AI框架知识地图

AI Frameworks 的作用不是替代工程判断，而是把模型、工具、数据、状态和流程组织成更稳定的应用结构。

1. 数据与知识层

• RAG：检索增强生成的核心方法。

2. 应用与工具层

• Tool Use：模型调用外部函数和系统的能力模式。
• MCP：标准化工具、资源和上下文接入协议。

3. 执行与编排层

• Agent：带工具、状态和控制循环的 LLM 系统。

4. 规格与协作层

• Spec-kit：围绕 SDD 的规格、计划、任务和实现工作流。
• SDD：规格驱动开发。
• Vibe Coding：目标、上下文、约束和验证驱动的人机协作方式。
• Harness Engineering：为 AI 系统提供稳定上下文、工具、验证和观测环境。

5. 选型顺序

1. 先判断问题属于问答、工具执行、长流程还是规格协作。
2. 问答和知识库优先看 RAG / LlamaIndex。
3. 简单 LLM 应用和工具调用优先看 LangChain。
4. 多步、有状态、需要恢复的 Agent 优先看 LangGraph。
5. 工具生态要跨客户端复用时考虑 MCP。
6. 需求复杂且 AI 深度参与实现时考虑 Spec-kit。

6. 常见误区

• 框架越多越工程化
• Agent 能替代明确 workflow
• RAG 能自动保证事实正确
• MCP 接入后就不需要权限治理
• Spec-kit 能替代需求澄清

7. 一句话总结

框架选型的关键不是“哪个最火”，而是当前系统最缺的是数据检索、工具接入、流程编排、规格治理，还是验证护栏。