10 najlepszych frameworków JavaScript i TypeScript do tworzenia systemów AI (listopad 2026)

Wybór najlepszego frameworka AI dla JavaScriptu lub TypeScriptu zależy od zadań, które ma wykonywać aplikacja. Strumieniowanie odpowiedzi modelu do interfejsu internetowego, koordynowanie agenta zachowującego stan, przeszukiwanie prywatnych dokumentów i uruchamianie modelu na urządzeniu użytkownika wymagają różnych narzędzi. Przydatna krótka lista powinna jasno pokazywać te różnice.

Niezależnie oceniliśmy te 10 projektów na podstawie aktualnej oficjalnej dokumentacji, obsługiwanych przepływów pracy, wymagań integracyjnych, możliwości wdrożenia i praktycznych ograniczeń w październiku 2026 r. To ocena redakcyjna, a nie nowy test porównawczy przeprowadzony w praktyce. Vercel AI SDK wyróżnia się w generatywnej AI wykorzystywanej w aplikacjach, natomiast najlepszy wybór do orkiestracji, wyszukiwania informacji lub lokalnego wnioskowania zależy od architektury.

Lista obejmuje frameworki, pakiety SDK i biblioteki do wnioskowania, ponieważ obsługują uzupełniające się elementy systemu AI. Nie są zamienne, a korzystanie z kilku z nich bywa uzasadnione. Zacznij od najmniejszego zestawu spełniającego określone wymagania, zamiast łączyć frameworki tylko dlatego, że każdy z nich obsługuje agentów.

Porównanie najlepszych frameworków AI dla JavaScriptu i TypeScriptu

1. Vercel AI SDK

Vercel AI SDK to nasza pierwsza rekomendacja dla zespołów pracujących w TypeScript, które dodają do produktu internetowego funkcje oparte na modelach. Udostępnia wspólne interfejsy do generowania, ustrukturyzowanych wyników, narzędzi i agentów, a także narzędzia interfejsu użytkownika do prezentowania strumieniowanych odpowiedzi. Najlepiej sprawdza się na styku z aplikacją: pozwala połączyć działanie modelu z responsywnym interfejsem bez konieczności ponownego tworzenia dla każdej funkcji tej samej infrastruktury do obsługi dostawców i strumieniowania.

Aktualna dokumentacja rozdziela sekcje Core, UI i Harnesses. To rozróżnienie pomaga programistom zdecydować, czy chcą wywoływać model, prezentować jego wyniki, czy integrować gotowe środowisko agentowe. Wspólny interfejs ułatwia eksperymentowanie, ale poszczególni dostawcy nadal różnią się obsługiwanymi danymi wejściowymi, działaniem narzędzi i ograniczeniami danych wyjściowych. Zmiana adaptera to punkt wyjścia do migracji, a nie dowód na to, że działanie aplikacji pozostanie identyczne.

Wybierz go do czatu, pomocy w pracy z dokumentami i innych interaktywnych funkcji produktu, w przypadku których liczą się wygoda pracy z TypeScriptem i strumieniowanie. Kwestie utrwalania danych, autoryzacji, jakości wyszukiwania informacji i ograniczeń wdrożeniowych nadal wymagają odrębnego zaplanowania. Zanim dodasz kolejny framework do orkiestracji, ustal, czy wymagania spełnia ograniczona pętla wywołań narzędzi. AI SDK zajmuje pierwsze miejsce ze względu na wygodę tworzenia aplikacji, a nie dlatego, że zastępuje każdy silnik przepływów pracy lub środowisko uruchomieniowe modeli.

Poznaj Vercel AI SDK

2. LangChain.js

LangChain.js to dobry wybór w przypadku aplikacji JavaScript i TypeScript, które wymagają konfigurowalnych agentów i integracji z różnymi dostawcami modeli. Obecna abstrakcja agenta łączy model, narzędzia, instrukcje i oprogramowanie pośredniczące, pozwalając programistom skomponować zachowanie wymagane przez aplikację. Rozwiązanie to jest szczególnie przydatne, gdy w przepływie pracy sterowanym przez model musi uczestniczyć kilka systemów zewnętrznych.

