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、MCP、LangGraph 还是 Workflow，再进入实现细节，最后补齐评估、可观测性、权限、重试和成本治理。
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四类：Agent 架构、LangGraph 编排、MCP 工具协议和 Workflow 自动化。
先选方向，再看文章
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 架构
AI Agent 系统
从工具调用、记忆、规划到多智能体协作，梳理 Agent 从 Demo 到生产系统的关键设计。
进入专题页 ➔
有状态编排
LangGraph 编排
围绕状态隔离、Checkpointer、人机审批、子图拆分和 Trace 审计，解决复杂 Agent 流程不可追踪、不可恢复的问题。
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 ➔
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
AI Workflow Automation 生产化 ➔
自托管 n8n 环境下的 Postgres、Redis 队列、错误重试、Webhook 和 API 成本围栏。
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。
