AI Agent 用什麼語言：Python、TypeScript 與下一代產品工程

最近看到兩段關於 AI Agent 編程語言選擇的討論，很有意思。

一邊認為，早期 AI Agent 之所以大量使用 Python，是因為深度學習、科學計算、模型訓練、Notebook 實驗、PyTorch / TensorFlow 生態長期都圍繞 Python 展開。AI 最早的主語是“模型”，研究者自然會用最順手的 Python 去拼接 LLM、工具調用、輸出解析器、向量數據庫和各種實驗腳本。

另一邊則認為，今天真正走向產品化的 Agent，越來越適合用 TypeScript。因為 Agent 最終多數時候不是停留在論文和實驗腳本里，而是會進入網頁、插件、工作流面板、IDE 擴展、企業後台、SaaS 服務和各種用戶介面。到了這個階段，類型系統、事件流、前後端共享 schema、工具調用結構、權限對象、UI 狀態同步，都會變得非常重要。

我覺得這不是簡單的“Python 已死”或者“TypeScript 必勝”。更準確的判斷是：AI Agent 的時代方向，正在從模型工程轉向產品工程；Python 仍然重要，但 TypeScript 正在成為 Agent 產品層和運行時層的重要語言。

一、為什麼早期 AI 和 Agent 生態天然偏向 Python

1. AI 最早的工程重心是模型，而不是產品

早期深度學習工程的核心問題，是如何訓練模型、調參、處理張量、構造計算圖、調 GPU、跑實驗。這個階段最重要的不是網頁交互，也不是用戶權限、計費、部署和多端 UI，而是快速驗證模型假設。

Python 剛好非常適合這種工作：語法簡單，交互式體驗好，生態成熟，又能通過 C / C++ / CUDA 後端獲得高性能計算能力。研究者可以在 Python 裏寫少量代碼，把真正重的計算交給底層庫完成。

NumPy、SciPy、Jupyter、PyTorch、TensorFlow、scikit-learn 這些工具，長期構成了 AI 與科學計算的基本工作台。也正因為如此，早期很多 AI Agent 原型本質上是“LLM + Python 膠水代碼”：把提示詞、模型 API、工具函數、輸出解析、向量檢索和任務循環粘在一起。

2. Python 的優勢來自科學計算生態

Python 在 AI 裏的地位，不只是因為它“簡單”。更重要的是，它很早就形成了科學計算生態。

NumPy 提供了多維數組、線性代數、隨機數、傅里葉變換等基礎能力；SciPy、pandas、scikit-learn 又繼續向統計、機器學習和數據分析擴展。Jupyter Notebook 則讓研究者能夠一邊寫代碼，一邊看結果，一邊調試實驗。

這種工作流非常適合研究者：先加載數據，再處理特徵，然後訓練模型，最後可視化結果。模型時代的 AI，本來就是圍繞這種實驗循環展開的。

所以，Python 不是憑空勝出的。它勝在：

• 學習成本低；
• 科學計算生態早；
• 與 C / C++ / CUDA 後端結合成熟；
• Notebook 體驗適合實驗；
• AI 教程、論文代碼和開源模型大量使用 Python。

3. PyTorch 的動態圖進一步強化了 Python 的地位

PyTorch 之所以對研究者友好，很大程度上是因為它採用了更符合 Python 直覺的動態圖思路。簡單說，模型的計算圖是在代碼執行過程中動態構建的，調試體驗更自然，也更符合研究者不斷試錯的習慣。

TensorFlow 早期更強調靜態圖，後來也引入 eager execution，讓操作可以像普通 Python 代碼一樣立即執行。這個變化本身就說明了一件事：在 AI 研究和實驗階段，開發者非常重視交互性、直覺性和調試效率。

這也是為什麼早期 AI Agent 很自然地選擇 Python。研究者不需要先做一個完整產品，只需要把模型、工具、環境和輸出解析串起來。Python 正好是最方便的膠水語言。

二、為什麼今天 Agent 產品越來越適合 TypeScript

1. Agent 不再只是“模型腳本”，而是產品系統

今天的 AI Agent 已經不是簡單的“用戶問一句，模型答一句”。真正的 Agent 往往包含：

• LLM API 調用；
• tool calling / function calling；
• 多輪任務狀態；
• 用戶確認與人工介入；
• RAG 和向量數據庫；
• 工作流節點；
• 瀏覽器自動化；
• 文件讀寫；
• 權限系統；
• 計費系統；
• 日誌、追蹤、評測與監控；
• 前端 UI 的實時更新。

這已經不是單純的模型工程，而是完整的產品工程。

一旦 Agent 進入產品層，TypeScript 的優勢就會變得明顯。因為大量用戶可見的 Agent 場景，本來就發生在 Web 生態裏：聊天介面、工作流面板、瀏覽器插件、網頁應用、Electron 桌面應用、VS Code 插件、Slack / Discord Bot、API Route、Serverless、Edge Runtime 等。