Ważna jest relacja z LangGraph: agenci LangChain korzystają z LangGraph w tle, ale programiści mogą też wybrać bezpośrednio LangGraph, aby uzyskać bardziej szczegółową kontrolę. Są to powiązane warstwy, a nie całkowicie niezależne alternatywy. Podobnie śledzenie i ewaluacja za pomocą LangSmith należą do szerszego ekosystemu; nie należy ich mylić z wymogiem korzystania przez każdą aplikację z określonego wdrożenia hostowanego.

Zacznij od niewielkiego zestawu narzędzi i jasno określ ich dane wejściowe, wyjściowe oraz zachowanie w razie awarii. Oprogramowanie pośredniczące może porządkować zasady i obsługę żądań, ale abstrakcje wprowadzają też pojęcia, które zespół musi rozumieć podczas debugowania. Polecamy LangChain.js, gdy jego integracje i konfigurowalna pętla agenta pozwalają zaoszczędzić znaczną ilość pracy. W przypadku jednego prostego wywołania modelu bezpośrednie użycie SDK może być bardziej przejrzyste; przy nietypowych przejściach między stanami LangGraph zapewnia bardziej świadomą kontrolę nad wykonaniem.

Poznaj LangChain.js

3. Mastra

Mastra to framework TypeScript dla zespołów, które chcą korzystać z agentów, przepływów pracy, pamięci i pomocniczych narzędzi programistycznych w ramach spójnej struktury projektu. Dokumentacja obejmuje przechowywanie danych, integrację z serwerami, wdrażanie, śledzenie, metryki i ewaluacje, a Studio udostępnia interfejs do sprawdzania aplikacji. Rozwiązanie to jest atrakcyjne, gdy zadanie polega na zbudowaniu usługi agenta, a nie dodaniu pojedynczego punktu końcowego do generowania tekstu.

Przewodniki po integracjach obejmują popularne stosy technologiczne do tworzenia aplikacji internetowych i serwerów, dzięki czemu zespół może dodać funkcje agentowe do istniejącego produktu. Kluczową kwestią architektoniczną jest to, które decyzje powinny być podejmowane przez model, a które należy pozostawić jako jawne kroki przepływu pracy. Na przykład interpretowanie żądania może odbywać się z użyciem modelu, natomiast walidacja, wyszukiwanie konta i dozwolone zmiany stanu mogą być realizowane przez deterministyczny kod aplikacji.

Zintegrowane podejście może ograniczyć nakład pracy związany z łączeniem komponentów, ale wiąże też większą część aplikacji z abstrakcjami frameworka. Przed wdrożeniem całego stosu sprawdź adaptery pamięci masowej, granice uwierzytelniania i sposób wdrażania. Polecamy Mastra zespołom pracującym w TypeScript, które cenią ujednolicone środowisko programistyczne i planują obsługiwać rozbudowaną logikę agentów. Mniejsze SDK pozostaje rozsądnym wyborem, gdy aplikacja nie potrzebuje dodatkowych możliwości w zakresie przepływów pracy i zarządzania stanem.

Poznaj Mastra

4. LangGraph.js

LangGraph.js sprawdza się tu najlepiej, gdy głównym wyzwaniem jest kontrola nad wykonaniem. Zapewnia framework do orkiestracji na niższym poziomie, przeznaczony do długotrwałych agentów przechowujących stan, w tym obsługujący trwały zapis stanu, strumieniowanie i interwencję człowieka. Programiści mogą łączyć przewidywalne kroki aplikacji z decyzjami podejmowanymi przez model w grafie, dzięki czemu łatwiej wskazać miejsca, w których sztuczna inteligencja wpływa na przebieg pracy.

Można go używać bez LangChain, mimo że oba projekty są ściśle zintegrowane. Wybierz wyższopoziomową abstrakcję agenta LangChain w przypadku typowej pętli wywoływania narzędzi; wybierz bezpośrednio LangGraph, gdy rozgałęzienia, wstrzymywanie i wznawianie działania lub niestandardowe przejścia między stanami wymagają jawnego uwzględnienia. Przepływ pracy, który czeka na opinię recenzenta, a następnie jest wznawiany na podstawie zapisanego stanu, stanowi lepsze uzasadnienie użycia tego rozwiązania niż prosty chatbot z jednym narzędziem.

