2025年 AI Agent 架構與開發框架深度研究報告

第一章：AI Agent 的典範轉移與架構演進

1.1 從被動檢索到主動代理的技術躍遷

2025 年標誌著人工智慧發展史上的關鍵分水嶺，軟體架構的核心典範（Paradigm）正經歷從「被動式檢索增強生成」（Retrieval-Augmented Generation, RAG）向「主動式代理工作流」（Agentic Workflows）的劇烈轉移。過去兩年間，大型語言模型（LLM）的應用主要侷限於作為知識庫的自然語言介面，其本質是靜態的問答系統。然而，隨著 2025 年技術生態的成熟，我們見證了 AI Agent 的崛起——這些系統不再僅僅是回答問題，而是具備了感知環境、規劃路徑、使用工具以及自主執行任務的能力。這種轉變不僅改變了開發者與程式碼的互動模式，更從根本上重塑了軟體開發的基礎設施與工具鏈架構。

根據 GitHub 最新的 Octoverse 報告與相關產業分析，2025 年 AI 相關的儲存庫數量呈現爆炸性增長，其中以 LLM 為核心的專案年增率達到 178% 1。這股趨勢背後的推動力，來自於企業與開發者對於「自動化」定義的重新構想。傳統的自動化依賴於硬編碼的規則與腳本，缺乏對異常狀況的適應力；而 AI Agent 引入了「推理引擎」（Reasoning Engine）作為核心組件，使其能夠在模糊的指令下，動態地分解任務並調度資源。例如，DeepSeek-V3 等開源模型的崛起，以其強大的推理能力與長達 128K 的上下文視窗，為開源 Agent 的構建提供了與閉源模型相媲美的基礎設施，進一步加速了此一趨勢 1。

在此背景下，市場呈現出明顯的兩極化發展：一端是高度整合、架構封閉的專有 Agent 產品，如 Cursor、Bolt.new 與 Claude Code，它們通過深度客製化的 Runtime（執行環境）來解決延遲與上下文感知的問題；另一端則是百花齊放的開源開發框架，如 LangGraph、CrewAI 與 Microsoft Agent Framework，它們為開發者提供了構建自定義 Agent 的標準化模組。本報告將深入剖析這兩大領域，揭示隱藏在這些頂尖工具背後的技術架構與設計哲學。

1.2 Agentic 架構的核心特徵

在深入探討具體框架之前，必須先定義現代 AI Agent 架構的通用特徵。與傳統軟體不同，Agent 系統的核心迴圈（Loop）不再是由既定的程式邏輯控制，而是由 LLM 的推理能力驅動。一個典型的 Agent 架構包含四個關鍵模組：

大腦（推理引擎）： 負責理解意圖、規劃任務序列並進行決策。2025 年的主流選擇包括 GPT-4o、Claude 3.5 Sonnet 以及 DeepSeek-V3 等具備強大邏輯推理能力的模型。
感知（上下文管理）： Agent 需要理解其運行的環境。這不僅包括對話歷史，還涉及對程式碼庫（Codebase）、文件系統甚至即時網路資訊的索引與檢索。專有工具如 Cursor 在此領域引入了 Merkle Tree 等先進技術來優化上下文的同步效率 2。
工具（執行能力）： 這是 Agent 與數位世界互動的介面。從簡單的檔案讀寫、終端機指令執行，到複雜的 API 調用與瀏覽器操作。標準化的介面如模型上下文協議（Model Context Protocol, MCP）正在成為連接 Agent 與工具的行業標準 3。
記憶（狀態管理）： 為了執行跨越多個回合的複雜任務，Agent 必須具備短期與長期記憶。LangGraph 等框架引入了「檢查點」（Checkpointing）機制，使得 Agent 的狀態可以被持久化、暫停甚至回滾，這對於生產環境的可靠性至關重要 5。

這種架構的演進，反映了軟體工程從「指令式編程」向「意圖式編程」（Intent-Based Programming）的跨越。開發者不再需要詳細規定「如何做」（How），而是定義「做什麼」（What），由 Agent 自主規劃並執行路徑。

