其实外网最近有个言论，说构建 agent 智能体，ruby 在 2026 年是最佳的目标语言！
这是德国的一个 AI 专家 Carmine Paolino 说的，他本人也是 RubyLLM 的维护者，我来给大家分析一下，他的看法，在下面这个油管视频。
本文的原文全文 url 链接是 ： https://www.ccgxk.com/codeother/695.html
一般，我们要抓住 AI 的风口，是指的使用 AI 去解决现实的问题，而不是训练大模型。训练大模型肯定是 python 这个毋庸置疑，但是这不是普通人能接触的行业，上千万财力也只是入门，一般就是我们靠他们训练好的模型，然后去解决问题，这个是抓住 AI 的风口。
也就是说，类似于调个 API HTTP接口。
三种语言
在这个领域，主流的有三个语言方向，分别是 python 、nodejs、ruby 。其实大部分都是前两者，但实际上 ruby 更适合。ruby 的文化特点就是对抗【过度工程】，而 RubyLLM 就做的非常好。
因为 ruby 在调 AI API 的业务逻辑上，更佳的优雅。能大大减轻我们在写智能体业务逻辑时候的【认知负荷】。让你有更快的上手速度、更少的意外错误、更轻松的代码重构。
看看这些语言案例的初始化吧。
最小启动
首先是 Python 。
用 Python 写 AI 应用时，我们都知道那个 langchain 库吧，很成熟了。但是：
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessagemodel = init_chat_model("gpt-5.2", model_provider="openai")
response = model.invoke([HumanMessage("Hello!")])
你可以看到，里面得写提供商、消息数组等等，略显复杂。
然后是 nodejs 或者 JavaScript 的。
import { generateText } from 'ai';
import { openai } from '@ai-sdk/openai';const { text } = await generateText({model: openai('gpt-5.2'),prompt: 'Hello!',
});
同样也是。
而 ruby 的呢？
require 'ruby_llm'
RubyLLM.chat.ask "Hello!"
就优雅很多。
你可能觉得牵强，但实际上开发体验，是程序员很看重的事情！
不然后来也不会诞生 Python 了，谁上来都汇编 C++ 一把梭哈了 ~ 简化是很重要的事。
你可能说说，那 ruby 后台不也得配置吗？没错，把复杂性藏在背后，显式优于隐式非常重要。
Python 那边，看着就心智负担很重，JS 那边就又强类型和模块化味道很重，只有 ruby 非常的优雅，看起来才比较符合软件开发。本来就是给大模型说个话嘛 ~
追踪 token
再来看 token 的追踪，看看当前的会话的 token 量。
Python 的 LangChain ：
# chatGPT 接口
response = model.invoke([HumanMessage("Hello!")])
response.response_metadata['token_usage']
# 结果： {'completion_tokens': 12, 'prompt_tokens': 8, 'total_tokens': 20}# LangChain (Claude):
response.response_metadata['usage']
# {'input_tokens': 8, 'output_tokens': 12}# LangChain (Gemini):
response.response_metadata
# 额.... 啥也没有
不同的协议，不同的格式，又是不同的秘钥、不同的结构。烦躁死了 ~
而 rubyLLM 就人性多了，你直接写：
response.tokens.input # => 8
response.tokens.output # => 12
一切都是统一的。
一个简单的自动化决策循环
再来个终极的示例：
from langchain_openai import ChatOpenAI
from langchain.agents import create_agentmodel = ChatOpenAI(model="gpt-5-nano")graph = create_agent(model=model,tools=[search_docs, lookup_account],system_prompt="You are a concise support assistant",
)inputs = {"messages": [{"role": "user", "content": "How do I reset my API key?"}]}for chunk in graph.stream(inputs, stream_mode="updates"):print(chunk)
本来 Python 就是以简单唯美，但就这样一个简单的自动化决策循环，各种结构孔洞，看着就麻烦。
而 JS 更是一群花花的括号：
import { ToolLoopAgent } from 'ai';
import { openai } from '@ai-sdk/openai';const supportAgent = new ToolLoopAgent({model: openai('gpt-5-nano'),system: 'You are a concise support assistant.',tools: { searchDocs, lookupAccount },
});const { text } = await supportAgent.generateText({messages: [{ role: 'user', content: 'How do I reset my API key?' }],
});
本来就是问一句话而已，其实犯不着搞这么麻烦。
看看 rubyLLM ：
require 'ruby_llm'class SupportAgent < RubyLLM::Agentmodel "gpt-5-nano"instructions "You are a concise support assistant."tools SearchDocs, LookupAccount
endSupportAgent.new.ask "How do I reset my API key?"
一目了然。很美观。
你根本不知道一目了然、美观，在程序员眼里是多么重要！你的精力能放到真正重要的事情上！
而 RubyLLM+ Rails ，整个库的设计，把这种哲学发挥的很好。
当然，如果你把这套哲学 API ，原封不动的移植过去不就行了。是的，但没必要，因为 py 和 JS 已经有它们成熟的库了，而 Ruby 的库也已经有自己的生态了（而且霸榜 Hacker news ，star 3.8k，生态建设程度也不差）。所以移过去，基本意义不大。