在过去的十年之中, 可谓是AI的代名词。然而当下, 一组非常残酷的数据已然呈现在眼前: 在2025年的时候, 上月活跃贡贡献者已然被超越, 并且其中AI相关仓库所占的比例超过了60%等。这是为何呢? 原因在于AI开发的下半场已然发生了变化。往昔众人认为AI开发便是训练模型, 凭借此来达成卓越成就。然而及至Agent时代, 其核心并非“训练”, 而是“使模型能够可靠地去执行复杂任务”。你来思考一下, 在Agent的工作流程当中, 用户意图被转化为JSON格式, 接着调用工具, 之后回传结果, 再加以验证, 最后进行修复——这个“验证 - 修复”的循环占据了80%的时间。动态类型在此处变成了最为巨大的坑, 代码倘若不运行起来, 你便无法知晓是否存在错误, Agent需要自行去读取运行时错误进而进行修正, 这恰似让它在黑暗的迷宫里撞墙来尝试错误, 每一次碰撞都会浪费一次LLM调用, 既昂贵又缓慢, 然而呢? 编译时就能够检查出94%的类型错误, 这等同于给Agent开启了上帝视角, 所有的墙壁、路径都清晰明了。这儿, 就是那个展现降维打击效果的所在之处, 也就是类型安全。通过借助Zod, 从大语言模型输出一直到业务逻辑这块儿, 所有的数据格式早在写代码之前就已经确定僵化了。智能体根本不需要去猜测, 直接依照契约来行事, 这样一来幻觉就减少了很多。与之作为对比的是, 虽说也能够进行校验, 可是前端以及中间件还得另外去做桥接工作, 而原生的链路, 是更为简短的。有一种杀手锏是异步并发, Agent常常会同时调用五六个工具, 像查天气、搜文档、发邮件之类, Node.js的事件驱动模型处理几百个并发请求都不会出现阻塞情况, 存在第三方库不兼容问题, 还有GIL限制, 以及嵌套回调让人头疼, 经过实际测试, 针对同一个任务, TS处理并发平均能快2到3倍, 是这样的情况吗?更重要的是全栈达成统一, 其涵盖命令行、Web面板、浏览器插件、桌面端, 需用一套语言全部包揽。前端的React, 连同后端、CLI工具、扩展都是它。在生态环境中, 几乎成为Agent的标配, 而在这些领域的绑定则更为繁重。还有一个容易被人忽视的要点, 那就是JSON亲和力, LLM与外界进行交流所采用的通用协议是JSON, 其类型系统自然而然地与JSON相对应不存在语法上的冲突, 其dict提取需要额外进行类型断言, 在编译的时候根本无法确保键值是存在的, 总而言之, 当LLM输出格式变得越来越具有类型化的时候, TS就是最为自然的翻译官。数据不会说谎。在前20的AI Agent项目当中, 70%会使用, 然而仅占20%。在YC X25创业公司里, 有60%到70%会选择。主流框架诸如, AI SDK等等, 均将TS视为一等公民。就连持该阵营观点的, 其JS版本增速也更为迅速。然而, 先别急于宣称非要死不可。模型训练以及数据科学, 它的确依旧是无法被别的事物所取代的, NumPy、相关生态就明摆在那儿呢。到了2026年, 真正占据主流地位的方案乃是混合架构, 其中一部分负责计算层面, 涵盖推理、数据处理等方面另一部分负责编排方面, 进行工具的调度、状态的管理、UI的设计。这两部分借助MCP协议亦或是REST API来实现通信, 各自履行好自身的职责, 各尽其责。比如说, Uber, 采用 JS 版本, 采用这一种。要是新项目对于你们团队而言全员都是特定背景的, 那么, 就不妨先从框架以及工具调用这类方面的规范化着手进行。然而, 倘若这算是一个新项目亦或是属于全栈团队类型的, 那就要优先去考虑, 哪怕是至少得从编排层这个层面起始。末尾来讲些切实可行的。若要构建一套“TS编排加上计算”的体系挑选AI SDK以及Next.js能够迅速产出Web型Agent于复杂多Agent运用情景下, 它对工作流、RAG、并行任务予以支持。优先进行类型定义, 借助Zod将所有工具参数、输出格式、状态快照全都确定下来。针对并发设计运用.all并行调用工具, 依据事件驱动来管理消息流转情况。在那边把推理以及数据处理封装成为微服务, TS借助HTTP2或者gRPC调用过去, 类型一致性依靠proto文件或者JSON进行共享。你会发觉, 其静态类型自身便是测试, 编译得以通过便减少了大半的漏洞。再者配合开展端到端测试, 借助追踪执行链路, Agent稳定到令人安心。终究而言, Agent进行开发时, 处于最底层的那种需求, 乃是要在LLM无法进行控制的输出范围之内, 将确定性实现最大化。其类型系统给予了工业化级别的安全气囊保障。它就如同发动机一般重要, 也类似方向盘和刹车一样关键。要是没有发动机, 车辆根本无法开动, 然而要是缺少了方向盘和刹车, 那么车辆行驶得越快, 便会越危险。这事儿你怎么看是继续坚守还是拥抱评论区聊聊你的选择。