---

第二章：專有 Agent 工具的逆向工程與架構解析

針對使用者關於「Cursor Agent, Claude Code, Bolt.new, Gemini, ChatGPT 是用什麼框架開發」的提問，研究顯示這些市場領先的工具並非單純依賴現成的開源框架（如 LangChain），而是各自構建了深度客製化的專有架構，以解決特定的技術瓶頸。

2.1 Cursor Agent：IDE 原生的混合架構與 Shadow Workspace

Cursor 被廣泛認為是 2025 年最先進的 AI 原生程式碼編輯器。它並非只是 VS Code 的外掛，而是一個完全的 Fork（分支）版本，這使其能夠深入編輯器的核心，實現低延遲的互動與深度的上下文感知。

2.1.1 核心技術堆疊與混合雲架構

Cursor 的底層架構採用了 TypeScript 處理業務邏輯與介面互動，並結合 Rust 開發效能關鍵組件（如程式碼索引與差異計算），以確保在處理大型專案時的流暢度 2。

在後端基礎設施方面，Cursor 採用了精密的混合雲策略（Multi-cloud Strategy）以優化推論速度與成本 6：

AWS (Amazon Web Services): 作為主要基礎設施，承載 API 伺服器、任務隊列（Job Queues）與即時通訊組件。
Fireworks AI: 這是 Cursor 實現極致速度的關鍵。Cursor 託管了專有的微調模型（如 cursor-small），這些模型經過專門的程式碼補全訓練，能夠以極低的延遲提供預測，填補了大型模型（如 Claude 3.5 Sonnet）反應較慢的空窗期。
自研推論引擎： Cursor 開發了「上下文豐富化引擎」（Context Enrichment Engine）與「模型選擇路由」（Model Selection Router）。這個路由層會根據使用者的指令複雜度，動態決定是調用快速的本地模型，還是轉發給強大的雲端模型（GPT-4o 或 Claude 3.5 Sonnet），從而在效能與成本之間取得平衡。

2.1.2 Shadow Workspace：隱形的工作區機制

Cursor 架構中最具創新性的設計是 Shadow Workspace（影子工作區）。傳統的 AI 程式碼助手往往僅憑機率生成程式碼，容易產生語法正確但無法編譯的「幻覺」代碼。Cursor 為了解決這個問題，在使用者的本地機器上維護了一個隱藏的、平行的專案實例 2。

當使用者透過 Agent Mode（如 "Composer"）發出重構指令時，系統的運作流程如下：

代碼生成： AI 模型生成修改建議。
背景應用： 這些修改首先被應用於 Shadow Workspace，使用者當下不可見。
編譯級驗證： Cursor 在影子工作區中運行專案對應的語言伺服器（LSP, Language Server Protocol）與 Linter（如 ESLint, Rust Analyzer）。這意味著 AI 寫的程式碼會先經過「編譯器」的檢驗。
自我修正： 如果 LSP 回報錯誤（例如引用了不存在的變數或類型不匹配），Agent 會捕獲這些錯誤訊息，進行自我修正迭代，直到代碼通過檢查或達到嘗試上限。
最終呈現： 只有經過驗證的程式碼變更才會呈現給使用者。

這種機制將「寫程式」與「測試合約」結合，大幅提升了生成代碼的可用性，是目前開源框架難以輕易複製的護城河。

2.1.3 Merkle Tree 上下文同步技術

為了讓 Agent 理解整個程式碼庫（Codebase）而又不至於每次都上傳數百 MB 的檔案，Cursor 採用了 Merkle Tree（雜湊樹）結構來管理上下文 2。

運作原理： 客戶端會計算專案檔案結構的雜湊值（Hash）。當使用者發起請求時，伺服器會比對其緩存的雜湊樹與客戶端的差異。
增量同步： 系統僅會請求並傳輸那些發生變動的檔案區塊（Chunks）。這使得 Cursor 能夠在極短的時間內讓雲端模型「看見」最新的本地代碼狀態，實現了近乎即時的全專案感知能力。

