体最难那部分的回答：可靠性。无超时、基于检查点的持久化、AI 原生原语，让长时间运行的智能体工作流真正能上生产。聊天智能体的发布证明，同一套底座也能规模化承载交互式对话。