AI Agent 用什么语言：Python、TypeScript 与下一代产品工程

最近看到两段关于 AI Agent 编程语言选择的讨论，很有意思。

一边认为，早期 AI Agent 之所以大量使用 Python，是因为深度学习、科学计算、模型训练、Notebook 实验、PyTorch / TensorFlow 生态长期都围绕 Python 展开。AI 最早的主语是“模型”，研究者自然会用最顺手的 Python 去拼接 LLM、工具调用、输出解析器、向量数据库和各种实验脚本。

另一边则认为，今天真正走向产品化的 Agent，越来越适合用 TypeScript。因为 Agent 最终多数时候不是停留在论文和实验脚本里，而是会进入网页、插件、工作流面板、IDE 扩展、企业后台、SaaS 服务和各种用户界面。到了这个阶段，类型系统、事件流、前后端共享 schema、工具调用结构、权限对象、UI 状态同步，都会变得非常重要。

我觉得这不是简单的“Python 已死”或者“TypeScript 必胜”。更准确的判断是：AI Agent 的时代方向，正在从模型工程转向产品工程；Python 仍然重要，但 TypeScript 正在成为 Agent 产品层和运行时层的重要语言。

一、为什么早期 AI 和 Agent 生态天然偏向 Python

1. AI 最早的工程重心是模型，而不是产品

早期深度学习工程的核心问题，是如何训练模型、调参、处理张量、构造计算图、调 GPU、跑实验。这个阶段最重要的不是网页交互，也不是用户权限、计费、部署和多端 UI，而是快速验证模型假设。

Python 刚好非常适合这种工作：语法简单，交互式体验好，生态成熟，又能通过 C / C++ / CUDA 后端获得高性能计算能力。研究者可以在 Python 里写少量代码，把真正重的计算交给底层库完成。

NumPy、SciPy、Jupyter、PyTorch、TensorFlow、scikit-learn 这些工具，长期构成了 AI 与科学计算的基本工作台。也正因为如此，早期很多 AI Agent 原型本质上是“LLM + Python 胶水代码”：把提示词、模型 API、工具函数、输出解析、向量检索和任务循环粘在一起。

2. Python 的优势来自科学计算生态

Python 在 AI 里的地位，不只是因为它“简单”。更重要的是，它很早就形成了科学计算生态。

NumPy 提供了多维数组、线性代数、随机数、傅里叶变换等基础能力；SciPy、pandas、scikit-learn 又继续向统计、机器学习和数据分析扩展。Jupyter Notebook 则让研究者能够一边写代码，一边看结果，一边调试实验。

这种工作流非常适合研究者：先加载数据，再处理特征，然后训练模型，最后可视化结果。模型时代的 AI，本来就是围绕这种实验循环展开的。

所以，Python 不是凭空胜出的。它胜在：

• 学习成本低；
• 科学计算生态早；
• 与 C / C++ / CUDA 后端结合成熟；
• Notebook 体验适合实验；
• AI 教程、论文代码和开源模型大量使用 Python。

3. PyTorch 的动态图进一步强化了 Python 的地位

PyTorch 之所以对研究者友好，很大程度上是因为它采用了更符合 Python 直觉的动态图思路。简单说，模型的计算图是在代码执行过程中动态构建的，调试体验更自然，也更符合研究者不断试错的习惯。

TensorFlow 早期更强调静态图，后来也引入 eager execution，让操作可以像普通 Python 代码一样立即执行。这个变化本身就说明了一件事：在 AI 研究和实验阶段，开发者非常重视交互性、直觉性和调试效率。

这也是为什么早期 AI Agent 很自然地选择 Python。研究者不需要先做一个完整产品，只需要把模型、工具、环境和输出解析串起来。Python 正好是最方便的胶水语言。

二、为什么今天 Agent 产品越来越适合 TypeScript

1. Agent 不再只是“模型脚本”，而是产品系统

今天的 AI Agent 已经不是简单的“用户问一句，模型答一句”。真正的 Agent 往往包含：

• LLM API 调用；
• tool calling / function calling；
• 多轮任务状态；
• 用户确认与人工介入；
• RAG 和向量数据库；
• 工作流节点；
• 浏览器自动化；
• 文件读写；
• 权限系统；
• 计费系统；
• 日志、追踪、评测与监控；
• 前端 UI 的实时更新。

这已经不是单纯的模型工程，而是完整的产品工程。

一旦 Agent 进入产品层，TypeScript 的优势就会变得明显。因为大量用户可见的 Agent 场景，本来就发生在 Web 生态里：聊天界面、工作流面板、浏览器插件、网页应用、Electron 桌面应用、VS Code 插件、Slack / Discord Bot、API Route、Serverless、Edge Runtime 等。

这些地方的工程主语长期就是 JavaScript / TypeScript。

2. TypeScript 更接近用户界面和事件流

Agent 很依赖事件流。

一个真实的 Agent 运行过程，通常不是一次请求、一次响应，而是：

• 边思考边输出；
• 边输出边调用工具；
• 等待用户确认；
• 中途取消或重试；
• 工具执行后回写状态；
• 前端实时展示中间步骤；
• 任务失败后恢复上下文；
• 多个 Agent 或多个 workflow node 之间传递结果。