2.1.4 Composer 模型與強化學習

Cursor 2.0 推出的 "Composer" 功能，背後是一個專門針對 多檔案編輯（Multi-file Editing）進行微調的模型。這個模型並非通用的聊天機器人，而是經過強化學習（RLHF）訓練，特別獎勵其「正確應用差異（Diff Application）」的能力 8。這使得 Cursor 能夠執行跨多個檔案的複雜原子操作（例如：「將後端 API 從 REST 改為 GraphQL，並同步更新前端的所有調用」），這需要極高的邏輯一致性與對檔案依賴關係的理解。

---

2.2 Bolt.new：瀏覽器原生的全端編排與 WebContainers

Bolt.new 由 StackBlitz 開發，其架構哲學與 Cursor 截然不同。Cursor 將 AI 帶入本地 IDE，而 Bolt.new 則是將整個開發環境帶入瀏覽器，實現了「零本地設置」的開發體驗。

2.2.1 WebContainers：瀏覽器內的 Node.js 運行時

Bolt.new 的核心護城河是 WebContainers 技術 10。這並非傳統的雲端 IDE（如 GitHub Codespaces，其本質是串流遠端 Linux 容器的畫面），而是一種基於 WebAssembly (Wasm) 的技術突破。

技術原理： WebContainers 允許 Node.js 運行時（Runtime）直接在 Chrome 或 Edge 瀏覽器的安全沙箱中執行。它在瀏覽器內模擬了一個微型作業系統，包含虛擬的檔案系統、網路堆疊（TCP/IP over Service Workers）與處理序管理。
架構優勢： 當 Bolt.new 生成一個全端應用（例如 Next.js 前端 + Express 後端）時，這個伺服器實際上是運行在使用者的瀏覽器分頁中。這帶來了極致的低延遲（因為沒有網路往返），並且大幅降低了營運商的伺服器成本，因為計算負載被卸載到了使用者的設備上 12。

2.2.2 "Vibe Coding" 與自動化支架 (Scaffolding)

Bolt.new 的開發體驗被社群稱為 "Vibe Coding"（氛圍編碼），意指使用者只需憑藉直覺與自然語言提示，無需關心底層語法。其背後的架構是一個高度整合的 Prompt-to-App 管道 10：

意圖解析： 使用者輸入（如「建立一個有看板功能的 CRM」）被傳送至後端推理模型（主要是 Claude 3.5 Sonnet 或 GPT-4o）。
結構規劃： Agent 不僅生成程式碼，還會生成完整的專案結構樹（File Tree Structure）與依賴清單（package.json）。
瀏覽器內執行： WebContainers 攔截這些結構指令，直接在虛擬檔案系統中寫入檔案，並自動觸發 npm install 與 npm run dev。
即時預覽： 由於伺服器就在瀏覽器內，預覽畫面可以即時熱重載（Hot Reload），形成極其緊密的「提示-生成-預覽」迴圈。

2.2.3 限制與開源替代品

由於 WebContainers 依賴瀏覽器資源，Bolt.new 在處理極大型專案或需要原生二進制依賴（Native Binaries）的套件時會受限。這催生了 Bolt.diy 與 Dyad 等開源替代品。這些專案保留了 Bolt 的 Prompt-to-App 介面邏輯，但將執行環境替換為本地的 Node.js，試圖結合 Bolt 的易用性與本地開發的效能 14。

---

2.3 Claude Code：Headless 架構與終端機自動化

Claude Code（及其底層的 Agent SDK）代表了另一種架構模式：Headless Agent（無頭代理）。它不依賴圖形介面，而是棲息於開發者的終端機（Terminal）中，專注於系統級的操作與自動化。

2.3.1 nO 主迴圈與客戶端-伺服器架構

深入分析 Claude Code 的技術白皮書與系統卡片，揭示其核心是一個代號為 nO 的單執行緒主迴圈（Master Loop）15。其架構採用嚴格的 Client-Server 分離模式：

**客戶端 (Claude Code CLI)：**這是一個輕量級的終端程式，本身不具備智慧。它的角色是「手與眼」，負責執行系統調用（System Calls），如 ls, grep, cat, vim 等，並將執行結果回傳。
伺服器 (Claude Model)： 智慧大腦位於 Anthropic 的雲端。它接收客戶端的狀態快照，進行推理，然後發送結構化的 Tool Call（工具調用指令）。
運作流程： 觀察狀態 (Observe) -> 推理 (Reason) -> 選擇工具 (Select Tool) -> 客戶端執行 (Client Act) -> 回傳輸出 (Output) -> 迴圈。這種設計雖然經典，但在 Claude 3.5 Sonnet 強大的推理能力加持下，展現了驚人的強健性。

