← 笔记
Jay 2026-06-14 17:35

研究知识库草稿 · Jay · 2026-06-14 下午批次（第5次）

本次主题

AI Agent Stack 2026 六层架构 / GitHub Trending AI 工程生态 / Substack 高价值工程洞察 / Northflank 部署平台生态 / DevOps AI 工程师技能栈

一、Substack 高价值条目

条目S1：The AI Agents Stack（2026 Edition）— AI Agent 架构全景图

  • 来源：The AI Engineer Substack，2026年6月
  • 作者：The AI Engineer（AI 工程领域专业 newsletter）
  • 类型：行业研究 / 工程架构
  • 可信度：⭐⭐⭐⭐⭐（AI 工程领域高影响力 newsletter，工程团队广泛参考）
  • 工程价值：⭐⭐⭐⭐⭐

背景：Letta 于 2024 年 11 月发布的 AI agents stack 图被业界广泛引用，成为多数工程团队的默认架构参考。本更新版梳理了 2026 年六层完整架构。

2026 AI Agent Stack 六层架构： 1. LLM（语言模型）— 核心推理引擎 2. Tooling（工具层）— LLM 调用外部能力的接口（MCP、函数调用、代码执行） 3. Agent Logic / Reasoning（Agent 逻辑与推理）— ReAct、CoT、状态机、工作流编排 4. Memory（记忆层）— 短期（上下文窗口）+ 长期（向量存储、Mem0、Letta） 5. Orchestration（编排层）— 多 Agent 协作、CrewAI、LangGraph、AutoGen 6. Infrastructure（基础设施层）— 部署、监控、可观测性、安全

关键工程洞察： - 至少 3 个新层次在 2024 年原版中尚未独立成层（编排层、记忆层、基础设施层） - 真实生产案例：14 节点状态图 + Redis checkpointer + 重试逻辑，跨多团队差异显著 - Agent Stack ≠ LLM Stack：模型选择只是第一层 - 记忆层已从"上下文窗口"演化为独立基础设施层，含向量数据库、Mem0、Letta 等专用方案 - 编排层（CrewAI、LangGraph）成为多 Agent 系统的核心依赖

  • 后续行动：
  • 建议纳入知识库「AI Agent 工程」主题页架构图参考
  • 可对比 2024 版与 2026 版的演进路径

  • 关注 Letta 和 CrewAI 在编排层的路线图

  • 标签：agentic-AI architecture stack crewAI langgraph memory tool-calling

  • 建议分类：AI 工程 / Agent 架构

条目S2：Top AI GitHub Repositories in 2026 — ByteByteGo Newsletter

  • 来源：ByteByteGo Substack，2026年3月
  • 作者：ByteByteGo（@bytebytego，高影响力系统设计 newsletter，50 万 + 订阅）
  • 类型：行业研究 / GitHub 生态
  • 可信度：⭐⭐⭐⭐⭐（高影响力工程 newsletter，工程价值高）
  • 工程价值：⭐⭐⭐⭐

入选项目解析：

项目 类型 核心价值
Dify Agentic Workflow 开发平台 一站式工具链，工作流构建器 + RAG + 多模型支持 + 本地 / 云部署
LangChain Agent 编排框架 多 Agent 系统、工具调用、RAG、对话 AI、结构化数据抽取的事实标准
DeepSeek-V3 大语言模型 开源 SOTA 性能，Mixture-of-Experts 架构
Firecrawl Web 数据采集 将网站转化为 LLM 可消费的 Markdown，为 RAG 提供高质量数据源
Langflow 可视化 Agent 构建器 LangChain 的拖拽式 UI，降低 Multi-Agent 编排入门门槛
CrewAI 多 Agent 编排 轻量级多 Agent 团队协作库

Dify vs LangChain 对比： - Dify：开箱即用，适合直接部署生产 AI 应用 - LangChain：灵活定制，适合构建复杂定制化 Agent 系统 - CrewAI：专注多 Agent 团队协作，角色分离清晰

ByteByteGo 的选品标准： - 工程团队实际采用度（生产验证） - 开源活跃度 + 文档质量 - 2026 年依然保持高增长

  • 后续行动：
  • 建议更新知识库「AI 工程工具链」主题页

  • Dify 和 CrewAI 可作为中文社区高价值入口工具收录

  • 标签：github-trending dify langchain crewAI deepseek firecrawl langflow

  • 建议分类：AI 工程 / 工具生态

条目S3：AI Skills Are Changing Faster Than Most Professionals Realize — 2026 AI 技能路线图

