别追每个新工具，弄清每层解决什么

工具多到看不过来，缺的从来不是工具，是分层地图。 现在几乎每周都有新模型、新框架、新 agent 平台冒出来。难的不再是怎么找，而是搞清每个东西到底负责哪一段。这篇长帖把整摞东西摆成了六层。 第一层 LLM PROVIDERS：提供底座模型，OpenAI、Claude、Gemini、Llama、Mistral、Grok、DeepSeek 都在这。 第二层 AI AGENT FRAMEWORKS：当系统需要推理、规划、用工具、采取行动，而不只是吐个答案时，用它们，LangGraph、CrewAI、AutoGen、AutoGPT、CAMEL-AI。 第三层 LLM APPLICATION FRAMEWORKS：把模型和企业数据、工具、检索、记忆、应用逻辑接起来，LangChain、LlamaIndex、Haystack、DSPy、Guardrails AI。 第四层 PROMPT AND EVALUATION TOOLS：写提示只是一半，管提示、测版本、看行为、评质量靠它们，Langfuse、PromptLayer、ChainForge、PromptPerfect。 第五层 VECTOR DATABASES：存向量、供语义检索和 RAG 用，Pinecone、Qdrant、ChromaDB、FAISS、Weaviate、Milvus。 第六层 LOW-CODE AND NO-CODE AI BUILDERS：不写全部代码就能搭流程和原型，n8n、Flowise、Langflow、Replit、Lovable、v0、Chatbase。 串起来的例子：Claude 或 OpenAI 打底，LangChain 当框架，Qdrant 存数据，Langfuse 做评测，LangGraph 管 agent 层，最上面才是应用。还有一句提醒很关键，这不是必选架构，很多应用只用其中几层。 这套地图帮我把之前的一些纠结解开了。我以前见一个新框架就慌，生怕落后，现在先问它落在哪一层、我这一层是不是已经有了。恐慌一下就少了大半。 我保留的看法是，分层本身也在变。agent 平台往上吃应用层的功能，模型提供商往下带工具调用，层与层的边界并不老实。 所以我的做法是每季度重画一遍这张图。拿手头的项目对着层检查，确认每层的选型还站得住，比追十来个新发布有用得多。