2.3.2 模型上下文協議 (MCP) 生態系

Claude Code 架構中最具戰略意義的是 Model Context Protocol (MCP) 的引入 4。

問題背景： Agent 需要訪問外部數據（如 GitHub Repo, Slack 記錄, 本地資料庫），但為每個工具編寫專用整合既繁瑣又難以擴展。
解決方案： MCP 是一個開放標準（基於 JSON-RPC），定義了 Agent 如何發現與連接數據源。Claude Code 可以連接任何符合 MCP 標準的 "Server"。例如，開發者可以運行一個 "Postgres MCP Server"，Claude Code 就能即時獲得查詢資料庫結構與數據的能力，而無需修改模型本身。這使得 Claude Code 成為一個可無限擴展的平台。

---

2.4 平台巨頭的策略：OpenAI Assistants 與 Google Vertex AI

相較於上述工具的垂直整合，OpenAI 與 Google 採取了平台化（Platformization）的策略，提供基礎設施供開發者構建自己的 Agent。

2.4.1 OpenAI Assistants API：有狀態的託管服務

OpenAI 的 Assistants API 解決了 LLM 開發中最大的痛點：狀態管理（State Management） 17。

Threads (執行緒)： 傳統 LLM API 是無狀態的（Stateless），開發者必須自行維護對話歷史並在每次請求中發送。Assistants API 引入了 "Threads" 概念，將對話狀態持久化在 OpenAI 的伺服器上。
託管工具： 架構中整合了 "Code Interpreter"（一個沙箱化的 Python 執行環境）與 "File Search"（託管的向量資料庫）。這意味著程式碼的執行與文件的檢索都在 OpenAI 的基礎設施上完成，而非使用者的本地機器。這提供了安全性，但也犧牲了對執行環境的控制權。

2.4.2 Google Vertex AI 與 Agent2Agent 協議

Google 的策略圍繞著 Vertex AI Agent Engine 與 Agent Development Kit (ADK) 19。

分層代理組合 (Hierarchical Composition)： Google 提倡將複雜任務分解為多個子代理（Sub-agents），例如一個負責研究，一個負責撰寫。ADK 提供了這種階層式管理的標準實作。
Agent2Agent (A2A) 協議： Google 正在推動 A2A 標準，旨在解決不同框架開發的 Agent 之間的互通性問題 3。這允許一個用 LangGraph 開發的企業內部 Agent，能夠與 Google 構建的公開 Agent 進行通訊與任務協商，這是邁向「代理網路」（Agent Internet）的重要一步。
接地服務 (Grounding)： 架構緊密整合了 Google Search 與 Google Maps，為 Agent 的輸出提供真實世界的數據驗證，減少幻覺。

---

第三章：開源 Agent 開發框架生態系詳解

對於希望自建 Agent 的開發者而言，開源框架提供了靈活的基石。2025 年的開源生態系已經收斂為三大主流架構哲學：圖論導向 (Graph-based)、角色導向 (Role-based) 與 對話導向 (Conversation-based)。

3.1 LangGraph：決定性狀態機與企業級編排

LangGraph（LangChain 生態系的一部分）已成為 2025 年企業級生產環境的首選框架 1。

核心哲學： 將 Agent 建模為 有限狀態機 (State Machine)。開發者定義「節點」（Nodes，代表函數或工具執行）與「邊」（Edges，代表狀態轉換條件）。
技術特徵：
- 循環圖 (Cyclic Graphs)： 不同於傳統的 DAG（有向無環圖），LangGraph 支援循環，這對於 Agent 的「重試」、「修正」與「多回合推理」至關重要。
- 持久化與時光旅行 (Persistence & Time Travel)： 這是其殺手級功能。LangGraph 支援在每個步驟將狀態寫入資料庫（如 Postgres, SQLite）。這意味著如果 Agent 在第 5 步失敗，開發者可以查看當下狀態，甚至修改變數後，讓 Agent 從第 5 步「斷點續傳」，或者回滾到第 3 步重新執行。這對於長運行的商業流程是不可或缺的 5。
適用場景： 需要精確控制流程、錯誤處理與人工介入（Human-in-the-loop）的複雜企業應用。