这些东西天然接近 Web 的事件模型、stream、WebSocket、Server-Sent Events 和 UI 状态管理。

Python 当然也能做异步，也能写 FastAPI、WebSocket、后台任务和流式输出。但如果你的 Agent 产品本身就是一个 Web 应用，那么 TypeScript 可以让前端、后端、工具 schema、UI 状态和 API 类型更容易统一。

3. Agent 最容易炸的地方是结构错，不只是模型错

很多人以为 Agent 最难的是“模型不聪明”。但真正做过 Agent 系统之后会发现，模型只是问题的一部分。

Agent 很容易死在工程结构上：

• 工具参数字段写错；
• JSON schema 不一致；
• API 返回结构变了；
• message 格式不统一；
• workflow state 被某一步改坏；
• UI 事件和后端状态对不上；
• 权限对象漏字段；
• 多轮任务恢复时上下文变形。

Agent 系统里有大量结构化对象在飞来飞去。此时类型系统就不是“洁癖”，而是降低系统崩坏概率的基础设施。

TypeScript 的价值，正在这里体现出来。它可以把 tool input/output、agent state、message format、workflow node、permission object、external API response 等结构提前定义清楚。很多错误不需要等到线上运行时才发现，而是在开发阶段就被类型检查拦下来。

4. TypeScript 更适合产品层 Agent Runtime

如果你做的是 Agent 框架、SDK、插件系统、工作流引擎或前端可见的 runtime，TypeScript 的优势会进一步扩大。

原因很简单：你的使用者很可能要把这个 Agent 接进网页、后台服务、浏览器插件、桌面应用、VS Code 插件、Serverless 函数或企业系统。TypeScript 在这些场景里的生态更统一。

这也是为什么近年的 Agent 生态里，TypeScript 项目明显增多。Vercel AI SDK 强调用统一 API 生成文本、结构化对象、工具调用和 Agent；Mastra 直接定位为 TypeScript AI Agent 框架；OpenAI Agents SDK 也同时提供 Python 与 JavaScript / TypeScript 版本。

这说明一个趋势：Agent 不再只服务研究者，也开始服务产品团队和全栈开发者。

三、Python 与 TypeScript 不是替代关系，而是分工关系

1. Python 仍然适合模型层、数据层和实验层

说 TypeScript 适合 Agent 产品层，并不意味着 Python 不重要。

恰恰相反，Python 仍然是很多 AI 系统的核心语言，尤其适合：

• 模型训练；
• 数据清洗；
• embedding pipeline；
• 离线批处理；
• 评测系统；
• 检索实验；
• 机器学习特征工程；
• 科学计算；
• Notebook 原型验证；
• 与 PyTorch / TensorFlow / scikit-learn 等生态结合。

如果你的 Agent 需要复杂的文本处理、模型评测、数据分析、向量构建、离线任务，Python 仍然是非常自然的选择。

2. TypeScript 更适合产品层、交互层和编排层

TypeScript 更适合承担另一部分工作：

• 前端聊天界面；
• Agent workflow 编排；
• tool schema 定义；
• API Route；
• 用户权限；
• 计费与账户系统；
• 插件系统；
• 浏览器与 IDE 扩展；
• Serverless / Edge 部署；
• 流式输出与 UI 状态同步。

如果你做的是一个真正给用户使用的 Agent 产品，尤其是 Web 产品，那么 TypeScript 作为主语言会更顺。

3. 更现实的架构：Python 做能力，TypeScript 做产品

我更认同的分工是：

• Python 做模型层、数据层、评测层、离线任务和实验脚本；
• TypeScript 做产品层、Agent 编排层、前端交互层、插件层和用户可见 runtime。

这不是谁打败谁，而是 AI 应用成熟之后自然出现的工程分层。

早期 AI = 模型，所以 Python 是主角。

今天 Agent = 模型 + 工具 + 状态 + 工作流 + UI + 权限 + 部署 + 监控，所以 TypeScript 的位置会越来越重要。

四、从“写 Agent”到“做 Agent 产品”

1. 早期 Agent 是研究原型

早期 Agent 的典型形态，大概是一个 Python 脚本：

• 调用 LLM；
• 解析模型输出；
• 决定是否调用工具；
• 把工具结果塞回上下文；
• 再让模型继续推理；
• 最后输出答案。

这类系统更像研究原型。它追求的是“能不能跑起来”，而不是“能不能稳定服务用户”。

2. 新一代 Agent 是长期运行的应用

新一代 Agent 不只是一个脚本，而是一个长期运行的应用系统。

它需要处理用户登录、权限边界、数据隔离、任务恢复、失败重试、工具审计、执行日志、成本控制、模型切换、人工确认和 UI 反馈。

这时，语言选择就不能只看“哪个更适合调模型”。还要看：

• 哪个更适合产品交互；
• 哪个更适合维护复杂状态；
• 哪个更适合和前端共享类型；
• 哪个更适合团队协作；
• 哪个更适合部署到实际业务环境；
• 哪个更适合长期维护。