Niezawodne wykonywanie zadań nadal wymaga starannego zaprojektowania aplikacji. Zapisuj właściwy stan, skonfiguruj odpowiedni system przechowywania danych i zadbaj o to, by ponowne próby nie powtarzały przypadkowo działań zewnętrznych. Przetestuj ponowne uruchomienie między krokami, a nie tylko nieprzerwane, pomyślne wykonanie. LangGraph oceniamy wysoko ze względu na kontrolę, a nie łatwość rozpoczęcia pracy: dodatkowa struktura się opłaca, gdy stan i odzyskiwanie działania są kluczowymi wymaganiami, ale może stanowić zbędne obciążenie przy krótkim żądaniu bezstanowym.

Poznaj LangGraph.js

5. Google Genkit

Google Genkit to otwartoźródłowy framework do tworzenia aplikacji i agentów AI, obsługujący między innymi język TypeScript. Łączy wywołania modeli i narzędzia aplikacyjne z procesami programowania i inspekcji. Jego zaletą jest uporządkowany sposób tworzenia takich funkcji jak ekstrakcja danych z dokumentów, asystenci i odpowiedzi oparte na treści, przy jednoczesnym zachowaniu wglądu w kroki, które doprowadziły do wyniku.

Choć framework pochodzi od Google, jego integracje z modelami obejmują także modele spoza oferty Google. Dlatego warto porównywać go pod kątem rzeczywistych przepływów pracy aplikacji, a nie traktować wyłącznie jako nakładki na Firebase lub Gemini. Zacznij od przepływu z jasno określonymi danymi wejściowymi i oczekiwanym wynikiem, a następnie sprawdzaj odpowiedzi modelu i aktywność narzędzi, gdy wynik jest niekompletny lub nieprawidłowy.

Integracje z dostawcami i dostępne opcje wdrażania nadal różnią się funkcjonalnością i kosztami. Sprawdź dokumentację TypeScript oraz obsługę wtyczek dla konkretnego modelu, środowiska uruchomieniowego i konfiguracji monitorowania, których zamierzasz użyć. Polecamy Genkit, gdy jego narzędzia do programowania i inspekcji oparte na przepływach odpowiadają stylowi pracy zespołu. Jest mniej potrzebny, gdy lekki klient dostawcy już obsługuje całą funkcję; nie zwalnia też z konieczności oceny poprawności merytorycznej ani egzekwowania uprawnień narzędzi w kodzie aplikacji.

Poznaj Google Genkit

6. LlamaIndex TypeScript

LlamaIndex TypeScript to naturalny wybór, gdy głównym wyzwaniem jest dostarczenie aplikacji AI użytecznego kontekstu z dokumentów i danych biznesowych. Oferuje konektory, komponenty do indeksowania i wyszukiwania, agentów oraz przepływy pracy. Jego zaletą jest spójna ścieżka od danych do odpowiedzi, zamiast traktowania dużego zbioru plików jak tekstu, który można po prostu wkleić do każdego promptu.

Obecna wersja frameworka obsługuje również przepływy pracy sterowane zdarzeniami, łączące wyszukiwanie, generowanie i wywołania narzędzi. Należy odróżniać te funkcje frameworka od zarządzanych usług LlamaCloud, takich jak analizowanie i ekstrakcja danych z dokumentów. Pakiet open source nie obejmuje automatycznie wszystkich funkcji hostowanych, a przykład w języku Python z szerszego ekosystemu nie musi mieć identycznej integracji z TypeScript.

Oceń potok przetwarzania danych, zanim ocenisz końcową odpowiedź. Sprawdź, czy analizowanie dokumentów zachowuje tabele i nagłówki, czy wyszukiwanie znajduje właściwy fragment oraz czy uprawnienia ograniczają zwracany kontekst. Polecamy LlamaIndex TypeScript, gdy przygotowanie źródeł i wyszukiwanie stanowią większość pracy inżynieryjnej. Jeśli aplikacja głównie koordynuje działania za pośrednictwem interfejsów API, lepszym punktem wyjścia może być ogólny framework agentowy; jeśli wyszukiwanie jest proste, wystarczą jawne zapytania do bazy danych.

Poznaj LlamaIndex TypeScript

7. Transformers.js

Transformers.js to nasz preferowany punkt wyjścia do uruchamiania obsługiwanych, wstępnie wytrenowanych modeli transformerowych bezpośrednio w JavaScripcie. Jego interfejs potokowy łączy uruchamianie modeli z przetwarzaniem danych wejściowych i wyjściowych dla zadań takich jak klasyfikacja, tworzenie embeddingów i rozpoznawanie mowy. Pełni inną rolę niż opisane wyżej frameworki agentowe: aplikacja uruchamia model, zamiast jedynie koordynować wywołania usługi hostowanej.

