别让 Python 称霸！PHP 才是 AI 时代的黑马

Tinywan

发布于 2026-07-01 16:36:48

460

文章被收录于专栏：开源技术小栈开源技术小栈

概述

我用PHP写代码已经超过20年了。我看过它被宣布“已死”至少十几次。而每一次，它都继续支撑着越来越多的互联网。

所以当AI开始进入项目需求时，我没有转向Python。我没有购买某个工作流构建器的席位，也没有去上什么课程。我只是打开现有的代码库，写了一个服务，然后发起一个API调用。

就这样。这就是全部的解锁。你不需要花哨的GUI或复杂的系统。

没有人质疑的假设

Python主宰了AI领域。每个人都知道这一点。如果你正在训练模型、构建研究管道，或从事任何数据科学相关的工作，Python就是正确的工具。这点无需争辩。

但大多数团队没有问的是：你真的在训练模型吗？还是只是在调用API？

这两者是完全不同的问题。而如今大多数企业构建“AI功能”时做的都是后者。他们向Claude、GPT或Gemini发送提示，然后用响应做些有用的事。这就是一个REST调用。

REST调用是语言无关的。而PHP早在大多数AI初创公司出现之前，就已经在做REST调用了。

最适合工作的工具，通常就是已经在生产环境中运行的那个。

你已经拥有了整个技术栈

根据W3Techs的数据，PHP驱动了超过71%已知服务器端编程语言的网站。仅WordPress就占据了整个互联网的42%。再加上Laravel、Symfony、Magento、Craft CMS以及数千个自定义代码库，你就知道生产环境的Web软件实际在哪里了。

注：我还记得PHP刚出来的时候，那时我正淹没在Perl里，从那以后我就一直坚持用PHP！

对于CMS网站，我多年前从WordPress开始，后来有所迁移。但像AI Engine（超过80,000个活跃安装，完整MCP服务器支持，内置Claude和GPT集成）这样的插件，以及Automattic的AI Building Blocks计划推出的官方WordPress MCP Adapter，正在把WordPress变成一个真正的Agentic平台。很难忽视。

而生产环境的Web软件，正是AI Agent需要运行的地方。

AI行业不会告诉你的是：大多数“Agent”其实就是老派的服务。真的。去掉营销包装，一个典型的AI Agent就是一个接受输入、调用外部API、应用一些逻辑并返回输出的类。我们从2000年代早期就开始写这类东西了。

Agentic包装器在上面添加了规划、记忆和工具调用。这是真实的，也很重要。但底层模式对于任何在MVC框架中工作过的人来说并不陌生。

想想Agent在应用层实际做什么：它从数据库读取数据，调用外部API，处理表单提交，触发Webhook，队列任务，写回存储并返回响应。

PHP已经做了这些30年。你的认证系统已经在那里，你的数据库连接已经在那里，你的业务逻辑已经在那里。

那么，为什么要为你的PHP应用旁边启动一个Python微服务，在进程边界复制数据上下文，并引入一个全新的运行时来维护，就只是为了向LLM发一个HTTP请求呢？

其实，我知道原因。因为所有教程都展示Python。因为LangChain是Python的。因为AI讨论主要发生在被机器学习工程师主导的平台上，而他们很少接触日常的内容管理系统。

过度设计的的问题

我见过团队用AWS Bedrock来总结一个支持工单。我见过n8n工作流用了14个节点来完成本质上就是一个带条件逻辑的API调用。Make.com是连接SaaS应用的无代码神器，但它不是在你已经掌控的生产PHP应用中嵌入AI功能的正确答案。

这些平台存在是有理由的。但它们解决的是不同的问题。当你没有后端团队、只想粘合第三方服务时，或者你在Node/React栈上、JS是主要语言时（不是我的世界，但它在那儿工作得很好），它们很有意义。

但当你是一个PHP开发者，能写出下面代码时，它们就不合适了：

$client = new \GuzzleHttp\Client();

$response = $client->post('https://api.anthropic.com/v1/messages', [
    'headers' => [
        'x-api-key'         => $_ENV['ANTHROPIC_API_KEY'],
        'anthropic-version' => '2023-06-01', // 必需的header，告诉API使用哪个响应模式
        'content-type'      => 'application/json',
    ],
    'json' => [
        'model'      => 'claude-haiku-4-5-20251001',
        'max_tokens' => 1024,
        'messages'   => [
            ['role' => 'user', 'content' => 'Your prompt here!']
        ],
    ],
]);

$data = json_decode($response->getBody(), true);
$reply = $data['content'][0]['text'];

当然，这只是一个API调用，不是Agent。但它也是一个可工作的Claude集成。没有平台。没有月费席位。没有新基础设施。用Composer、Guzzle、一个API密钥，你就上线了。

生产环境中还需要加上错误处理、速率限制感知和重试逻辑，但这在任何语言中都一样，而且都不需要新技术栈。

复杂度是需要赚取的。大多数基于Web的Agent用例并不值得引入那么多复杂度。

那么，API调用和真正的Agent有什么区别？API调用等待响应并返回它。Agent会决定下一步做什么、调用工具、检查自己的输出，并循环直到任务完成。上面的Guzzle片段是一个坚实的基础。

真正改变的是什么

PHP为此做好准备，不仅仅是因为REST调用。语言本身已经显著进化了。

PHP 8.x引入了Fiber、类型化属性、命名参数、match表达式和枚举。Fiber支持单进程内的协作式调度，这很有用，但不是真正并发的替代方案。对于并行的Agent任务，通过Supervisor或Redis支持的队列Worker是实际的答案，而这个模式在PHP中已经非常成熟。