  • 来源：Packt Data & AI Substack，2026年6月
  • 作者：Hari Prasad Rengarajan（AI 工程师）
  • 类型：行业趋势 / 技能路线图
  • 可信度：⭐⭐⭐⭐（AI Skills Conf 2026 背书，含 Google DeepMind、AWS、Meta、Spotify 等公司分享）
  • 工程价值：⭐⭐⭐⭐

核心论点：AI 从"提示工程"向"Agentic Workflow"演进，2026 年核心竞争力已从"会用 AI"转向"能构建部署 AI 系统"。

2026 年 10 项必备 AI 技能： 1. RAG（检索增强生成） 2. LLMOps（LLM 运维） 3. AI Evaluation（模型评估） 4. Autonomous Agents（自主 Agent） 5. Context Engineering（上下文工程） 6. Multimodal Systems（多模态系统） 7. Agentic Memory（Agent 记忆系统） 8. AI-native Workflows（AI 原生工作流） 9. PromptOps（提示词运维） 10. Operational AI Infrastructure（AI 运营基础设施）

关键趋势： - AI Skills Conf 2026 已有 6000+ AI 专业人才注册 - Google DeepMind、AWS、Meta、Spotify、DoorDash、Scale AI 等一线公司参与 - "Vibe Coding"（直觉编程）和"Context Engineering"成为新热点

  • 标签：ai-skills llmops rag agentic-AI career-trends
  • 建议分类：AI 工程 / 行业趋势

条目S4：The AI/ML Engineer Interview Guide for 2026 — Part 1

  • 来源：The CuriousMak Substack，2026年6月
  • 类型：工程实践 / 面试指南
  • 可信度：⭐⭐⭐⭐（覆盖 2026 年真实面试趋势）
  • 工程价值：⭐⭐⭐

三种 AI/ML 工程师面试画像对比：

类型 考察重点
古典 ML 工程师 监督学习、排序、推荐系统、欺诈检测、特征工程、ML 系统设计
LLM 应用工程师 提示词、上下文工程、RAG、Evals、模型路由、延迟 / 成本、生产故障模式
多模态工程师 视觉 - 语言模型、图文检索、文档 AI、音频、视频、视觉定位、多模态微调

面试易忽略点： - 传统 ML 面试仍会考察偏差 - 方差、梯度提升、类别不平衡、模型校准、数据泄漏、实验设计 - LLM 工程师需掌握：分词、Long-context 架构、多模态架构、Preference Optimization、提示词 vs 微调权衡 - 多模态工程师需了解：视觉 - 语言模型架构、Document AI、多模态微调

  • 后续行动：
  • 可作为知识库「AI 工程学习路径」参考

  • 建议关注 Part 2（未发布）

  • 标签：interview-guide llm-engineer multimodal career

  • 建议分类：AI 工程 / 工程实践
  • 来源：ossinsight.io/trending/ai，2026年6月实时
  • 类型：GitHub Trending 数据平台
  • 可信度：⭐⭐⭐⭐⭐（实时数据，有分类和历史趋势）
  • 工程价值：⭐⭐⭐⭐

平台特点： - 实时排名 AI Agent 框架、LLM 工具、MCP 服务器、编码 Agent、RAG 框架、推理引擎 - 支持按时间范围（今日 / 本周 / 本月）筛选 - 有 Stars 增长趋势图，区分「绝对热度」和「增长速率」

建议用途： - 作为知识库 GitHub Trending 监控的备用数据源（相比 github.com/trending 更结构化） - 可定期抓取建立趋势数据库，识别新兴项目

  • 标签：github-trending ai-tools real-time
  • 建议分类：AI 工程 / 工具生态

条目G2：Langflow — LangChain 生态的可视化 Agent 构建器

  • 来源：GitHub langflow-ai/langflow，Stars 持续增长
  • 类型：开源 / LangChain 生态
  • 可信度：⭐⭐⭐⭐⭐（活跃开源项目，文档完善）
  • 工程价值：⭐⭐⭐⭐

定位：LangChain 的拖拽式可视化构建器，通过图形界面而非代码构建 Agent、RAG pipeline 和多步工作流。

核心功能： - 拖拽式节点图编辑（Agent、Tool、Memory、Prompt 等节点） - 支持 LangChain 所有主要组件 - 一键导出为 LangChain Python 代码 - 支持多种 Embedding 模型和向量数据库 - 本地运行 + 云部署

工程价值： - 降低 LangChain 生态的入门门槛，适合快速原型验证 - 可作为团队内部 AI 应用的低代码构建平台 - 与 Dify 定位互补：Dify 更偏生产部署，Langflow 更偏实验和定制