這些地方的工程主語長期就是 JavaScript / TypeScript。

2. TypeScript 更接近用戶介面和事件流

Agent 很依賴事件流。

一個真實的 Agent 運行過程，通常不是一次請求、一次響應，而是：

• 邊思考邊輸出；
• 邊輸出邊調用工具；
• 等待用戶確認；
• 中途取消或重試；
• 工具執行後回寫狀態；
• 前端實時展示中間步驟；
• 任務失敗後恢復上下文；
• 多個 Agent 或多個 workflow node 之間傳遞結果。

這些東西天然接近 Web 的事件模型、stream、WebSocket、Server-Sent Events 和 UI 狀態管理。

Python 當然也能做異步，也能寫 FastAPI、WebSocket、後台任務和流式輸出。但如果你的 Agent 產品本身就是一個 Web 應用，那麼 TypeScript 可以讓前端、後端、工具 schema、UI 狀態和 API 類型更容易統一。

3. Agent 最容易炸的地方是結構錯，不只是模型錯

很多人以為 Agent 最難的是“模型不聰明”。但真正做過 Agent 系統之後會發現，模型只是問題的一部分。

Agent 很容易死在工程結構上：

• 工具參數字段寫錯；
• JSON schema 不一致；
• API 返回結構變了；
• message 格式不統一；
• workflow state 被某一步改壞；
• UI 事件和後端狀態對不上；
• 權限對象漏字段；
• 多輪任務恢復時上下文變形。

Agent 系統裏有大量結構化對象在飛來飛去。此時類型系統就不是“潔癖”，而是降低系統崩壞概率的基礎設施。

TypeScript 的價值，正在這裏體現出來。它可以把 tool input/output、agent state、message format、workflow node、permission object、external API response 等結構提前定義清楚。很多錯誤不需要等到線上運行時才發現，而是在開發階段就被類型檢查攔下來。

4. TypeScript 更適合產品層 Agent Runtime

如果你做的是 Agent 框架、SDK、插件系統、工作流引擎或前端可見的 runtime，TypeScript 的優勢會進一步擴大。

原因很簡單：你的使用者很可能要把這個 Agent 接進網頁、後台服務、瀏覽器插件、桌面應用、VS Code 插件、Serverless 函數或企業系統。TypeScript 在這些場景裏的生態更統一。

這也是為什麼近年的 Agent 生態裏，TypeScript 項目明顯增多。Vercel AI SDK 強調用統一 API 生成文本、結構化對象、工具調用和 Agent；Mastra 直接定位為 TypeScript AI Agent 框架；OpenAI Agents SDK 也同時提供 Python 與 JavaScript / TypeScript 版本。

這說明一個趨勢：Agent 不再只服務研究者，也開始服務產品團隊和全棧開發者。

三、Python 與 TypeScript 不是替代關係，而是分工關係

1. Python 仍然適合模型層、數據層和實驗層

說 TypeScript 適合 Agent 產品層，並不意味著 Python 不重要。

恰恰相反，Python 仍然是很多 AI 系統的核心語言，尤其適合：

• 模型訓練；
• 數據清洗；
• embedding pipeline；
• 離線批處理；
• 評測系統；
• 檢索實驗；
• 機器學習特徵工程；
• 科學計算；
• Notebook 原型驗證；
• 與 PyTorch / TensorFlow / scikit-learn 等生態結合。

如果你的 Agent 需要複雜的文本處理、模型評測、數據分析、向量構建、離線任務，Python 仍然是非常自然的選擇。

2. TypeScript 更適合產品層、交互層和編排層

TypeScript 更適合承擔另一部分工作：

• 前端聊天介面；
• Agent workflow 編排；
• tool schema 定義；
• API Route；
• 用戶權限；
• 計費與賬户系統；
• 插件系統；
• 瀏覽器與 IDE 擴展；
• Serverless / Edge 部署；
• 流式輸出與 UI 狀態同步。

如果你做的是一個真正給用戶使用的 Agent 產品，尤其是 Web 產品，那麼 TypeScript 作為主語言會更順。

3. 更現實的架構：Python 做能力，TypeScript 做產品

我更認同的分工是：

• Python 做模型層、數據層、評測層、離線任務和實驗腳本；
• TypeScript 做產品層、Agent 編排層、前端交互層、插件層和用戶可見 runtime。

這不是誰打敗誰，而是 AI 應用成熟之後自然出現的工程分層。

早期 AI = 模型，所以 Python 是主角。

今天 Agent = 模型 + 工具 + 狀態 + 工作流 + UI + 權限 + 部署 + 監控，所以 TypeScript 的位置會越來越重要。

四、從“寫 Agent”到“做 Agent 產品”

1. 早期 Agent 是研究原型

早期 Agent 的典型形態，大概是一個 Python 腳本：

• 調用 LLM；
• 解析模型輸出；
• 決定是否調用工具；
• 把工具結果塞回上下文；
• 再讓模型繼續推理；
• 最後輸出答案。

這類系統更像研究原型。它追求的是“能不能跑起來”，而不是“能不能穩定服務用戶”。

2. 新一代 Agent 是長期運行的應用

新一代 Agent 不只是一個腳本，而是一個長期運行的應用系統。

它需要處理用戶登錄、權限邊界、數據隔離、任務恢復、失敗重試、工具審計、執行日誌、成本控制、模型切換、人工確認和 UI 反饋。

這時，語言選擇就不能只看“哪個更適合調模型”。還要看：

• 哪個更適合產品交互；
• 哪個更適合維護複雜狀態；
• 哪個更適合和前端共享類型；
• 哪個更適合團隊協作；
• 哪個更適合部署到實際業務環境；
• 哪個更適合長期維護。