最重要的是，这一切都不需要改变你的技术栈。一个标准的LEMP设置就能轻松处理LLM API调用、队列Agent任务和Webhook驱动的工作流。这就是目前运行大多数生产PHP Web的同一栈，对于大多数Agentic用例来说已经绰绰有余。

如果你想更进一步，FrankenPHP和RoadRunner都提供了长生命周期Worker模式，能消除每个请求的启动开销，这对持久的Agent循环很重要。但这是一个优化，而不是前提。先构建Agent。如果工作负载需要，再优化运行时（很少需要）。

还有MCP。Anthropic的Model Context Protocol现在已被捐赠给Linux基金会，在Agentic AI Foundation下，由PHP Foundation维护的官方PHP SDK。它通过SSE或HTTP工作，能将你的PHP应用的工具原生暴露给任何支持MCP的AI客户端。这意味着PHP应用可以原生地向AI系统暴露工具，而不需要Python包装器或中间层。

PHP的Agent生态系统

那么，目前实际的PHP AI工具生态是什么样的？

Neuron AI 是PHP领域最成熟的专用Agent框架。由Inspector.dev团队构建，它提供了Agent基类、工具调用、RAG支持、多Agent编排和内置监控。它能在Laravel、Symfony、WordPress和轻量PHP框架上工作，而不会强制框架绑定。

以下是模式：一个带工具的Agent类。工具正是让它区别于普通API调用的地方——由Agent决定何时调用，而不是你的代码：

namespace App\Neuron;

use NeuronAI\Agent\Agent;
use NeuronAI\Agent\SystemPrompt;
use NeuronAI\Chat\Messages\UserMessage;
use NeuronAI\Providers\AIProviderInterface;
use NeuronAI\Providers\Anthropic\Anthropic;
use NeuronAI\Tools\PropertyType;
use NeuronAI\Tools\Tool;
use NeuronAI\Tools\ToolProperty;

class FitnessAgent extends Agent
{
    protectedfunction provider(): AIProviderInterface
    {
        returnnew Anthropic(
            key:   $_ENV['ANTHROPIC_API_KEY'],
            model: 'claude-haiku-4-5-20251001',
        );
    }

    protectedfunction instructions(): string
    {
        return (string) new SystemPrompt(
            background: ['You are a knowledgeable fitness assistant.'],
            steps:      ['Use available tools to look up workout plans before answering questions about them.'],
            output:     ['Give clear, practical guidance based on the workout data returned.']
        );
    }

    protectedfunction tools(): array
    {
        return [
            Tool::make('get_workout', 'Look up a workout plan by name or muscle group.')
                ->addProperty(
                    new ToolProperty(
                        name:        'workout_name',
                        type:        PropertyType::STRING,
                        description: 'The name or muscle group of the workout to retrieve.',
                        required:    true
                    )
                )
                ->setCallable(function (string $workout_name) {
                    // Your existing workout DB or API call here
                    $pdo  = new \PDO($_ENV['DB_DSN'], $_ENV['DB_USER'], $_ENV['DB_PASS']);
                    $stmt = $pdo->prepare("SELECT exercises, sets, reps FROM workouts WHERE name = ?");
                    $stmt->execute([$workout_name]);
                    $row  = $stmt->fetch(\PDO::FETCH_ASSOC);
                    return $row ? json_encode($row) : 'Workout not found.';
                }),
        ];
    }
}

$reply = FitnessAgent::make()
    ->chat(new UserMessage('How many sets should I do for a beginner chest workout?'))
    ->getMessage()
    ->getContent();

echo $reply;

Agent接收问题，判断需要get_workout工具，用提取出的肌肉群或计划名称调用它，然后将结果融入响应中。完全不需要你手动连接逻辑。这就是从API包装器到Agent的转变。

除了Neuron，生态系统发展迅速。LLPhant提供了LangChain风格的方法。Prism作为Laravel项目的干净、提供者无关的接口正在获得关注。Symfony AI为Symfony生态带来了原生集成。

值得注意的是：这些都不需要重量级框架。Slim、Flight、F3、Phalcon和CodeIgniter等轻量PHP框架也能以最小开销干净地接入Agent服务。如果你的栈本来就很轻量，添加Agent层也不会改变这一点。

PHP中的RAG：比你想象的简单

检索增强生成（RAG）听起来很吓人。其实不然。其核心就是四个步骤：切分内容、生成嵌入、检索最相关的块，并注入到提示中。

Qdrant、Pinecone和Weaviate等向量数据库都暴露HTTP API。PHP能调用HTTP API。所以这样就行：

$openAiClient = OpenAI::client($_ENV['OPENAI_API_KEY']);
$guzzle = new \GuzzleHttp\Client();

$userQuery = $_POST['question'] ?? '';

// 1. 通过OpenAI生成嵌入
$embedding = $openAiClient->embeddings()->create([
    'model' => 'text-embedding-3-small',
    'input' => $userQuery,
])->embeddings[0]->embedding;

// 2. 查询Qdrant获取最近邻
$results = $guzzle->post('http://qdrant:6333/collections/docs/points/search', [
    'json' => [
        'vector'       => $embedding,
        'limit'        => 5,
        'with_payload' => true,
    ],
]);

// 3. 将检索到的上下文注入提示
$hits    = json_decode($results->getBody(), true)['result'];
$chunks  = array_map(fn($hit) => $hit['payload']['text'], $hits);
$context = implode("\n\n", $chunks);

$prompt = "Answer using this context:\n\n{$context}\n\nQuestion: {$userQuery}";

不需要Python。不需要编排层。只需HTTP和一点管道代码。