开源项目拆解：系统层级的受力分析¶

不要把这些项目当成“工具清单”去背诵。本专题的目标是训练你的工程拆解能力：一眼看清仓库在系统里站哪一层，主链路怎么跑，以及它的设计在对冲哪类不确定性。

1. 入口与集成：守住宿主边界¶

当模型能力进入现有的后端系统时，最先失控的是“接缝处”的复杂度。

gin-gonic/gin：HTTP 入口层的治理。理解路由树、中间件链与请求上下文（Context）的生命周期。
openai/openai-go：供应商适配（Provider Adapter）。将异构的流式协议与错误分类屏蔽在业务层之外。
spring-projects/spring-ai：企业级宿主集成。利用 Advisor 链处理提示增强与检索注入等横切逻辑。

2. 数据与运行时：语义检索的落点¶

语义检索不是孤立的算法，是需要与权限、版本、资源深度耦合的运行时。

ollama/ollama：本地模型运行时。管理模型拉取、显存调度与冷启动延迟。
pgvector/pgvector：关系型现实里的向量检索。利用 SQL 计划（Query Plan）同时处理业务过滤与语义排序。

3. 编排与状态：Agent 的控制面¶

当任务从“单次请求”升级为“多步循环”时，复杂度将从提示词转移到状态机。

cloudwego/eino：Go 原生的组件分层与运行时治理（Callback/Interrupt）。
langchain-ai/langgraph：显式状态图。通过 Checkpoint 实现长任务的断点续跑与人工干预。
pydantic/pydantic-ai：类型化执行契约。用强类型对象接住模型输出，实现防御式编程。
OpenAI Agents SDK：任务导向的通用运行时。定义 Handoff（责任交接）与 Guardrail（护栏）的标准对象。

4. 协议与开发效率：MCP 生态¶

官方 MCP SDK：协议分层。理解 Transport、Session 与能力发现（Capability Discovery）的底层逻辑。
PrefectHQ/fastmcp：人体工学封装。通过装饰器与自动 Schema 生成加速 Server 开发。

5. 任务执行运行时：开发型 Agent 深度拆解¶

anthropics/claude-code：完整 Agent 系统导览。剖析查询循环（Query Loop）、权限链与长任务治理。
openai/codex：执行运行时样本。关注隔离工作区（Workspace）、沙箱（Sandbox）与验证链。

横向比较原则： 只在同层比优劣，不在跨层谈好坏。 1. openai-go 关注 I/O，Spring AI 关注集成，两者的受力点不同。 2. Eino 关注组件解耦，LangGraph 关注状态恢复，它们的适用场景不同。 3. MCP SDK 关注互通协议，FastMCP 关注开发效率，它们的接入深度不同。

核心心智：读完本专题后，当你看到一个新的开源 AI 库，你的第一反应不应该是“它有什么功能”，而应该是：“它在我的系统架构图中，到底该填补哪一个空格？”

6. 从拆解转成面试回答¶

项目拆解最后要落到表达。读 openai-go，面试里要讲 provider adapter、流式关闭、错误分类和 trace，而不是背 SDK 方法名。读 pgvector，要讲第一版 RAG 为什么可以先走低复杂度路线，以及什么时候切到独立向量库。读 Eino 或 LangGraph，要讲任务路径从固定 workflow 升级到状态运行时的信号。读 MCP SDK，要讲协议互通和权限治理为什么不是一回事。

默认表达模板是：先说这个项目站在哪一层，再说它的主链路对象，然后说它解决哪类失控，最后说迁移到自己项目时保留什么、删掉什么、补什么治理。只要按这个顺序讲，开源项目就不会变成“我看过很多库”的堆砌，而会变成你的系统设计证据。