这也是 TypeScript 变得重要的根本原因。

五、对个人开发者的建议

1. 如果你是 AI 初学者，先学 Python

如果你刚开始学习 AI，Python 仍然是最值得先学的语言。

原因很简单：绝大多数机器学习教程、数据分析教程、模型训练代码、Notebook 示例、开源模型项目，仍然以 Python 为主。你需要理解数据、模型、embedding、RAG、评测和基本的 LLM API 调用，Python 是最顺的入口。想系统地从智能体基础、ReAct 范式到记忆、RAG、上下文工程入门，可以参考 《Hello-Agents：从零开始构建 AI Agent 的开源教程》。

2. 如果你想做 Agent 产品，必须补 TypeScript

如果你的目标不是只跑 demo，而是做一个真正可以发布的网站、SaaS、插件、工作流工具或在线 Agent，那么 TypeScript 几乎绕不开。

你不一定要变成前端专家，但至少要理解：

• TypeScript 类型系统；
• API schema；
• React / Next.js 基本结构；
• streaming response；
• tool calling 的类型定义；
• 前后端状态同步；
• Serverless / Edge 部署；
• Web 产品的基本工程习惯。

这会直接决定你的 Agent 能不能从脚本变成产品。

3. 如果你想做 Agent Infra，TypeScript 更应该重视

如果你想做的是 Agent 框架、工作流系统、插件协议、工具市场、浏览器自动化平台、IDE Agent 或企业级 Agent Runtime，那么 TypeScript 的价值会更高。

因为这些东西最终要被产品团队、全栈工程师和 Web 开发者接入。TypeScript 的类型系统、包生态、前后端统一体验，会让它在 Agent Infra 里越来越有存在感。

六、我的判断：时代方向是“双栈”，但重心在产品工程

AI Agent 用什么语言？我的答案是：

学习和实验阶段，用 Python；产品和运行时阶段，重视 TypeScript；真正成熟的 Agent 系统，大概率是双栈。

Python 不会消失，因为 AI 的模型层、数据层和实验层仍然高度依赖它。

TypeScript 会越来越重要，因为 Agent 正在从“模型实验”进入“产品工程”。只要 Agent 要进入网页、插件、工作流、IDE、企业后台和用户界面，TypeScript 的地位就会继续上升。

所以，这场争论表面上是在争 Python 与 TypeScript，实际上是在争一个更大的问题：

AI 的主战场，究竟还在模型实验室，还是已经转向产品工程现场？

我的判断是，模型仍然重要，但单纯调用模型已经不稀缺。未来真正稀缺的是：谁能把模型、工具、数据、权限、UI、工作流和真实业务过程接起来，做成稳定可用的系统。

这就是 AI Agent 的时代方向。

常见问题

AI Agent 应该用 Python 还是 TypeScript？

没有唯一答案，更接近分工：学习和实验阶段用 Python，产品和运行时阶段重视 TypeScript，真正成熟的 Agent 系统大概率是双栈——Python 做模型 / 数据 / 评测层，TypeScript 做产品 / 编排 / 前端交互层。

为什么早期 AI Agent 大多用 Python？

因为深度学习、科学计算、模型训练与 Notebook 实验生态长期围绕 Python 展开（NumPy、PyTorch、TensorFlow、scikit-learn）。早期 Agent 多数是“LLM + Python 胶水代码”，把提示词、模型 API、工具函数、输出解析和任务循环粘在一起。

为什么 Agent 产品层越来越适合 TypeScript？

因为真正给用户使用的 Agent 多发生在 Web 生态：聊天界面、浏览器插件、工作流面板、IDE 扩展、企业后台。这些场景需要类型系统、事件流、前后端共享 schema 与 UI 状态同步，TypeScript 能让前端、后端、工具 schema 和 API 类型更统一，也更早在编译期拦下结构性错误。

初学者应该先学哪个？

先学 Python 入门 AI——理解数据、模型、embedding、RAG、评测与基本 LLM API 调用；当你想把 demo 变成可发布的网站、SaaS、插件或在线 Agent 时，再补 TypeScript。

参考来源

• 立党：关于早期 AI Agent 与 Python 生态的讨论
• Max For AI：关于 Agent 产品工程与 TypeScript 的讨论
• NumPy 官方网站
• PyTorch Blog：How Computational Graphs are Constructed in PyTorch
• TensorFlow 官方文档：Introduction to graphs and tf.function
• Google Research Blog：Eager Execution in TensorFlow
• OpenAI Developers：Agents SDK
• OpenAI Agents SDK for Python
• OpenAI Agents SDK for JavaScript / TypeScript
• Vercel AI SDK 官方文档
• Mastra：TypeScript AI Agent Framework
• LangChain JavaScript 官方文档
• Microsoft Semantic Kernel 官方介绍