JavaScript前端AI以推理为核心，依赖TensorFlow.js加载Web兼容模型，支持图像分类等任务；ONNX.js已归档，推荐@xenova/transformers运行Hugging Face模型；训练应在Python端完成，模型体积建议≤5MB。
JavaScript 本身不内置机器学习能力，但通过前端 AI 库可以实现轻量级模型推理、数据预处理、甚至训练（受限于浏览器性能）。真正能落地的场景是：模型已训练好、导出为 Web 兼容格式（如 TensorFlow.js 的 .json + .bin），再在浏览器中加载运行。
TensorFlow.js 是当前最成熟的选择
它支持从零训练（tf.sequential()）、迁移学习（tf.loadLayersModel()）、以及直接推理。模型可来自 Python 端导出（用 tensorflowjs_converter），也可用 JS 原生定义。
- 适合图像分类、姿态估计、文本嵌入、简单时序预测等任务
- GPU 加速依赖 WebGL，低端设备或 iOS Safari 可能回退到 CPU，延迟明显升高
-
tf.loadGraphModel()比tf.loadLayersModel()更快，但只支持冻结图（不能微调） - 注意内存泄漏：每次
tf.tidy()必须包裹张量操作，否则tf.memory().numTensors会持续增长
ONNX.js 已归档，别再用了
微软曾维护的 onnxjs 项目已于 2022 年正式归档（npm WARN deprecated onnxjs）。它无法支持 ONNX opset 14+，且无 WebGL 后端，纯 CPU 推理极慢。现在想跑 ONNX 模型，唯一可行路径是转成 TensorFlow.js 格式（用 onnx-tf），再用 TF.js 加载。
- 不要尝试
import { InferenceSession } from 'onnxjs' - 替代方案：用
@xenova/transformers（底层基于 WebAssembly + 自研推理引擎，支持部分 ONNX 模型）
@xenova/transformers 能开箱即用跑 Hugging Face 模型
这是目前对前端 NLP 最友好的库，封装了 tokenizer、pipeline、自动模型下载逻辑。它不依赖 TensorFlow.js，而是用 WebAssembly 运行量化后的 PyTorch 模型（.safetensors + config.json）。
创建全面的交接文档，使新AI代理能够无缝继续工作，消除歧义。解决上下文耗尽问题。 时机：(1)用户请求保存交接，(2)上下文即将满，(3)主要任务完成，(4)会话结束，(5)恢复工作时。 关键词：保存状态、创建交接、上下文已满、暂停、从...恢复、加载交接、保存进度、会话转移、交接
立即学习“Java免费学习笔记（深入）”；
- 一行代码即可调用：
const pipeline = await pipeline('sentiment-analysis', 'Xenova/distilbert-base-uncased-finetuned-sst-2-english') - 模型自动从 Hugging Face Hub 下载并缓存在
indexedDB，第二次加载极快 - 仅支持部分模型（见其
supported_models.json），不支持自定义训练或修改结构 - 输出是标准 JS 对象，无需手动解析 tensor —— 例如情感分析返回
{ label: 'POSITIVE', score: 0.999 }
训练不是前端该干的事，推理才是合理边界
浏览器里训练一个 ResNet-50？理论上可行，实际上卡顿、耗电、用户关页就中断。真实项目中，99% 的“JS 机器学习”应理解为：前端只做数据采集（摄像头、麦克风）、预处理（归一化、resize）、模型加载与推理、结果可视化。
- 训练必须放在 Python + GPU 环境；前端只负责把原始输入（如一张
<canvas></canvas>图片）转成tf.tensor3d()再喂给模型 - 模型体积是硬门槛：TF.js 模型建议控制在 5MB 以内，否则首屏加载超时风险高
- 如果需要实时性（如每秒 30 帧姿态估计），务必用
requestAnimationFrame控制推理节奏，避免阻塞主线程
最容易被忽略的一点：模型版本和库版本强耦合。比如 @tensorflow/tfjs@4.22.0 加载用 @tensorflow/tfjs-converter@3.18.0 导出的模型可能报错 Unknown layer: Dense —— 不是因为代码写错，而是 converter 版本太旧，没写入层注册信息。
