AI 技术生态调研

选择能闭合任务的一组组件复制锚点链接

AI 应用的技术栈沿请求分成模型接入、运行编排、资料处理、用户界面、模型适配与服务、质量观测六组能力。TypeScript 适合与已有 Web 产品连接，Python 与数据处理、训练及推理工具的连接较多；同一系统可以让 TS 负责界面与请求服务，Python 负责训练或重型数据任务，通过有版本的接口连接。跨语言边界需要明确数据、任务身份、错误、取消和权限，避免把两个运行时的状态分别当成最终事实。

本调研回答应用开发者怎样组合工具、哪些条件改变选型，以及现有材料支持判断到哪一步。主要依据为 2026-10-02 至 10-03 的 TS、Python 总稿及 11 份方向稿。它们记录了官方文档、包注册表、GitHub API，也包含厂商测算与第三方判断。本轮按能力重组，核对部分关键官方接口及政策，未重新抓取所有包版本、星数、下载、价格或执行性能基准。

六组能力的职责复制锚点链接

归档里的同一个项目可能出现在多组，因为产品跨层提供能力。实际系统为每个事实指定一个所有者：例如由 LangGraph 保存任务检查点，由业务数据库保存订单结果，UI 只展示它们。增加一个跨层平台要判断其接管哪些职责，而非继续叠加相同组件。

可以从哪些组合起步复制锚点链接

单次文本或结构化抽取，可从官方 SDK、Zod/Pydantic 验证和应用自身的测试开始。需要跨厂商与 Web 流式交互的 TS 项目，可考察 AI SDK Core 与 UI；需要显式状态图及人工暂停的任务，可考察 LangGraph；希望统一工作流、记忆和开发界面的 TS 团队，可考察 Mastra。已有 Python 类型化服务可考察 PydanticAI；文档密集任务可比较 LlamaIndex 或 Haystack，再按真实数据选择存储。

训练侧先选择数据与验收，按需求采用直接 TRL、LLaMA-Factory、Axolotl 或 Unsloth；服务侧用目标硬件与请求分布比较引擎。产品需求、现有基础设施、许可和团队能力会改变组合。以上是从归档能力归纳的条件化方案，本轮没有完成统一负载下的效果排名。

怎样阅读和复核复制锚点链接

模型接入比较供应商和公共抽象；编排与工具比较状态、记忆与协议；资料与检索比较解析、数据库、表示模型与成品平台；界面与产品比较前端层和成品客户端；训练、服务与开放度比较产物与复现经济学；评测、网关与成本比较质量和治理链路。各页给足本页取舍的必要说明，接口接线集中在AI 工程实践。

历史指标的可用范围复制锚点链接

归档中 npm 周下载的一个窗口是 2026-09-24 至 09-30，月下载为截止 10-03 的近 30 天；不同窗口不能放在同列排名。安装量包含 CI、传递依赖和机器人，星数衡量公开关注，企业客户自述衡量营销披露，均不能直接推导生产采用率或质量。0.x 提醒使用者检查兼容性承诺；主版本达到 1.x 也需要阅读升级约定。单次最后 push 或发版时间不能证明项目已经被放弃。

原稿中“唯一”“默认”“最强”“已死”等判断已改为按任务成立的取舍。未复核的维护、漏洞及未来时间线不会承担淘汰项目的决定性证据。实际采用需固定版本、读取目标版本的接口和许可，并对代表请求做质量、失败和负载验证。