這也是 TypeScript 變得重要的根本原因。

五、對個人開發者的建議

1. 如果你是 AI 初學者，先學 Python

如果你剛開始學習 AI，Python 仍然是最值得先學的語言。

原因很簡單：絕大多數機器學習教程、數據分析教程、模型訓練代碼、Notebook 示例、開源模型項目，仍然以 Python 為主。你需要理解數據、模型、embedding、RAG、評測和基本的 LLM API 調用，Python 是最順的入口。想系統地從智能體基礎、ReAct 範式到記憶、RAG、上下文工程入門，可以參考 《Hello-Agents：從零開始構建 AI Agent 的開源教程》。

2. 如果你想做 Agent 產品，必須補 TypeScript

如果你的目標不是隻跑 demo，而是做一個真正可以發佈的網站、SaaS、插件、工作流工具或在線 Agent，那麼 TypeScript 幾乎繞不開。

你不一定要變成前端專家，但至少要理解：

• TypeScript 類型系統；
• API schema；
• React / Next.js 基本結構；
• streaming response；
• tool calling 的類型定義；
• 前後端狀態同步；
• Serverless / Edge 部署；
• Web 產品的基本工程習慣。

這會直接決定你的 Agent 能不能從腳本變成產品。

3. 如果你想做 Agent Infra，TypeScript 更應該重視

如果你想做的是 Agent 框架、工作流系統、插件協議、工具市場、瀏覽器自動化平台、IDE Agent 或企業級 Agent Runtime，那麼 TypeScript 的價值會更高。

因為這些東西最終要被產品團隊、全棧工程師和 Web 開發者接入。TypeScript 的類型系統、包生態、前後端統一體驗，會讓它在 Agent Infra 裏越來越有存在感。

六、我的判斷：時代方向是“雙棧”，但重心在產品工程

AI Agent 用什麼語言？我的答案是：

學習和實驗階段，用 Python；產品和運行時階段，重視 TypeScript；真正成熟的 Agent 系統，大概率是雙棧。

Python 不會消失，因為 AI 的模型層、數據層和實驗層仍然高度依賴它。

TypeScript 會越來越重要，因為 Agent 正在從“模型實驗”進入“產品工程”。只要 Agent 要進入網頁、插件、工作流、IDE、企業後台和用戶介面，TypeScript 的地位就會繼續上升。

所以，這場爭論表面上是在爭 Python 與 TypeScript，實際上是在爭一個更大的問題：

AI 的主戰場，究竟還在模型實驗室，還是已經轉向產品工程現場？

我的判斷是，模型仍然重要，但單純調用模型已經不稀缺。未來真正稀缺的是：誰能把模型、工具、數據、權限、UI、工作流和真實業務過程接起來，做成穩定可用的系統。

這就是 AI Agent 的時代方向。

常見問題

AI Agent 應該用 Python 還是 TypeScript？

沒有唯一答案，更接近分工：學習和實驗階段用 Python，產品和運行時階段重視 TypeScript，真正成熟的 Agent 系統大概率是雙棧——Python 做模型 / 數據 / 評測層，TypeScript 做產品 / 編排 / 前端交互層。

為什麼早期 AI Agent 大多用 Python？

因為深度學習、科學計算、模型訓練與 Notebook 實驗生態長期圍繞 Python 展開（NumPy、PyTorch、TensorFlow、scikit-learn）。早期 Agent 多數是“LLM + Python 膠水代碼”，把提示詞、模型 API、工具函數、輸出解析和任務循環粘在一起。

為什麼 Agent 產品層越來越適合 TypeScript？

因為真正給用戶使用的 Agent 多發生在 Web 生態：聊天介面、瀏覽器插件、工作流面板、IDE 擴展、企業後台。這些場景需要類型系統、事件流、前後端共享 schema 與 UI 狀態同步，TypeScript 能讓前端、後端、工具 schema 和 API 類型更統一，也更早在編譯期攔下結構性錯誤。

初學者應該先學哪個？

先學 Python 入門 AI——理解數據、模型、embedding、RAG、評測與基本 LLM API 調用；當你想把 demo 變成可發佈的網站、SaaS、插件或在線 Agent 時，再補 TypeScript。

參考來源

• 立黨：關於早期 AI Agent 與 Python 生態的討論
• Max For AI：關於 Agent 產品工程與 TypeScript 的討論
• NumPy 官方網站
• PyTorch Blog：How Computational Graphs are Constructed in PyTorch
• TensorFlow 官方文檔：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 官方文檔
• Mastra：TypeScript AI Agent Framework
• LangChain JavaScript 官方文檔
• Microsoft Semantic Kernel 官方介紹