Biblioteka korzysta z ONNX Runtime, a obsługiwane ścieżki wykonywania w przeglądarce obejmują WebAssembly i WebGPU. Wnioskowanie w przeglądarce może pozwolić zachować dane wejściowe modelu na urządzeniu, ale zależy to od całego zachowania aplikacji w sieci, a nie tylko od nazwy biblioteki. Pliki modeli mogą nadal wymagać pobrania, a ich rozmiar, zużycie pamięci i czas inicjalizacji wpływają na pierwsze użycie.

Zanim zagwarantujesz zgodność, sprawdź konkretną architekturę modelu, wyeksportowane pliki, typ danych i urządzenie docelowe. Główna gałąź dokumentacji może opisywać jeszcze niewydany kod, dlatego korzystaj z dokumentacji odpowiadającej zainstalowanemu pakietowi. Polecamy Transformers.js do wnioskowania z użyciem wstępnie wytrenowanych modeli w zadaniach, w których jego przetwarzanie wstępne oszczędza pracę. Nie gwarantuje on, że każdy checkpoint Transformers z Pythona zadziała bez dodatkowych zmian, a urządzenia o małej mocy mogą wymagać mniejszych modeli lub rozwiązania zastępczego działającego na serwerze.

Poznaj Transformers.js

8. ONNX Runtime Web

ONNX Runtime Web to rozwiązanie niższego poziomu dla programistów, którzy mają już model ONNX i chcą bezpośrednio kontrolować wnioskowanie w przeglądarce. Udostępnia sesje, tensory i konfigurację środowiska uruchomieniowego, zamiast zapewniać kompletny przepływ pracy z agentem lub dokumentami. Wypełnia to istotną lukę na krótkiej liście: wdrożenie istniejącego modelu może być głównym wyzwaniem nawet wtedy, gdy nie jest potrzebna orkiestracja modeli językowych.

W porównaniu z Transformers.js programiści muszą wziąć na siebie większą odpowiedzialność za przygotowywanie danych wejściowych i interpretowanie wyników. Może to być przydatne w niestandardowych potokach przetwarzania obrazu lub klasyfikacji, których kształty tensorów i sposób wstępnego przetwarzania zostały już określone przez zespół pracujący nad modelem. Należy sprawdzić, czy wyeksportowany graf i jego operatory działają z wybranym zapleczem wykonawczym; to, że model działa w jednym środowisku, nie gwarantuje zgodności ze wszystkimi akceleratorami przeglądarek.

Dokumentacja wprowadzająca obecnie oznacza ścieżki integracji z WebGPU i WebNN jako eksperymentalne, dlatego decyzje dotyczące wdrożenia powinny uwzględniać dokładnie tę kombinację środowiska uruchomieniowego i przeglądarki, która jest testowana. W ramach oceny należy uwzględnić inicjalizację, pobieranie modelu, zużycie pamięci i zachowanie w przypadku przełączenia na rozwiązanie zastępcze. Polecamy ONNX Runtime Web, gdy potrzebna jest kontrola nad znanym artefaktem modelu. Zamiast tego warto wybrać bibliotekę wyspecjalizowaną w danym zadaniu, jeśli dostępne w niej przetwarzanie wstępne i obsługa modeli pozwolą zaoszczędzić więcej pracy, niż zapewni dostęp niższego poziomu.

Poznaj ONNX Runtime Web

9. TensorFlow.js

TensorFlow.js pozostaje przydatny, gdy programiści chcą tworzyć, dostosowywać lub uruchamiać modele uczenia maszynowego w JavaScript, zamiast łączyć się z usługą generatywnej sztucznej inteligencji. Umożliwia opracowywanie i trenowanie modeli, korzystanie z modeli wstępnie wytrenowanych oraz konwertowanie zgodnych modeli TensorFlow z Pythona. Dzięki temu stanowi odrębną propozycję dla interaktywnych aplikacji edukacyjnych i niestandardowych zadań predykcyjnych w przeglądarce lub środowisku Node.js.

