适合使用
任务目标清楚，但执行路径需要模型动态判断，例如客户工单分流、资料分析、工具调用和多步骤调研。
不建议使用
流程每一步都固定、输入输出稳定、失败后只需要简单重试，这种场景用工作流更稳。
AI Systems Hub / 生产级智能体系统入口
Build AI Systems.
这里不是按时间倒序堆文章，而是按真实工程路径组织内容：先判断需求适合 Agent Engineering、MCP、Workflow、AI Tools Lab、Local AI 还是 Growth Lab，再进入实现细节，最后补齐评估、可观测性、权限、重试、成本治理和网站增长复盘。
Latest Model Test / ChatGPT Work / Codex
ChatGPT Work、Chat、Codex 有什么区别？我用一个真实网站任务跑了一遍
ChatGPT Work、Chat 和 Codex 到底怎么分工？我用 XBSTACK 三天未更新后的真实运营任务跑完整条工作流，并复盘第一版只有1499字、构建通过却仍然不合格的原因。
真实证据，不做参数搬运
阅读完整实测 →
按目标选择入口
先根据目标选择专题，再进入对应的技术路线。这里把常见需求拆成六类：Agent Engineering、MCP、Workflow、AI Tools Lab、Local AI 和 Growth Lab。
先选方向，再看文章
我要设计一个能执行任务的 Agent
适合进入 Agent Engineering，LangGraph、Memory、RAG、Evaluation 和 Human Gate 都放在这条工程路线里。
查看路径 →
我要让大模型安全访问工具和数据
适合进入 MCP 专题，重点看协议模型、Server、认证、权限边界和沙箱治理。
查看路径 →
我要把业务自动化流程稳定跑起来
适合进入 Workflow 路线，重点看 n8n 自托管、队列模式、数据存储、失败重试和成本控制。
查看路径 →
我要跟进模型和 AI 工具更新
适合进入 AI Tools Lab，重点看模型更新、编程工具、AI 搜索、多模态和内容生产工具实测。
查看路径 →
我要评估端侧模型能不能进 App
适合进入 Local AI，重点看 iPhone、Android、Core ML、ONNX、发热、卡顿、隐私和 App 集成边界。
查看路径 →
我要运营网站增长和真人流量
适合进入 Growth Lab，重点看 Search Console、SEO、GEO、404 回收、UTM 分发和工具承接。
查看路径 →
选型决策表
生产级 AI 系统的第一步不是选择框架，而是把问题形态分清楚。下面这张表把 Agent、LangGraph、MCP 和 Workflow 的边界压缩到工程决策层。
Architecture Decision
适合使用
Agent 流程需要状态隔离、暂停恢复、人工审批、子图拆分、失败回滚和可观测 Trace。
不建议使用
只是单轮问答、一次性函数调用，或者没有跨会话状态恢复要求，不必一开始就引入图编排。
适合使用
需要让模型以可审计、可授权、可隔离的方式访问文件、数据库、内部 API 或远程工具。
不建议使用
只是给一个应用内部函数补充模型调用，且没有跨客户端、跨工具生态的标准化需求。
适合使用
业务流程步骤明确，需要稳定调度、Webhook 触发、失败重试、队列 worker 和低成本自动化。
不建议使用
任务路径高度不确定，需要模型实时规划工具顺序、判断异常和改写执行策略。
核心专题
Agent Engineering
Agent 工程化
把 LangGraph、Memory、RAG、Evaluation、Human-in-the-loop 和多智能体协作放进 Agent 工程路线，不再把导航拆得过碎。
进入专题页 ➔
工具协议
MCP 协议
覆盖 MCP Server、OAuth、allowedRoots、Tool Call、JSON-RPC 和生产环境权限边界，适合做工具接入和平台化治理。
进入专题页 ➔
自动化管道
Workflow 工作流
整理 n8n 自托管、队列模式、数据库、错误重试和成本控制实践，适合搭建稳定的业务自动化管道。
进入专题页 ➔
模型工具实测
AI Tools Lab
大模型更新、AI 编程工具、AI 搜索、多模态、机器人世界模型和内容生产工具的真实任务实测。
进入专题页 ➔
端侧模型
Local AI
聚焦 iPhone、Android、Core ML、ONNX、llama.cpp、NPU、发热、卡顿、隐私和 App 集成边界。
进入专题页 ➔
增长实验
Growth Lab
不进顶部导航，但承接 SEO、GEO、Search Console、404 回收、UTM 分发和网站增长复盘。
进入专题页 ➔
三段式学习路线
01 / 判断边界
先选对系统形态
先判断需求属于 Agent、Workflow、MCP 还是 LangGraph，避免把不同类型的 AI 应用混在同一套实现里。
02 / 实现系统
再做可运行版本
围绕工具调用、状态隔离、人工审批、接口触发和自托管部署，先搭出可验证、可维护的最小系统。
03 / 生产治理
最后补齐上线能力
上线前重点补齐评估、可观测性、错误重试、权限隔离、成本控制和人工兜底，避免 Demo 变成线上风险。
📚 推荐起点
Agent 总览
AI Agent 全栈指南 2026 ➔
从架构设计、工具调用、记忆系统、RAG 到本地多节点部署的全景技术路线图。
编排路线
LangGraph 生产化 Roadmap ➔
从状态隔离、HITL、Checkpointer、失败恢复到 Observability 的完整编排路径。
工具协议
MCP Server 协议与治理 ➔
远程 MCP 的安全阻线：OAuth 鉴权、allowedRoots 目录锁、多用户沙箱和 Tool Call 审计。
工作流自动化
n8n AI Starter Kit ➔
从 Gmail、Slack、Notion 到自托管、Queue Mode 和 Webhook Hardening 的 n8n AI 入门路线。
常见问题
这些问题不是术语解释，而是做 AI 应用选型时最容易走错的地方。
AI Agent、MCP、LangGraph 和 Workflow 应该怎么区分？
AI Agent 解决动态决策和工具调用，MCP 解决工具接入协议和权限边界，LangGraph 解决有状态 Agent 编排，Workflow 解决确定流程的稳定自动化。真正的生产系统通常会组合使用，而不是只选一个名词。
初学者应该从哪个专题开始？
先从 /ai/agent/ 建立 Agent 的系统边界，再看 /ai/workflow/ 理解确定性流程，随后进入 /ai/mcp/ 的工具协议和 /ai/langgraph/ 的状态编排。这样不容易把所有 AI 应用都误写成复杂 Agent。
企业 AI 应用应该优先做 Agent 还是 Workflow？
如果流程稳定、审批节点明确、失败可以重试，优先 Workflow；如果任务需要模型判断下一步、选择工具、处理非结构化信息，再引入 Agent。生产系统通常先用 Workflow 固化边界，再让 Agent 处理不确定部分。
MCP 适合解决什么问题？
MCP 适合把文件系统、数据库、内部服务和外部工具以统一协议暴露给模型，同时保留授权、审计和隔离能力。它不是所有函数调用的替代品，更适合多工具、多客户端和安全治理场景。
LangGraph 适合什么场景？
LangGraph 适合需要状态、分支、循环、人工审批、暂停恢复和可观测 Trace 的 Agent 流程。没有状态恢复需求的简单链路，不需要为了架构感强行使用 LangGraph。
XBSTACK 的 AI 内容路线是什么？
XBSTACK 不是单纯追热点的 AI 教程集合，而是围绕生产级 AI 系统组织内容：选型、架构、工具接入、状态编排、部署、排障、评估、可观测性和成本治理。
