从社区数据看大模型开发生态的全景与趋势

研报总结

01案例：从热点新闻到社区数据

• 研究通过分析GitHub上的社区行为数据（如项目活动数据、项目间关联信息、共同参与者互动等）来观察AI开发生态。
• 数据来源包括PyTorch、vLLM、LangChain、AutoGPT、llama.cpp、ChatChat、DeepSpeed、Triton、ONNX等热门AI项目。
• 发现多数热门AI项目从个人项目发起，后转移至GitHub ORG或中立社区治理，部分因roadmap变化修改项目名重新定位。
• 未被引入的项目如Kubernetes，推测因开发者隔离或接口稳定无需社区互动；而PyTorch、llama.cpp、huggingface/transformers等核心项目热度高，互动频繁。
• 中国开发者更易与中国项目互动，如ChatChat与MetaGPT、DB-GPTDify等关联。

02生态全景：社区关系网

• 生态关系网通过项目间的依赖性、竞争性、合作性等关联信息构建。
• 定义了开发阶段（代码仓库）、供应链（存储到执行）、运维（部署升级）、运行阶段（端到端工作流）等视角。
• AI生态中的生态位包括开发工具、模型为中心的服务、自然语言交互等。
• 架构断言：开发工具将更多变化，模型成为架构中的一等公民，运行时与应用运行时并列。

03热点：项目与趋势

• 传统机器学习框架十年发展趋势：从单一框架到生态化发展。
• 大规模分布式计算引擎（如DeepSpeed、Triton）、推理部署服务引擎（如ONNX）、AI应用编排框架（如LangChain）等趋势明显。
• 传统IDE与AI交互式开发工具（如AutoGPT）成为新热点。

04回到架构：AI生态中的生态位

• AI生态类似20年前的LAMP范式，参与者可做应用或平台/基础设施。
• 建议：关注趋势项目与生态位，利用中心生态位或创造新生态位。
• 大模型正在重新定义软件，为开源世界带来微小而美好的改变。