AI 资源导航

这里收录的是做 AI 应用时最常遇到的工具与资料。每一页都按“它解决什么、适合谁、何时不该选、官方入口在哪里”的方式整理，尽量避免把短期会变的价格、热度和营销数字写成结论。

工具与模型变化很快：将本文当作选型起点，实施前务必阅读对应的官方文档、许可证、价格和数据处理政策。

开发与部署

• API 平台：OpenAI、Anthropic、Google、云厂商与模型网关的接入策略。
• 模型平台：模型社区、本地运行器、推理服务框架与云模型目录。
• 向量数据库：pgvector、Qdrant、Milvus、Pinecone 等检索存储方案。
• RAG 框架：文档接入、检索、重排与评估的工程框架。
• Agent 框架：状态机、工具调用、多 Agent 与人工介入。

生产力与集成

• AI 编程工具：IDE 助手、终端 Agent、代码审查与安全使用方法。
• AI 工具：对话、图像、音视频、文档和自动化工具。
• MCP Server：MCP Registry、Server 接入和最小权限原则。
• AI 开源项目：模型服务、应用网关、RAG 与可观测性项目。

系统学习

• 技术书籍：从深度学习、NLP/LLM 到 AI 工程的书与课程。
• 论文资源：Transformer、对齐、RAG、Agent 的阅读路径。

一个实用的选型流程

1. 先用真实任务和数据写出验收标准。
2. 选择可替换的接口，不把业务逻辑绑定在单一厂商或框架上。
3. 核对许可证、数据流向、权限、成本与部署地区。
4. 为质量、延迟、失败、成本和安全建立最小评测与观测。
5. 从可回滚的小规模试点开始，再扩大使用范围。

选型时的四类约束

约束	需要澄清的问题
任务质量	什么结果算正确？能否准备真实评测集？
工程条件	已有云、数据库、语言与部署能力是什么？
治理安全	数据能否出域？谁有权限？是否要审计与审批？
成本规模	日请求量、峰值并发、上下文长度和人工复核成本是多少？

没有这些约束就直接比较工具，通常只会得到一份无法执行的“热门产品名单”。