No.062 做 Agent 一定要学 Python 吗？

做 Agent 一定要学 Python 吗？

2026-10-29 12 min 4026 字 -- 次阅读
摘要

做 Agent 不一定要 Python：Python 赢在框架厚度与数据生态，Node.js 赢在 Web 集成、类型同源、流式体验与边缘部署，这个系列就用 Node.js 从产品维度做 Agent。

最近想做 Agent，翻了一圈教程，基本都是用 Python 的。

LangChain 是 Python 的，LangGraph 是 Python 的，AutoGen、CrewAI，清一色 Python。我写了这么多年 Node.js 的全栈，在 AI 这么汹涌的攻势下，我都在想是不是该转语言了？

但看完一圈 Agent 的内容之后，我想做的反而是另一个方向：用 Node.js 做一个 Agent 开发系列，给想从 Web 全栈过渡到 Agent 开发的人一条路径，同时也给自己一个把这件事情讲清楚的机会。

AI ≠ Python

很多人把 AI 研究和AI 应用开发混为一谈。

AI 研究是训练模型、发论文、搞分布式训练的，在这个领域 Python 几乎是唯一选择，没有什么值得争辩的。

但 AI 应用开发不一样。它的任务是把模型的能力变成产品，像调 API、处理流式输出、接工具、管记忆、做评测这些，在这个环节，用什么语言完全取决于你的场景，并没有所谓的标准答案。

在开始之前，我们要知道自己做的是 Agent 应用开发，而不是大模型训练。只有搞清楚这一点，我们才不会在语言选择上产生无谓的焦虑。

搞清楚这一点，我们在语言选择上的焦虑就会少一大半。因为我们做的是 Agent 应用开发，而不是大模型训练。

Agent 开发现状对比

这里基于Web 产品团队把 Agent 做进已有应用的工程化体验，来做一个评分，这不是用来对语言能力进行排名的。

如果你的团队核心目标是论文复现或纯研究，Python 在几乎所有维度上的实际体验都会更高。

维度PythonNode.js / TypeScript说明
Agent 框架广度与成熟度53Python 首发框架的数量仍然明显领先：LangGraph、CrewAI、AutoGen、PydanticAI 等。TS 侧已经有 LangGraph.js、Mastra、OpenAI Agents SDK (TS)、Vercel AI SDK，不再是“只有 LangChain.js”的局面了，但生态厚度和示例密度仍要落后一档。
多 Agent 编排开箱能力53Python 有 CrewAI 的 Crews/Flows、AutoGen 的 GroupChat、LangGraph 的图状态机，抽象更成熟。TS 侧 LangGraph.js 覆盖图编排，Mastra 提供 workflow + subagent，OpenAI Agents SDK 有 handoff 模式，也能用，只是我们需要打补丁。
与 Web 应用集成成本35TS 的优势是路径更短：Agent 可以是 Next.js / Express 里的一个模块，共用类型、中间件和部署流水线。Python 需要 FastAPI 单独起服务，跨语言维护数据结构。
类型安全与 schema 同源35TS 的类型是语言和工具链的默认项，工具 schema、Zod 校验、SSE 事件类型可以放在同一套系统里。Python 虽然是动态语言，但也并不意味着就没有类型能力了：Pydantic v2 的运行时校验非常成熟，mypy 也能做静态检查。
LLM 集成与数据生态广度53LangChain 官方集成页 Python 侧 1000+，JS/TS 侧 100 多个，差了将近一个数量级。冷门向量库、文档解析器、embedding 预处理，Python 通常能找到现成适配的东西，不用重复造轮子。
流式与实时交互体验35Vercel AI SDK 把流式输出、工具调用循环、多 provider 切换封装得很好，且与 React / Next.js 的流式渲染直接打通。Python 用 FastAPI + SSE 完全可行，但需要打不少的补丁。
观测、评估与调试43Python 侧 LangSmith、Logfire、PydanticAI 的 eval 集成相对成熟。TS 侧 Vercel AI SDK 已有 telemetry，Mastra 也在补可观测性，但整体工具链的丰富度仍落后一档。
边缘 / Serverless 部署35Cloudflare Workers 的冷启动在 ~5ms 量级，AWS Lambda 上 Node/Python 通常在 100–400ms。Python 也能上 Serverless，但包体积和冷启动的工程负担更高。
运行时成熟度与版本基线54Python 的 asyncio + FastAPI 在生产 Agent 服务上已经非常成熟。Node.js 侧需要注意版本：Node 24 已经是 Active LTS，Node 22 处于 Maintenance LTS，Node 20 已 EOL。选 Node 做 Agent 应当优先 22 或 24 LTS，而不是 20。

综合来看，Python 赢在框架厚度和数据生态，Node.js 赢在 Web 集成、类型同源、流式体验和边缘部署。两边的优势是呈现差异的，所以我们最终选型的落点还是要落到产品形态和工程角度上的。

