本文分享了一套完整的 Agent 技术栈适用于独立开发和 Agent 产品开发。作者使用 TypeScript 重写了 Multi-Agent 数学建模系统强调了工程化的重要性。技术选型包括 Next.js、AI SDK、OpenAI Compatible 模型、E2B Code Interpreter、PostgreSQL、Better Auth、shadcn/ui、OpenTelemetry、Langfuse、支付宝计费和 pnpm 包管理。作者认为这套技术栈开发效率高适合快速上线迭代但 Next.js 的开发体验较重下次重构可能会转向 Vite 纯 API Backend。一套完整生产落地的 Agent 技术栈。分享给做独立开发以及正在做 Agent 产品的人。项目是我开发的一个 Multi-Agent 数学建模系统。两年前我开源过一个版本但真正做到生产后会发现有非常多 dirty work所以这次我直接用 TypeScript 全重写了一版。我目前最大的感受是现在做 Agent Demo、桌面端、玩具产品的人很多但真正能稳定跑生产、持续产生效益的产品其实非常少。因为 Agent 真正难的部分不是 prompt而是工程化。而我本人平时还在上班整个项目基本是我一个人开发所以技术选型上我会非常偏向熟悉开发效率高文档完整能快速上线迭代基本就是一套“独立开发友好”的技术栈。技术选型前后端Next.js 16 TypeScript我对这套比较熟页面、API、鉴权、SSE 流式响应都能放在一个工程里开发效率非常高。但 Next.js 的缺点也很明显太慢了。尤其是hot reload 慢内存占用大工程稍微复杂一点 dev server 就开始卡下次如果重做我大概率不会再选 SSR可能会直接转Vite SSGAgentAI SDK v6现在我基本已经离不开 AI SDK 了。它做SSE多模型切换tool callingstream UI都非常顺手。配合 Next.js 写 Agent 几乎是当前最舒服的方案之一。LLMOpenAI Compatible Anthropic我不希望系统锁死单一模型厂商。所以统一走 OpenAI Compatible 协议再补 Anthropic。这样用户可以 BYOKBring Your Own Key模型可以动态切换成本更容易控制也方便以后接私有模型SandboxE2B Code Interpreter这个是生产里非常关键的一层。因为我的场景是 运行 Python 代码求解数学建模问题。E2B 的好处是沙箱隔离稳定文件处理方便Python 环境成熟更适合生产环境相比自己维护 Docker Sandbox省了很多精力。DatabasePostgreSQL Drizzle ORM负责聊天记录消息状态Token 消耗用户配置计费状态Drizzle 在 TypeScript 生态里我挺喜欢的类型安全做得很好而且没有 Prisma 那种很重的感觉。鉴权Better Auth登录、注册、找回密码这些能力接得很快。我现在越来越倾向 能不自己造 auth 轮子就绝不自己造。UIshadcn/ui Tailwind AI Elements这套组合真的非常适合 AI 产品。尤其AI SDK AI Elements配合起来写 Agent UI 的速度非常夸张。很多消息流Tool 状态Thinking 过程Agent Steps基本很快就能搭出来。观测OpenTelemetry LangfuseAgent 系统如果没有 observability后期基本没法排查问题。尤其模型调用Tool 链路Token 消耗错误回溯这些必须可观测。Langfuse 现在我觉得已经是 AI 产品里的基础设施了。计费支付宝 服务端预扣接支付宝是真麻烦但是合规就很好。否则非常容易出现漏单并发问题Token 被刷预扣虽然麻烦一点但生产稳定性高很多。包管理pnpm安装快、占用小。大项目之后你会明显感觉比 npm/yarn 更舒服。可以发现我整个技术栈其实非常 “Vercel 系”。几乎全是海外独立开发者最喜欢的那套。国内可能反而偏冷门。但实话说这套东西写起来真的非常爽。尤其AI SDK AI Elements几乎把 Agent UI 开发效率拉满了。目前这套栈里我唯一真正不满意的技术其实就是Next.js生态确实强但开发体验已经越来越重了。如果下次重构我大概率会放弃 SSR放弃大一统 Fullstack转向 Vite 纯 API Backend可能整体会轻很多。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取