> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/ai_beginner_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/ai_beginner_guide/di-yi-bu-fen-ai-ji-chu-ru-men/03_ai_ecosystem/3.3_frameworks.md).

# 3.3 开源的盛宴：Hold 住你的 Hugging Face

> 框架与社区的力量

> AI 的繁荣不只靠大公司，更靠全球千万开发者的“用爱发电”。

## 3.3.1 PyTorch、TensorFlow 与 JAX：主流框架格局

在深度学习框架里，**PyTorch** 和 **TensorFlow** 仍是最常见的两大阵营，另外 **JAX** 在研究和高性能训练场景也越来越活跃。

这有点像手机系统里既有主流双寡头，也有细分强者。

* **TensorFlow**（由 Google 创造并主要支持）：生态成熟，部署工具链完整，在部分传统企业场景仍很常见。
* **PyTorch**（由 Meta 创造并主要支持）：在研究和开源社区占比更高，教程和示例丰富，上手门槛相对低。
* **JAX**（由 Google 创造并主要支持）：函数式和并行化能力强，常见于前沿研究和高性能训练实验。

现在的趋势是：**PyTorch 在研究和开源社区的使用占比很高**。大量最新论文和开源项目会优先给出 PyTorch 版本。

对初学者来说，先学 PyTorch 往往更顺手；但落地到生产时，仍要尊重团队技术现状和部署要求。

## 3.3.2 Hugging Face：AI 界的 GitHub

如果你问 AI 开发者最常用的模型社区之一，**Hugging Face** 基本绕不开。

它本来是一家做聊天机器人的公司，后来无心插柳变成了全球最大的 **AI 模型集市**。

在这里，你可以：

1. **下载模型**：全世界的开发者把训练好的模型（LLaMA, BERT, Stable Diffusion）上传上来，你一键就能下载用。
2. **体验 Demo**：不用写代码，直接在网页上点一点，就能体验最新的 AI 功能。
3. **下载数据**：海量的公开数据集供你训练。

可以说，Hugging Face 显著降低了开源 AI 的试错成本。

## 3.3.3 GitHub Copilot 与 Agentic Coding：当 AI 开始写 AI

这一讲必须提到一个关键方向：**AI 编程助手**（如 GitHub Copilot、Cursor 等）。

近几年，单纯的代码补全已经不稀奇了，现在更常被讨论的是 **Agentic Coding（智能体编程）**。

以前，程序员写代码要一个字一个字敲。现在，你写注释或需求描述，AI 就能生成初稿，甚至给出重构方案。

但要注意：**AI 代码不是免检代码**，仍需要测试、代码审查和安全扫描。

这引发了一个现实问题：当越来越多代码由 AI 参与生成时，我们如何保证代码质量、版权合规和可维护性？

这已经是工程团队正在面对的问题。

开源与闭源的博弈仍在继续。对初学者而言，先从 Hugging Face 上找一个感兴趣的模型跑起来，比纠结“选哪个框架”重要得多。

## 3.3.4 思考题

如果你要在一周内“把一个开源模型跑起来并做出一个小 Demo”，你会怎么选：

* 你更愿意先学 **PyTorch** 还是先用 **Hugging Face** 的现成管线？为什么？
* 你会如何验证“AI 生成的代码/配置”是可靠的（至少做哪 2 件事）？