开发者的工作方式正在发生真实的转变。智能体打开了过去难以涉足的工作领域，原因并非技术上不可能，而是这些工作需要我们大多数人不具备的小众专业知识。容器化、推理服务器配置、特定模型的环境搭建：这类任务过去要么需要深厚的专业积累，要么得先花上几个小时自学，才能真正动手。智能体提供了一种优雅的方式，帮我们弥补这些前置知识的缺口。你描述想要什么，智能体来补上知识的空白。
这才是真正的突破。不是速度，而是可及性。
Netflix 发布新模型的那一天
Netflix 最近在 Hugging Face 上发布了 void-model。它发布当天，我的第一反应一如既往：我想试试。但想试一个新模型和真正把它跑起来是两回事。把它放进可用的环境、搞定推理服务器的配置、弄清楚容器配置、再把一切正确地串起来：这些环节通常会让“看起来不错”和“好，我真的在用了”之间产生一两天的时间差。
这一次，这个时间差几乎为零。
我借助命令行智能体运行器 Goose，再配合 Together 的专用容器 skill，在一次会话里就从“Netflix 刚发布了一个模型”走到了“我有了一个跑着它的容器”。智能体生成了在 Together 的专用容器推理（Dedicated Container Inference，DCI）基础设施上部署 void-model 所需的全部代码，基本上就在模型发布当天。
成果放在这里：github.com/blainekasten/together-void-model-container
具体做法
整个过程只需三步。
第一步：安装 Together 专用容器 skill。
npx skills add togethercomputer/skills
这会引入 together-dedicated-containers skill，让 Goose 掌握与 Together 基础设施打交道所需的具体知识：如何配置推理服务器、容器规范应该是什么样、如何针对某个模型把一切串起来。
第二步：启动一个 Goose 会话，运行一条提示词。
I want to deploy this model on togethers dedicated containers https://huggingface.co/netflix/void-model
就这样，一句话。
第三步：坐下来看它干活。
接下来，智能体从 Hugging Face 拉取了模型详情，针对该模型架构确定了合适的推理服务器配置，生成了容器配置文件，并产出了完整、可运行的方案。整个过程我不用查任何资料，也不用一步步指导它。
结果是：blainekasten/together-void-model-container，一个干净、可用的仓库，任何人都可以用它在 Together 基础设施上运行 void-model。
第四步：使用你的模型！
智能体部署好应用后，你就可以开始对它运行推理了。Together CLI 提供了便于测试推理的命令。
tg beta jig submit --watch --payload '{
"video_url": "https://github.com/Netflix/void-model/raw/refs/heads/main/sample/lime/input_video.mp4",
"quadmask_url": "https://github.com/Netflix/void-model/raw/refs/heads/main/sample/lime/quadmask_0.mp4",
"prompt": "Empty park bench with fallen leaves on the ground",
"use_pass2": false
}'
这个模型可以把物体从视频中移除，同时移除它们对场景产生的所有交互影响，不仅包括阴影和倒影这类次要效应，还包括物理层面的交互，比如把人移除后，原本由人支撑的物体会掉落。
我们对该模型的推理调用是异步的。因此这个请求的响应会返回一个带有标识符的载荷，我们可以据此轮询。响应如下所示：
{
"model": "void-byoc",
"request_id": "019dc0f3-3c73-7a3f-b4b6-87ad06091180",
"status": "running",
"claimed_at": "2026-04-24T19:24:19.447457Z",
"created_at": "2026-04-24T19:24:19.444567Z",
"done_at": null,
"info": null,
"inputs": {
"prompt": "Empty park bench with fallen leaves on the ground",
"quadmask_url": "https://github.com/Netflix/void-model/raw/refs/heads/main/sample/lime/quadmask_0.mp4",
"use_pass2": false,
"video_url": "https://github.com/Netflix/void-model/raw/refs/heads/main/sample/lime/input_video.mp4"
},
"outputs": null,
"priority": 1,
"retries": null,
"warnings": null
}
推理完成后，输出会包含托管视频的 URL。我们可以用 cURL 和 Together API 密钥下载它：
curl -L -O \
https://api.together.ai/v1/storage/019dc0f3-3c73-7a3f-b4b6-87ad06091180-tmpddmhtvar.mp4 \
--header "Authorization: Bearer $TOGETHER_API_KEY"
注意：-L 用于跟随存储 URL 中的 HTTP 重定向，-O 会把输出写入本地文件。
▶ https://together-website.b-cdn.net/video/019dc0f3-3c73-7a3f-b4b6-87ad06091180-tmpddmhtvar.mp4
为什么选择 Together 专用容器推理
这个故事之所以成立，是因为 Together 的专用容器推理（DCI）确实非常适合运行这类模型，有必要解释一下原因。
DCI 为你提供一个私有的、由 GPU 支撑的环境，运行你选择的模型，并由 Together 全面托管。你不用去争抢共享资源，不用自己配置集群，也不会被限定在固定的可用模型清单里。模型由你带来，基础设施交给 Together。
对想要快速行动的团队来说，这意义重大。当 Netflix、某个研究实验室或开源社区发布新模型时，你几乎可以立刻在生产级环境中把它跑起来。不用自己启动 GPU 虚拟机，不用和推理服务器的依赖搏斗，也不用等别人在托管端点中添加支持。DCI 在设计上就很灵活：只要模型存在，你就能部署它。
成本模式也便于试验。你只为用到的部分付费，用的是属于你自己的容器，而且无需承担管理底层算力的开销。有了这样的配置，你才能对测试新模型说“好”，而不是把它归入“等有空再说”。
如果你对 Together 的 DCI 感兴趣，欢迎联系我们进行配置。