3.2 CrewAI：角色導向的協作與快速原型

CrewAI 以其直觀的「團隊協作」隱喻，在 2025 年獲得了巨大的社群關注 19。

核心哲學： 將 Agent 視為 員工 (Employees)。開發者定義「角色」(Role，如資深分析師)、「目標」(Goal) 與「背景故事」(Backstory)。這些 Agent 被組建成一個 "Crew"（團隊）。
編排模式： 主要支援 順序式 (Sequential) 與 階層式 (Hierarchical) 流程。任務像接力棒一樣在 Agent 之間傳遞。
效能優勢： 基準測試顯示，對於結構清晰的任務，CrewAI 的執行速度比 LangGraph 快約 5.76 倍，因為它省去了複雜的圖遍歷開銷，採用了更直接的任務指派邏輯 22。
限制： 當業務邏輯變得極度複雜，涉及大量的條件判斷與動態分支時，CrewAI 的抽象層可能會成為限制（Ceiling），促使開發者轉向 LangGraph。

3.3 Microsoft Agent Framework：對話式與事件驅動架構

2025 年下半年，Microsoft 將旗下的 AutoGen 與 Semantic Kernel 整合為統一的 Microsoft Agent Framework 5。

核心哲學： 對話即計算 (Conversation as Computation)。所有的任務執行都被建模為 Agent 之間的對話。
架構特徵： 採用 事件驅動 (Event-Driven) 的非同步架構。Agent 發布訊息，訂閱者（其他 Agent）接收並處理。這種鬆散耦合的架構非常適合「群體智慧」，例如一個「使用者代理」提出模糊需求，一群「專家代理」通過多輪對話共同收斂出解決方案。
適用場景： 開放式問題解決、創意發想、以及需要動態團隊組建（Agent 自主決定需要呼叫哪些其他 Agent）的場景。

3.4 其他新興與利基框架

LlamaIndex Agents： 專注於 數據中心 (Data-Centric) 的 Agent。擅長處理大量的 RAG 任務與文件檢索，其架構優化了對索引的查詢策略，適合知識密集型應用 19。
OpenAI Swarm： 這是一個實驗性質的輕量級框架，展示了如何以極簡的代碼實現多代理編排，雖然功能不如 LangGraph 完整，但為教育與輕量級應用提供了參考 5。

---

第四章：Agent 核心技術堆疊與設計模式

無論是專有工具還是開源框架，現代 AI Agent 的底層運作都遵循著特定的設計模式與技術堆疊。理解這些組件對於技術決策者至關重要。

4.1 認知架構 (The Cognitive Architecture)

這是 Agent 的「大腦」。2025 年的標準配置是使用 frontier models（如 GPT-4o, Claude 3.5, Gemini 1.5 Pro）。

Prompt Chain (提示鏈)： 這是控制 Agent 行為的程式碼。框架負責動態組裝 System Prompt，注入當前的工具定義、記憶摘要與任務目標。
Context Window Management (上下文管理)：
- Sliding Window: 用於簡單框架，捨棄舊訊息。
- Summary/Compression: Claude Code 使用的策略，當上下文滿時，遞歸地摘要舊對話，只保留關鍵事實 15。
- Vector Retrieval: LlamaIndex 與 OpenAI Assistants 使用的策略，將記憶卸載至向量資料庫，按需檢索。

4.2 執行層 (The Execution Layer)

這是 Agent 的「手」。

本地執行 (Local Execution)： 如 Cursor 與 Claude Code。直接操作使用者的 Shell 與檔案系統。優點是強大、無縫；缺點是風險高，依賴使用者的環境配置。
沙箱執行 (Sandboxed Execution)： 如 Bolt.new (WebContainers) 與 OpenAI (Code Interpreter)。代碼在 Docker 容器或 Wasm 虛擬機中運行。優點是安全、環境一致；缺點是與外部系統隔離，數據交換受限。