Możliwość trenowania modeli stanowi istotną różnicę w porównaniu z narzędziami skupionymi głównie na wnioskowaniu z użyciem modeli wstępnie wytrenowanych. Na przykład niewielka aplikacja może dostosować istniejącą reprezentację do kategorii wskazanych przez jej użytkowników. Warto zastanowić się, czy trenowanie ma odbywać się w JavaScript, na urządzeniu czy w ramach istniejącego produktu, zamiast pytać, czy projekt potrzebuje platformy agentowej.

W przypadku konkretnego modelu i docelowego środowiska uruchomieniowego należy sprawdzić obsługę konwersji, działanie zaplecza, zarządzanie pamięcią i zgodność zależności. Prosty przykład działający w przeglądarce nie dowodzi, że duży model zmieści się w pamięci typowego urządzenia użytkownika. Polecamy TensorFlow.js do niestandardowych prac z uczeniem maszynowym, które korzystają z jego interfejsów API do trenowania i obsługi tensorów. W przypadku obsługiwanych, wstępnie wytrenowanych transformatorów Transformers.js może zapewnić bardziej bezpośredni interfejs, a dla znanego artefaktu ONNX alternatywną ścieżkę wdrożenia oferuje ONNX Runtime Web.

Poznaj TensorFlow.js

10. MediaPipe Tasks for Web

MediaPipe Tasks for Web to praktyczne rozwiązanie, gdy aplikacja wymaga obsługiwanego zadania percepcyjnego, takiego jak wykrywanie punktów charakterystycznych dłoni lub sylwetki, wykrywanie obiektów czy klasyfikacja dźwięku. Interfejsy API do zadań łączą modele ze zdefiniowanym sposobem przyjmowania danych wejściowych i interpretowania wyników. W przypadku interfejsu obsługiwanego kamerą może to być znacznie prostsze niż wybór ogólnej platformy agentowej i samodzielne tworzenie potoku przetwarzania percepcyjnego.

Istotnym ograniczeniem jest dostępność na poszczególnych platformach. Ogólny katalog MediaPipe obejmuje kilka platform, ale nie każde wymienione w nim zadanie jest dostępne w przeglądarce. Przed zaprojektowaniem rozwiązania należy sprawdzić oficjalną tabelę dostępności oraz przewodnik dla wersji internetowej, aby upewnić się, że obsługiwane jest konkretne zadanie. Możliwości dostosowywania modeli zależą również od zadania; obecność Model Maker w ekosystemie nie oznacza, że każdy model można ponownie wytrenować bezpośrednio w przeglądarce.

Należy ocenić działanie w rzeczywistych warunkach korzystania z kamery lub dźwięku, uwzględniając słabe oświetlenie, hałas w tle i sprzęt faktycznie używany przez odbiorców. Trzeba zadbać o to, by wnioskowanie nie powodowało braku responsywności interfejsu, a prośby o uprawnienia były zrozumiałe dla użytkowników. Polecamy MediaPipe, gdy wymagania dotyczące obsługi percepcji są jasno określone. To wyspecjalizowany zestaw narzędzi, a nie uniwersalna platforma LLM; niższa pozycja w rankingu wynika z węższego zakresu zastosowań, a nie z gorszej wydajności w zadaniach, do których został przeznaczony.

Poznaj MediaPipe Tasks for Web

Wybierz warstwę przed wyborem frameworka

SDK aplikacji łączą modele z funkcjami i interfejsami produktów. Frameworki agentowe organizują decyzje podejmowane przez modele i używane przez nie narzędzia. Środowiska uruchomieniowe przepływów pracy zarządzają stanem, rozgałęzieniami i odzyskiwaniem działania. Frameworki wyszukiwania informacji przygotowują i dostarczają odpowiedni kontekst. Biblioteki wnioskowania uruchamiają modele. Responsywny interfejs czatu nie dowodzi, że przepływ pracy przetrwa ponowne uruchomienie, a pomyślne pobranie modelu nie gwarantuje, że będzie on dobrze działał na telefonie.

LangChain i LangGraph celowo częściowo się pokrywają: agenci LangChain korzystają z LangGraph w tle, natomiast bezpośrednie użycie LangGraph zapewnia większą kontrolę na niższym poziomie. Transformers.js i ONNX Runtime Web również działają w powiązanych warstwach, przy czym Transformers.js dodaje do środowiska uruchomieniowego udogodnienia związane z modelami i zadaniami. Te zależności powinny ułatwiać dobór współpracujących komponentów, a nie skłaniać do powielania infrastruktury.

