CrewAI：多 agent 真正難的不是多叫幾個模型，而是把角色、流程和責任邊界收住

CrewAI 是熱門的開源 multi-agent framework。這篇從採用角度拆解它適合誰、不適合誰、限制在哪裡，以及為什麼多 agent 更像 workflow engineering，而不是 prompt 魔法。

LanceDB：RAG 的資料層不只要會向量搜尋，還要能承受多模態資料和工程迭代

LanceDB 是一個面向 AI 應用的開源向量資料庫與多模態資料層。這篇從採用角度拆解它適合的情境、不適合的團隊、限制與導入判斷。

LlamaIndex：RAG 和 agent 真正難的，不是接上模型，而是把資料入口做成可維護系統

LlamaIndex 從 RAG 框架一路長成資料與 agent 工作流層。這篇從採用角度拆解它適合的團隊、不適合的場景、限制與導入判斷。

vLLM：開源模型上線真正難的，不是跑出第一個 token，而是把吞吐、延遲和成本一起撐住

vLLM 是目前開源 LLM inference stack 裡最值得長期觀察的專案之一。這篇從採用角度拆解它適合誰、不適合誰、限制在哪裡，以及為什麼它更像推理基礎設施，而不是單純 serving wrapper。

FiftyOne：當視覺 AI 團隊開始補資料，不是再多標一點，而是先把問題看出來

FiftyOne 不是單純的標註工具，而是一套把視覺 AI 資料、模型評估與錯誤診斷拉回同一個工作台的開源工具。這篇從採用角度拆解它適合誰、不適合誰。

Surya 正在補上的，不只是 OCR，而是 AI 文件理解最容易失真的那一層

Outlines：LLM 結構化輸出不是把 JSON 修漂亮，而是把格式約束提前到生成當下

TRL：不是又一個微調工具，而是把 LLM 後訓練變成可重複工程流程的開源底座

拆解 Hugging Face 的 TRL 為什麼值得現在看。它補上的不是單一演算法，而是把 SFT、DPO、GRPO 與 reward modeling 拉回同一條可維護的後訓練工作線。

pyannote.audio：當 AI 逐字稿開始要分清誰在說話，這個開源工具補上的是語音工作流裡最容易被忽略的一段

pyannote.audio 不是另一個逐字稿工具，而是把多說話者音訊切成可用結構的開源底層。它適合會議摘要、客服質檢、訪談整理，但也有明確限制。

Hunyuan3D-2：AI 3D 資產開始能進入設計流程，但離量產素材庫還有距離

拆解 Hunyuan3D-2 這個開源 3D 資產生成專案，哪些團隊值得現在試，哪些情境其實還不該急著上。