近期有很多朋友来咨询。
搭建一个 AI Agent（智能体）用什么平台？
用什么技术框架？
我的场景如何结合 AI Agent？
现在出了这么多平台、框架，我应该学哪个呢？
这篇文章，我会围绕上面的问题来讲解。
无论你是否是技术人员，相信这篇文章对你都会有所收获。
这篇文章内容会包含如下几部分：
面对快速发展的 AI 技术，我们应该优先学习什么？
如果我没有编程经验，我可以用哪些平台来搭建 AI Agent？
对于有编程经验的人，有哪些推荐的 AI 技术路线？
这篇文章有点长，大家可以先收藏，慢慢阅读。
我们应该学习 AI 哪些知识
首先聊一下我们应该优先学习哪些知识？
AI 发展现状
这两年 AI 发展的非常迅速，很多厂商的大模型你追我改相继推出，很多 AI 开源项目相继推出，很多 AI 平台相继推出，很多 AI 开发框架的相继推出，推出后，又不断推出迭代版本，似乎每个周都有“大事情”。
这几个月就有很多厂商新功能发布，例如谷歌、智谱、深度求索等都发布了新模型、新功能。
这些内容，让我们看得眼花缭乱，心血澎湃，每一个都想赶紧学习，大展身手。
但是我们每个人的精力是有限的，不可能全部都去学。
我们不知道马上去动手学习的内容会不会在下一个月就变得过时了？
我们不知道应该把时间优先分配在学习哪些重要的知识上？
首学 AI 能力而非具体工具
在我看来，我们应该专注于最重要的知识，即“首学 AI 能力而非具体工具！”。
即我们重点学习的应该是目前的大模型有哪些能力？
在大模型的能力范围内，我们能用 AI 做什么？解决什么问题？目前有哪些场景可以用 AI 来解决？
而不是首先聚焦在一个个工具的研究上，然后再思考这个工具能解决什么问题。
“在了解 AI 的能力基础上，先有问题场景，再思考解决方案，进而实施”，这个顺序我认为才是正确的。
举个例子，智谱于 1 月份发布了一款可以自主操控电脑的 AI 智能体。
有的朋友就坐不住了，激情澎湃的说这才是 AI Agent ，太厉害了。
但类似功能前几个月已经有开源项目 Browser Use 了，我在本地配置过一次，发现它消耗的 Token 的成本费用，超出了预期，就放弃了。
所以我们要理性对待这些新技术。
我个人建议是我们一定要从商用场景出发，去学习可以商用的技术，可以解决当前场景问题的技术，否则现在 AI 相关的新知识太多了，我们根本学不过来。
例如：
作为开发人员，需求场景是写代码，那么这个智能体可以吗？不可以那么就没有必要深入研究了，当然如果有其他需求，另当别论。
作为自媒体从业者，这个智能体可以让其自动化的执行一些点赞、评论、或者回复等任务，这就可以去研究、学习。
当然如果是一位 AI 的创业者，确实需要每一个新能力都去尝试一下，这也要建立在有足够精力的前提下。
我们不能被一些看似很炫的功能演示，迷惑了我们的学习方向。
我们需要结合实际场景来去思考这个 AI 能力是否能解决我们的问题，是否到了可以商用的阶段，然后再着手学习。
工具依然重要
有的朋友可能会问，学习工具就不重要了吗？
当然不是，学习特定的工具依然非常重要，例如选择一些开发平台，选择一些开发框架，选择一些自动化工具等等，但是它不是我们优先学习的 AI 知识。
带着场景去学习
我的意思是，我们应该优先学习高价值的知识。
例如当前不同 AI 大模型的能力范围，各个厂商发布的 AI Agent 的最佳实践路线，我们的场景需求，提示工程，本地与云端大模型的运行成本和速度，如何解决幻觉，如何确定你的技术路线等等。
因为这些知识不会马上过时。
在目前 AI 快速发展阶段，很多工具都在推陈出新，今天你基于它开发的新功能，明天它的新版本可能就补充上去了，后天可能大模型自身就具备了这个能力。
因此如果你现在不是马上需要某个工具、某个平台、某个框架来解决你的实际场景问题，大可不必投入太多的时间去学习，你可以优先学习更重要的且不会马上过时的知识。
我们不能为了学而学，需要带着场景问题去研究，这个时候你会在实践中看到场景有没有提高效率？其运行成本是多少？运行速度是否满意？回答结果是否符合预期？进而判断这个工具是否满足你的场景。
如何选型自己的 AI 全栈技术栈？
接下来我们再讨论一下用什么架构来构建你的商用 AI Agent。
在软件行业做技术选型的时候，我们大多数不会选择最新的，我们会选择最稳定的。
最新的技术可以在局部使用，解决一些局部问题。
在商用 AI Agent 的技术选型上，我个人建议需要考虑几个因素。
成本、稳定性、可实施性、准确性。
没写过代码的技术栈
作为没写过代码的朋友，我建议学一下 AI 编程工具，因为在 AI Agent 搭建过程中，会有与第三方系统进行对接，或者做一些小工具，或者直接用一些开源项目的情况，学会一些简单的调试和接口开发，会让你走的更远。
类似 Coze、Dify 等 AI 智能体平台的工作流配置，其实也是代码编程思想的体现，如果你会一些编程，这些平台的操作上手也会更快。
学习 AI 编程工具，你不需要完整的搭建起一个项目，不需要开发复杂的项目，最起码你可以学会如何从源码平台上拉取开源项目，如何在本地调试运行起来，如何修改大模型的 API Key，如何增加一些自己的业务代码。
作为没有写过代码的朋友，我个人建议的技术路线是：
优先学高价值的知识。
有场景的前提下可以学习 Coze、Dify 等无代码平台。
再深入一点，可以再学一个 AI 编程工具 Bolt.DIY 。
更深入一点，可以学一个 AI Agent 多智能体框架 CrewAI，它需要编写代码相比较其他框架少。
Coze/Dify -> Bolt.DIY -> CrewAI
会写代码的技术栈
对于会写代码的朋友，如下是我自己的技术栈，仅供参考，你可以根据自己的实际情况调整。
文末有开一个开源项目，里面罗列一个较为完整的 AI 技术栈，大家可以访问查阅，不过里面都是外国的。
大型语言模型
- DeepSeek/Qwen，国内大模型，性价比高。
- Llama/Gemini/Claude/OpenAI，海外大模型，能力强。
编程语言
- Python，作为后端，大多数 AI 开源项目都是用 Python 写的。
- Tauri + React + Typescript + Vite + Shadcn，作为前端，PC、桌面、手机端统一开发。
AI 辅助编程工具
- Bolt.DIY / Bolt.New，基于 Node，可以更换云端或者本地大模型的 AI 编程工具。
- Windsurf / Cursor，基于 VSCode 的 AI 编程工具。
AI Agent 开发框架
- LangGraph，复杂工作流和多代理协作的场景。
- CrewAI，快速构建和模拟团队协作的场景，提示用的居多。
AI Agent 无代码开发平台
- Coze，云端 AI Agent 搭建平台，插件多，但不能本地。
- Dify，可本地搭建的 AI Agent 搭建平台。
- n8n，AI 工作流动化方面功能更强大，类比海外的Make，海外平台接口已经集成400多个。
Database（数据库）:
- PostgreSQL，丰富的数据类型（如数组、JSON、XML等）。
- Weaviate，高性能的开源向量数据库。