Co przetestować przed podjęciem decyzji

• Rzeczywista jakość wyników: Używaj reprezentatywnych danych wejściowych i znanych oczekiwanych rezultatów. Weryfikuj ustrukturyzowane wyniki w czasie działania programu — same typy TypeScript nie gwarantują poprawności odpowiedzi z zewnętrznego źródła.
• Błędy i odzyskiwanie działania: Testuj przekroczenia limitu czasu, przerwane strumienie, niedostępne narzędzia i ponowne uruchomienia. W przypadku przepływów pracy zachowujących stan sprawdź, czy wznowienie działania nie powoduje ponownego wykonania istotnej operacji zewnętrznej.
• Przenośność między dostawcami: Powtórz to samo zadanie z każdym docelowym modelem. Porównaj działanie narzędzi, obsługę ustrukturyzowanych wyników, opóźnienia i koszty, zamiast zakładać, że wspólne API oznacza identyczne działanie dostawców.
• Zgodność ze środowiskiem uruchomieniowym: Sprawdź dokładne środowisko Node.js, przeglądarkę lub środowisko brzegowe oraz ich zależności. Pakiety natywne, pliki modeli, obsługa połączeń i długo działające operacje mogą wpływać na to, gdzie można wdrożyć kod.
• Korzystanie z aplikacji w przeglądarce: Na reprezentatywnych urządzeniach zmierz czas pobierania modeli przy pierwszym uruchomieniu, czas inicjalizacji, zużycie pamięci, responsywność i działanie mechanizmów awaryjnych. Klucze dostępu do usługodawców przechowuj na serwerze — wnioskowanie lokalne w przeglądarce nie uzasadnia ujawniania kluczy API.
• Widoczność operacyjna: Monitoruj wywołania modeli, wyniki działania narzędzi, błędy i koszty, kontrolując jednocześnie, jakie dane wrażliwe trafiają do dzienników. Uprawnienia do korzystania z narzędzi egzekwuj w kodzie aplikacji i testuj niezależnie od instrukcji przekazywanych modelowi.

Przypinaj wersje zależności i korzystaj z dokumentacji dotyczącej zainstalowanej wersji. W szczególności główna dokumentacja Transformers.js może opisywać kompilacje ze źródeł, a przewodnik ONNX Runtime Web oznacza niektóre ścieżki akceleracji jako eksperymentalne. Przed uznaniem demonstracji za gwarancję możliwości wdrożenia sprawdź aktualne wytyczne dotyczące danej wersji.

Informacje o warstwie danych znajdziesz w naszym zestawieniu baz danych dla uczenia maszynowego i sztucznej inteligencji. Przy wyborze modelu skorzystaj z naszego przewodnika po LLM-ach o otwartym kodzie źródłowym i otwartych wagach. Wybory te wpływają na jakość wyszukiwania informacji i generowania niezależnie od frameworka JavaScript.

Który framework AI dla JavaScript lub TypeScript wybrać?

Wybierz Vercel AI SDK do tworzenia interaktywnych funkcji produktów opartych na AI, LangChain.js do konfigurowalnych agentów i integracji lub Mastra jako zintegrowane środowisko do tworzenia agentów w TypeScript. Gdy kluczowe wymagania obejmują jawne zarządzanie stanem, rozgałęzieniami i odzyskiwaniem działania, przejdź do bezpośredniego orkiestratora LangGraph.js.

Rozważ Google Genkit do tworzenia aplikacji opartych na przepływach oraz LlamaIndex TypeScript, jeśli główną część pracy stanowią dokumenty i wyszukiwanie informacji. W przypadku modeli uruchamianych w JavaScript zacznij od Transformers.js do obsługiwanych zadań z użyciem wstępnie wytrenowanych modeli, ONNX Runtime Web, jeśli chcesz kontrolować działanie znanego modelu ONNX, TensorFlow.js do trenowania własnych modeli i wnioskowania lub MediaPipe Tasks for Web do obsługiwanych zadań związanych z percepcją.

Najlepsza architektura przypisuje każdemu komponentowi jasno określone zadanie. Dodawaj warstwę abstrakcji, gdy eliminuje powtarzającą się pracę lub ułatwia analizę działania, a zwykłą logikę aplikacji zapisuj jawnie, jeśli model nie musi podejmować danej decyzji.