选择 Node.js 的原因

我是全栈开发者，核心技术栈是 Nodejs，可以说是这是我的最大优势，换成搞 Python，等于是自断一臂，能搞，但是要一些时间适应，反而以产品维度为核心去过渡，才是个人认为最好的选择：

  1. 我的主战场是 Web 应用。Agent 作为产品的一部分，并非是一个独立服务。用 Node.js 集成成本很低。

  2. 我最熟 Node.js。写技术系列的文章，这种核心技术能力才能写的深入。用我不熟的语言，也不过是一系列的学习笔记，未必能讲出为什么这么设计。

  3. 市面上 Python Agent 教程已经很多了，但高质量的 Node.js 实战内容不多，我想填补一下这个空白。

    当然也要提前说清楚，当我在实战的过程中遇到 Python 独有的高级框架（比如 LangGraph 的图编排），Nodejs 没有平替的方案，那么我会直接指出来，然后讲清楚它做的这件事，如果用 Node.js 怎么自己实现。我尽可能让你学到的是原理，而不是简单的知道怎么用 API。

    所以，在我解释了这么多之后，我的读者们~应该清楚我的这个系列不讲怎么调 API，而是围绕产品讲怎么用 Node.js 做 Agent。

怎么读

系列定位

这是我第一次完全以实践为主去做的一个系列，我希望每一篇都能要你做成一件事，而不是简单的会讲个概念。

当然了，我会理论结合实践来搞啦~

技术栈约定

  • 运行环境：Node.js 最低是 22 LTS

    Node 24 已经是 Active LTS，用它也完全没问题。这个系列以 22 为基线，是因为 22 处于 Maintenance LTS，维护周期稳定，且主流 SDK 和部署平台已经充分适配。

    并且Node 22.6+ 后支持 --experimental-strip-types，可以直接 node --experimental-strip-types index.ts 运行 TypeScript，不需要装 tsx、不需要配 ts-node、不需要先编译。这样一来，示例代码就是 .ts 直接运行，绕过构建步骤。但要注意，这个功能只会剥离类型，而 enum、namespace、参数属性等需要代码转换的语法仍不支持，本系列示例会避开这些语法。

    如果你还在用 Node 20，代码也能跑，但需要用 tsx 或先 tsc 编译，享受不到原生跑 TS 的便利。建议升到 22 及以上。

  • 语言：TypeScript

  • 核心库：OpenAI Node SDK、Vercel AI SDK（按需引入）

  • 不绑定具体框架：核心逻辑用原生写法，框架只做演示。这样你学到的能力可以迁移到任何框架，而不是只会用一个工具。

系列路线图

整个系列 10 篇，每篇解决一个问题：

  1. 从零跑通一个 Agent —— 写一个最小循环，理解 Agent 的本质

  2. 工具调用（Function Calling） —— 让 Agent 不只会说，还会动手

  3. 记忆系统 —— 短期记忆与长期记忆怎么设计

  4. 规划能力 —— ReAct 与 Plan-and-Execute 的取舍

  5. 多 Agent 协作 —— 让多个 Agent 配合完成复杂任务

  6. RAG 与知识接入 —— 给 Agent 接上私有知识库

  7. 评估体系 —— 怎么知道你的 Agent 好不好

  8. 可观测性与调试 —— 追踪和排查 Agent 的决策过程

  9. 生产化 —— 成本、延迟、稳定性的工程实践

  10. 完整案例 —— 从需求到上线的端到端实战

你需要的前置知识

必须会的：

  • JavaScript / TypeScript 基础（async/await、Promise、fetch）

  • Node.js 基础（npm、模块、读写文件）

  • 基本的 HTTP 概念

    不需要会的：

  • Python（这个系列全程 Node.js）

  • 机器学习或深度学习理论

  • LLM 底层原理（用到时我会直接讲结论）

    环境准备：

  • 安装 Node.js 22 LTS，推荐用 nvm 或 fnm 管理多版本，方便切换

    加分项：

  • 用过 OpenAI API

  • 有后端开发经验

最后

做 Agent 不一定要学 Python。但你要选对适合自己场景的语言。

如果你的目标是做前沿研究、复现论文、用现成的多 Agent 框架，Python 自然是更具优势。但如果你的目标是把 Agent 做进产品、和你的 Web 技术栈一体化，Node.js 一点也不逊色，而且你不用从零学一门新语言。

下一篇，我将从零写一个能跑的 Agent。跟随我写完，你就会发现，Agent 的核心其实就是一个循环。

你现在用什么语言做 Agent？卡在框架选型、流式输出，还是工具调用？评论区聊聊呗~

评论
← No.061
Vibe Coding 的提问艺术：怎么把模糊的想法说成 AI 能懂的需求
No.063 →
从零跑通一个 Agent