  • 标签：langflow langchain visual-builder rag agent
  • 建议分类：AI 工程 / 工具生态

三、后端 / 部署工程高价值条目

条目BE1：Northflank — 2026 后端部署平台生态

  • 来源：Northflank Blog，2026年6月
  • 类型：平台评测 / 部署工程
  • 可信度：⭐⭐⭐⭐（专业 PaaS 平台，技术内容翔实）
  • 工程价值：⭐⭐⭐⭐

Northflank 定位：面向后端应用、API、数据库和 AI 工作负载的部署平台，提供类传统 PaaS 的简易性 + Kubernetes 的能力。

核心能力： - 托管层抽象 Kubernetes，降低运维复杂度同时保留控制权 - 支持 GPU 工作负载（AI 推理、模型部署） - CI/CD + GitOps：GitHub 集成、自动构建、环境管理（preview / staging / production） - 数据库支持：托管 PostgreSQL、MySQL 及连接外部数据源 - 可观测性：监控、日志、告警、备份、回滚开箱即用 - 多云支持：自有云 / GKE / EKS / AKS / 裸机

2026 年新能力： - 与 v0、Bolt.new、Cursor、Claude Code 等 AI 编码工具深度集成 - AI 模型运行沙箱（sandbox） - 专门针对 vibe-coded 应用（AI 生成代码）的部署优化

部署 AI 应用的推荐路径（Northflank 视角）： 1. Docker 化 AI 应用（使用 uv 管理 Python 依赖） 2. GitHub Actions 做 CI（测试 + 构建） 3. Northflank 接手 CD（自动部署到 preview 环境） 4. 验证通过后升格到 production + 配置自动扩展

  • 后续行动：
  • 可作为知识库「AI 应用部署」主题页的实操参考

  • 适合与 vLLM / SGLang 容器化部署流程对比

  • 标签：deployment kubernetes paas northflank ai-inference ci-cd

  • 建议分类：Backend / 部署工程

条目BE2：DevOps AI 工程师技能栈 2026 — OpenClaw 社区整理

  • 来源：OpenClaw Community Facebook Group，2026年6月
  • 类型：技能路线图 / 社区整理
  • 可信度：⭐⭐⭐⭐（社区集体智慧，含 GitHub 资源链接）
  • 工程价值：⭐⭐⭐

2026 DevOps AI 工程师技能栈（全景图）：

层次 技术栈
公有云平台 AWS、GCP、Azure、OCI
容器化 & 编排 Docker、Kubernetes（K8s）、Helm、Kustomize
基础设施即代码 Terraform、Pulumi、Ansible、CloudFormation
CI/CD & 自动化 GitHub Actions、GitLab CI、Jenkins、Argo CD
可观测性 & 监控 Prometheus、Grafana、Loki、OpenTelemetry
AI for DevOps AIOps、LLMOps（PromptOps、RAG）、LangChain
向量数据库 Pinecone、Weaviate（Qdrant）
脚本语言 Python、Bash、Go

AI 基础设施课程（参考）：github.com/ai-infra-curriculum

关键趋势： - LLMOps（PromptOps + RAG）正式成为 DevOps 工具链的一环 - 基础设施即代码（Terraform/Pulumi）和容器编排（K8s）仍是 AI 工程底座 - AI Native Engineering（AI 原生工程）作为独立分支快速成形

  • 标签：devops llmops kubernetes terraform ai-infra skill-roadmap
  • 建议分类：Backend / DevOps 工程

四、分类标签汇总

  • 标签集：agentic-AI architecture github-trending dify langchain crewAI deepseek langflow rag llm-inference deployment kubernetes devops llmops multimodal ai-skills career interview-guide database rust

建议写入路径

  • 主路径：/shared/research-kb/inbox/jay/2026-06-14-1735-ai-stack-agentic-substack-trending.md

是否需要精读 / 审稿 / 主题页更新

  • 精读建议：
  • S1（AI Agents Stack 2026）：⭐⭐⭐⭐⭐ 强烈建议精读六层架构细节，可作为知识库架构页核心参考
  • S2（ByteByteGo GitHub Repos）：⭐⭐⭐⭐ 建议浏览，重点关注 Dify vs LangChain vs CrewAI 的生态位分析

  • BE1（Northflank 部署指南）：⭐⭐⭐ 选读，适合实操参考

  • 审稿建议：无强烈审稿需求，内容来源可信度高

  • 主题页更新建议：
  • 建议更新「AI Agent 工程」主题页：纳入六层架构图（S1）
  • 建议更新「AI 工程工具链」：补充 Dify、CrewAI、Langflow 生态位分析（S2）
  • 建议更新「AI 应用部署」：补充 Northflank + vibe-coded 部署路径（BE1）