Cloudflare 把 Workers AI 與 AI Gateway 併成一塊控制平面，模型路由不再綁定廠商
Cloudflare Blog · 2026-08-07
原本的問題
Cloudflare 過去把「跑模型」跟「管模型」拆成兩個產品。Workers AI 是自家 GPU 推論服務，開發者呼叫 env.AI.run() 直接在 Cloudflare 網路上執行模型；AI Gateway 則是另一個產品，負責代理呼叫 OpenAI、Anthropic 等外部供應商，順便做記錄、存取控制與安全防護。兩者各自有獨立的 binding、REST API 與 gateway 設定流程，開發者得先決定用哪一個產品，再手動建立 gateway 才能拿到記錄與計費資訊。文章指出，多數使用情境其實殊途同歸——不管走哪條路徑，開發者要的都是「跑得動、看得到、管得住」。
採用的方法
Cloudflare 把兩個入口收斂成單一 AI binding，並讓 gateway 在第一次帶認證的請求時自動建立一個叫 default 的 gateway，不需要事先手動設定。REST API 也統一走新的 /ai/ 路徑，同一個端點同時服務 Workers AI 模型與外部供應商：
POST /accounts/{account_id}/ai/run/@cf/zai-org/glm-5.2
Header: cf-aig-gateway-id: default在 Workers binding 端，只要在 env.AI.run(model, params, { gateway: { id: 'default' } }) 的第三個參數帶入 gateway id，請求就會自動經過 AI Gateway 這一層，取得請求記錄、每個模型的 token 計數與成本歸因，不用額外去 dashboard 設定。文章也預告兩個還在試點階段的路由功能：Model-First Routing 讓開發者只指定想要的模型（例如 kimi-k2.7-code），由 gateway 在支援同一組權重的供應商之間做容錯與負載平衡；內部試點中的 Smart Routing 則用分類器判斷 prompt 的任務類型與複雜度，自動選模型不需要手動設定規則。
實際效果
合併後最直接的改變是計費：原本只用在外部供應商的 AI Gateway credits，現在同樣套用在 Workers AI 的用量上，開發者不用在兩本帳之間切換。文章也提到透過統一計費存取 Workers AI 的使用者會拿到更高的速率限制門檻，但沒有列出具體數字。整體而言，這次合併移除了「先選產品、再建 gateway」這道手動步驟，讓觀測性變成呼叫 AI binding 就自動附帶的能力，而不是另外要設定的選項。
原始來源：Unifying Workers AI and AI Gateway into a single AI control plane、Cloudflare AI Gateway 文件
Cloudflare Radar Researcher 上線：用 MCP Code Mode 讓 AI 自己找 API、自己畫圖
Cloudflare Blog · 2026-08-07
原本的問題
Cloudflare Radar 累積了 DNS 查詢（來自 1.1.1.1 resolver）、全球 HTTP 流量、Speed Test 網路品質數據與斷網事件紀錄，但要從裡面挖出答案，使用者得先搞懂 Radar 的介面詞彙、篩選條件跟一堆 API 端點。文章指出使用族群橫跨新手到網路維運人員，記者跟研究人員常常需要在事件發生當下快速拿到數據，但手動呼叫 API、逐一選篩選條件太慢。2026-08-07 上線的 Radar Researcher 想解決的就是「描述你要找什麼，就能拿到圖」這件事，而不是先學會怎麼用 Radar。
採用的方法
整套系統建在 Cloudflare Workers 加 Agents SDK 上，用帶 SQLite 的 Durable Objects 保存對話歷史狀態，推論則走 Workers AI，預設模型是 Kimi K2.7，並在它之後串一條跨三個模型家族的 fallback 鏈以提高可用性。
關鍵是資料存取層：模型透過 Cloudflare 的 MCP（Model Context Protocol）伺服器，用所謂的 Code Mode 拿到三個工具——search、execute、docs——直接查詢 Radar 的 OpenAPI 規格，不是寫死一份端點清單，新增或改動 API 時不用同步改 agent 的程式碼。查詢流程是：使用者問問題 → 模型在 OpenAPI 規格裡搜尋相關端點 → 執行程式碼片段呼叫即時 API → 回傳一個把 API 路徑跟結果配對的資料信封 → 前端依照 radar-chart 規格畫成跟 Radar 網站一致的互動圖表。整條路徑外圍還包著 AI Gateway 做記錄、成本追蹤、快取跟安全防護，對話則存進 R2 供之後產生 30 天過期的分享連結。
實際效果
文章給了一個具體案例：查詢「2026 年伊朗斷網」時，系統把 HTTP 流量指數從 0.58 崩落到 0（發生在 1 月 7 日到 9 日之間）跟 Radar 記錄的斷網事件對上，畫出一張標註了時間窗的時間軸圖，並主動建議相關國家的對比分析查詢。另一個案例是查詢葡萄牙網路品質，系統自己找到對應的網路品質 API、選好參數，直接輸出速度與連線的圖表，不需要使用者手動指定。系統同時支援語音輸入、可搜尋並釘選的對話紀錄，以及在既有圖表上按「Explain with AI」追問細節。
Cloudflare Precursor：24 小時 2.06 億次滑鼠行為評估，抓的是同一個 session 裡人變 agent 的瞬間
Cloudflare Blog · 2026-08-07
原本的問題
判斷一個 session 到底是真人還是 AI agent，用一次性的靜態名單很難處理「行為會變」的情況。文章指出，可疑活動常常發生在 session 中段，行為模式會在同一個 session 裡從人類切換成 agentic、再切回來，光靠請求開頭的一次判斷抓不到這種轉換。文章也把「好」跟「壞」的 agent 行為拆成兩條判準：是否透明自我宣告（self-declaration），以及有沒有濫用信任（trust abuse），符合這兩點才會被歸類進 Verified 分類。
採用的方法
Precursor 是 client 端持續偵測引擎，分析滑鼠游標的移動軌跡、節奏跟修正動作（cursor movement、rhythm、correction patterns），在整個 session 過程中持續跑，而不是只在頁面載入當下做一次判斷。分類的結果會對照 BotBase——Cloudflare 維護的已知行為者目錄，同時收錄好的跟壞的 bot/agent。文章預告了還在準備中的 Adaptive Intelligence，是一個會自我調整模型的機器學習引擎，目前沒有公布上線時間。針對判定為惡意的流量，防禦工具 AI Labyrinth 提供三種回應模式：
- Maze：把爬蟲導入一連串虛構頁面拖慢它
- Summary：回傳摘要而非完整內容
- Poison：回傳污染過的資料
實際效果
文章公布的唯一一組具體數字，是 Cloudflare 網路上 24 小時內的快照：Precursor 總共跑了 2.06 億次（206 million）評估事件，涵蓋 73,438 個 zone。文章沒有提供歷史趨勢或跟前一版本的對照數字，也沒有點名任何具體的 bot 或 agent。可以在 precursor-trace.cloudflare.app 用互動模擬看 Precursor 怎麼即時評估游標行為。
原始來源：Unveiling good and bad behaviors on the Agentic Internet、Cloudflare Verified bots 文件