4.3 工具調用協議 (Tool Use Protocol)

行業已標準化圍繞 Function Calling：

定義： 框架將工具描述為 JSON Schema (e.g., { "name": "read_file", "params": ["path"] }) 傳送給 LLM。
選擇： LLM 輸出特定的 Token 與 JSON 參數，表示要調用工具。
攔截與執行： 框架攔截此輸出，暫停生成，執行 Python/Bash 函數，獲取 stdout/stderr。
回饋： 將執行結果作為新的訊息注入上下文，讓 LLM 繼續推理。

LangGraph 將此顯式化：一個「工具節點」就是圖中的一個狀態。CrewAI 則將其封裝在 Agent 的執行迴圈內部。

4.4 開源框架功能對照表

---

第五章：戰略洞察與未來展望

5.1 "Vibe Coding" 的商品化與 IDE 的終局

Bolt.new 與 Cursor 的成功創造了 "Vibe Coding" 一詞——使用者只關注結果，不關注語法。本研究分析顯示，WebContainers 與 Shadow Workspace 將不再是獨門絕技，而會成為所有 IDE 的標配。預計微軟將在 VS Code 中整合類似的原生容器技術，將「Agent Runtime」直接內建於瀏覽器與編輯器中，進一步降低開發門檻。

5.2 互通性協議之戰 (MCP vs. A2A)

目前的框架呈現碎片化。CrewAI 的 Agent 無法輕易與 LangGraph 的 Agent 協作。

MCP (Model Context Protocol) 正在解決 數據 (Data) 的互通問題，標準化 Agent 如何「讀取」世界。
A2A (Agent2Agent) 正在試圖解決通訊 (Communication) 的互通問題，標準化 Agent 如何「交談」。
洞察： 2026 年將是「Agent Network」的一年。企業將不再構建孤立的 Agent，而是構建符合 A2A 標準的微服務 Agent（例如 Stripe 官方提供的「支付 Agent」），供內部系統調用。

5.3 決定性 (Determinism) 成為企業採用關鍵

從 2024 到 2025 的最大轉變，是從「展示型 Demo」轉向「生產級可靠性」。這解釋了 LangGraph 採用率的飆升 5。企業意識到，不可預測的對話迴圈（如早期的 AutoGen）難以除錯與合規。基於圖論的架構，強制開發者定義明確的成功/失敗路徑與狀態轉換，正成為嚴肅商業應用的標準。

結論

2025 年的 AI Agent 生態系已不再是單純的 LLM 應用，而是分化為兩個高度專業的領域：創新執行環境的開發工具（Cursor, Bolt.new）與 標準化邏輯編排的開發框架（LangGraph, CrewAI）。

對於使用者關心的核心問題：Cursor 與 Bolt.new 等工具，其背後是由 Rust/TypeScript 構建的專有混合架構，利用 Shadow Workspace 與 WebContainers 等技術實現了超越通用框架的效能。而在自建 Agent 的選擇上，LangGraph 代表了工程嚴謹性的黃金標準，CrewAI 代表了易用性的極致，而 MCP 則正在成為連接這一切的通用膠水。開發者在選擇時，應根據「對執行環境的控制需求」與「業務邏輯的複雜度」來決定採用何種架構。

