主流 AI Agent 为何偏爱 TS 与 Python?

摘要：从 Claude Code、OpenClaw 选择 TypeScript ，到 Hermes Agent 坚守 Python ， AI 智能体赛道正呈现明显的技术栈分化。这并非简单的语言优劣之争，而是架构场景、团队基因与商业生态博弈的必然结果。

从 Anthropic 的 Claude Code 到爆火的开源项目 OpenClaw，再到 NousResearch 新近推出的 Hermes Agent，当我们审视这些头部 AI Agent 工具的底层架构时，会清晰地看到TypeScript (TS) 与 Python 正在形成微妙的分工格局。

虽然技术选型各异（例如 Claude Code 与 OpenClaw 重度采用 TS，而 Hermes Agent 则坚定选择 Python），但在面向开发者的智能体核心框架层面，TS 与 Python 共同占据了绝对的主流。 这种分化并非单纯的技术信仰，而是架构场景、工程效率与商业生态之间深层博弈的体现。

01 TS 阵营：构建“长周期状态机”的护城河

在 AI 编程工具领域， TypeScript 正在经历一场静悄悄的统治。

类型安全：拒绝幻觉的“防波堤”

Claude Code 的创始工程师 Boris Cherny 曾在技术访谈中一针血地指出：

"AI Agent 本质上是一个长周期的复杂状态机。在数万次工具调用（ Tool Calling ）中， TypeScript 的严格类型系统（ Strict Typing ）是防止运行时崩溃的最后一道防线。"[1]

大语言模型（ LLM ）的输出往往是不稳定的。当 Agent 需要调用复杂的 API 或读写本地文件时，任何参数的微小偏差都可能导致灾难性的执行失败。

Python 虽然也有 Pydantic 等库，但在 IDE 级别的工程化项目中， TS 的 Interface/Type 系统能直接与代码库的 AST （抽象语法树）完美映射。这意味着 Agent 在“思考”如何修改代码时，能实时获得类型检查的反馈，大幅降低了“幻觉传参”的概率。

异步调度与原生生态的降维打击

另一个典型案例是 OpenClaw。作为一个主打高吞吐消息路由的 Agent 项目，它选择了 Node.js 环境来构建其核心架构。

OpenClaw 的架构文档中强调：

"基于 Node.js 的 Event Loop 构建 Lane-based Queue （基于车道的队列），能够极其高效地处理串行化任务调度，且天然贴近开发者日常的 npm 生态。"[2]

对于面向 Web 和全栈开发者的 AI 工具来说， TS 是真正的“母语”： 1.  无缝调用工具链： Agent 需要频繁执行 npm install、解析 package.json、读取 node_modules。用 TS 写 Agent ，属于“原生操作”，无需跨语言调用，效率最高。 2.  部署轻量化：在构建沙箱环境隔离 Agent 操作时， Node.js 的进程管理模块提供了极大的便利，比启动一个沉重的 Python 解释器要轻量得多。

02 Python 阵营：认知计算层的“舒适区”

如果说 TS 是“执行层”的利器，那么 Python 则是“认知层”的绝对霸主。 Hermes Agent （由开源模型巨头 NousResearch 开发）的选择便是最佳佐证。

官方定调：为了“易于扩展”的生态位

Hermes Agent 的主打卖点是 "Self-Improving AI with Persistent Memory"（具备持久记忆的自我进化 AI ）。其官方文档中明确写道：

"Hermes Agent is open source and built in Python, so it's easy for developers to extend."[3]

这揭示了 Python 阵营的核心逻辑：降低算法扩展的门槛。

Hermes 不仅仅是一个执行指令的工具，它需要用户频繁编写自定义的“技能模块”（ Skills ）和“记忆存储”（ Memory Bank ）。在 AI 领域，涉及向量检索、图数据库操作、复杂逻辑推理时， Python 的数据处理生态（如 Pandas, NumPy, NetworkX ）是其他语言无法比拟的。

团队基因与技术栈的连贯性

NousResearch 是全球最顶尖的开源模型微调团队之一。他们的核心工作——模型训练、强化学习（ RLHF ）、权重微调——全部建立在 Python (PyTorch, HuggingFace) 之上。

对于这类团队而言，让 Agent 使用 Python ，意味着： *   无缝衔接底层模型： Agent 可以直接加载微调后的权重，进行本地的向量检索，无需通过 HTTP API 跨语言通信，减少了延迟。 *   避免架构割裂：如果使用 TS 写 Agent ，而底层模型是 Python ，那么在处理复杂记忆沉淀时，必然面临“Python 训练模型 → TS 执行 Agent → Python 更新记忆”的跨语言通信损耗。

03 架构启示：场景决定语言，而非反之

通过对比 TS 与 Python 在 AI Agent 领域的应用，我们可以清晰地看到一种“分层架构”的趋势：

没有银弹，只有场景定义架构。

TS 与 Python 的“主流化”，是因为当前的 Agent 赛道正处于从“底层实验”走向“开发者应用落地”的爆发期。

04 商业与决策建议：给技术负责人的选型指南

在 AI 基础设施的快速演进中，企业技术决策者不应陷入“语言崇拜”。

未来趋势： Polyglot （多语言）架构将成为标配。 我们看到越来越多的架构开始走向融合：使用 Python 训练和运行核心的大模型与记忆库（认知层），同时使用 TypeScript 或 Go 构建高并发的调度外壳与 API 网关（执行层）。

语言之争，终将被场景融合所消解。

参考文献

[1] Boris Cherny (Pragmatic Engineer Interview). Why Claude Code uses TypeScript for Agentic Loops. 2026.[2] OpenClaw Official Documentation. Architecture & Lane-based Queue System. https://github.com/openclaw/openclaw[3] NousResearch. Hermes Agent: Self-Improving AI. https://github.com/NousResearch/Hermes-Agent