引用的著作

The Top Ten GitHub Agentic AI Repositories in 2025 - Open Data Science, 檢索日期：12月 20, 2025， https://opendatascience.com/the-top-ten-github-agentic-ai-repositories-in-2025/
I Reverse-Engineered How Cursor/Copilot Actually Work | by Mahesh | Nov, 2025 | Medium, 檢索日期：12月 20, 2025， https://mrmaheshrajput.medium.com/i-reverse-engineered-how-cursor-copilot-actually-work-ce0a6a7f1838
Vertex AI Agent Builder | Google Cloud, 檢索日期：12月 20, 2025， https://cloud.google.com/products/agent-builder
Agent SDK overview - Claude Docs, 檢索日期：12月 20, 2025， https://platform.claude.com/docs/en/agent-sdk/overview
The AI Agent Framework Landscape in 2025: What Changed and What Matters - Medium, 檢索日期：12月 20, 2025， https://medium.com/@hieutrantrung.it/the-ai-agent-framework-landscape-in-2025-what-changed-and-what-matters-3cd9b07ef2c3
Cursor AI: Deep Dive into Features & Architecture - Collabnix, 檢索日期：12月 20, 2025， https://collabnix.com/cursor-ai-deep-dive-technical-architecture-advanced-features-best-practices-2025/
Shadow Workspace - Learn Cursor, 檢索日期：12月 20, 2025， https://learn-cursor.com/en/docs/advanced/shadow-workspace
Cursor 2.0: Agent-First Architecture Complete Guide, 檢索日期：12月 20, 2025， https://www.digitalapplied.com/blog/cursor-2-0-agent-first-architecture-guide
Composer: Building a fast frontier model with RL - Cursor, 檢索日期：12月 20, 2025， https://cursor.com/blog/composer
Bolt.new AI: Build Full-Stack Web & Mobile Apps with Natural ..., 檢索日期：12月 20, 2025， https://www.seaflux.tech/blogs/bolt-new-ai-full-stack-apps/
Bolt.new Review 2025: Complete Guide to StackBlitz's AI Web Development Tool, 檢索日期：12月 20, 2025， https://algocademy.com/blog/bolt-new-a-new-ai-powered-web-development-tool-hype-or-helpful/
WebContainers: Dev environments. In your web app - Hacker News, 檢索日期：12月 20, 2025， https://news.ycombinator.com/item?id=40952248
Introduction to Bolt, 檢索日期：12月 20, 2025， https://support.bolt.new/building/intro-bolt
Bolt.diy - Dyad, 檢索日期：12月 20, 2025， https://www.dyad.sh/docs/comparison/bolt-diy
Claude Code: Behind-the-scenes of the master agent loop - PromptLayer Blog, 檢索日期：12月 20, 2025， https://blog.promptlayer.com/claude-code-behind-the-scenes-of-the-master-agent-loop/
Claude Agent SDK Tutorial: Create Agents Using Claude Sonnet 4.5 ..., 檢索日期：12月 20, 2025， https://www.datacamp.com/tutorial/how-to-use-claude-agent-sdk
API Reference - OpenAI Platform, 檢索日期：12月 20, 2025， https://platform.openai.com/docs/api-reference/introduction
Azure OpenAI in Microsoft Foundry Models Assistants API concepts, 檢索日期：12月 20, 2025， https://learn.microsoft.com/en-us/azure/ai-foundry/openai/concepts/assistants?view=foundry-classic
Top 7 AI Agent Frameworks in 2025 — Ultimate Guide - Ampcome, 檢索日期：12月 20, 2025， https://www.ampcome.com/post/top-7-ai-agent-frameworks-in-2025
Vertex AI Agent Engine overview - Google Cloud Documentation, 檢索日期：12月 20, 2025， https://docs.cloud.google.com/agent-builder/agent-engine/overview
CrewAI vs LangGraph vs AutoGen: Choosing the Right Multi-Agent AI Framework, 檢索日期：12月 20, 2025， https://www.datacamp.com/tutorial/crewai-vs-langgraph-vs-autogen
AutoGen vs CrewAI vs LangGraph: AI Framework | JetThoughts…, 檢索日期：12月 20, 2025， https://jetthoughts.com/blog/autogen-crewai-langgraph-ai-agent-frameworks-2025/
Heygarrison - Bolt.new - StackBlitz, 檢索日期：12月 20, 2025， https://stackblitz.com/edit/github-er4kwa
Testing Claude Code: Full-Stack Architecture Deep Dive, 檢索日期：12月 20, 2025， https://www.youtube.com/watch?v=kPqdAJck_LU
Understanding How Claude Code Works - VirtusLab, 檢索日期：12月 20, 2025， https://virtuslab.com/blog/ai/how-claude-code-works/
anthropics/claude-agent-sdk-python - GitHub, 檢索日期：12月 20, 2025， https://github.com/anthropics/claude-agent-sdk-python