AI 应用开发框架对比：选哪个
LangChain vs LlamaIndex vs Semantic Kernel vs Vercel AI SDK 的对比与选型
框架太多，选哪个
AI 应用开发框架越来越多，每个都说自己是最好的选择。作为开发者，我们需要的不是”最好”的框架，而是最适合当前项目的框架。
这篇文章我们把主流的 AI 开发框架放在一起对比，帮你做出选择。
参赛选手
LangChain
Python/TypeScript 生态中最流行的 LLM 应用框架。功能全面，社区活跃，但也因为抽象层太多而被吐槽。
LlamaIndex
专注于数据索引和查询的框架。如果你的核心需求是 RAG（检索增强生成），LlamaIndex 可能是最直接的选择。
Semantic Kernel
微软推出的 AI 编排框架，支持 C#、Python 和 Java。如果你在微软生态中工作，这是官方推荐的选择。
Vercel AI SDK
TypeScript 优先的 AI 应用工具包。专注于 Web 应用场景，和 React/Next.js 深度集成。
直接使用 SDK
不用框架，直接调用 OpenAI、Anthropic 等提供商的 SDK。最简单，最灵活，但需要自己处理更多细节。
功能对比矩阵
核心功能
| 功能 | LangChain | LlamaIndex | Semantic Kernel | Vercel AI SDK | 直接 SDK |
|---|---|---|---|---|---|
| 模型调用 | 是 | 是 | 是 | 是 | 是 |
| 流式响应 | 是 | 是 | 是 | 是 | 是 |
| 提示词模板 | 强 | 中 | 强 | 弱 | 无 |
| Chain/Pipeline | 强 | 中 | 强 | 弱 | 无 |
| RAG | 强 | 最强 | 中 | 弱 | 需自建 |
| Agent | 强 | 中 | 强 | 弱 | 需自建 |
| 工具调用 | 强 | 中 | 强 | 强 | 是 |
| 记忆管理 | 强 | 中 | 强 | 弱 | 需自建 |
| 结构化输出 | 强 | 中 | 中 | 强 | 需自建 |
| 多模型支持 | 最多 | 多 | 多 | 多 | 单一 |
语言支持
| 框架 | Python | TypeScript | C# | Java | Go |
|---|---|---|---|---|---|
| LangChain | 是 | 是 | 否 | 否 | 否 |
| LlamaIndex | 是 | 是 | 否 | 否 | 否 |
| Semantic Kernel | 是 | 否 | 是 | 是 | 否 |
| Vercel AI SDK | 否 | 是 | 否 | 否 | 否 |
生态和社区
| 维度 | LangChain | LlamaIndex | Semantic Kernel | Vercel AI SDK |
|---|---|---|---|---|
| GitHub Stars | 95k+ | 38k+ | 22k+ | 15k+ |
| npm/PyPI 下载 | 最高 | 高 | 中 | 高 |
| 文档质量 | 好 | 好 | 好 | 很好 |
| 社区活跃度 | 最高 | 高 | 中 | 高 |
| 第三方集成 | 最多 | 多 | 中 | 少 |
| 学习资源 | 最多 | 多 | 中 | 多 |
| 更新频率 | 非常频繁 | 频繁 | 频繁 | 频繁 |
学习曲线对比
LangChain
学习曲线较陡。概念多（Chain、Agent、Tool、Memory、Callback、LCEL），API 变化频繁。但一旦掌握，能力很强。
# LangChain 的典型代码风格
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
chain = (
ChatPromptTemplate.from_template("翻译成英文: {text}")
| ChatOpenAI(model="gpt-4o-mini")
| StrOutputParser()
)
result = chain.invoke({"text": "你好世界"})上手时间：1-2 周
LlamaIndex
学习曲线较平缓。核心概念少（Document、Index、QueryEngine），5 行代码就能跑起来。
# LlamaIndex 的典型代码风格
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
documents = SimpleDirectoryReader("./docs").load_data()
index = VectorStoreIndex.from_documents(documents)
response = index.as_query_engine().query("什么是微服务？")上手时间：几小时到 1 天
Semantic Kernel
学习曲线中等。如果你熟悉微软生态（.NET、Azure），会比较顺畅。
// Semantic Kernel 的 C# 代码风格
var kernel = Kernel.CreateBuilder()
.AddAzureOpenAIChatCompletion(
"gpt-4o",
"https://your-endpoint.openai.azure.com/",
"your-api-key"
)
.Build();
var result = await kernel.InvokePromptAsync(
"翻译成英文: {{$input}}",
new() { ["input"] = "你好世界" }
);上手时间：1 周
Vercel AI SDK
学习曲线最平缓（对前端开发者而言）。API 设计简洁，文档清晰。
// Vercel AI SDK 的典型代码风格
import { generateText } from 'ai';
import { openai } from '@ai-sdk/openai';
const { text } = await generateText({
model: openai('gpt-4o-mini'),
prompt: '翻译成英文: 你好世界',
});上手时间：几小时
各框架的优缺点
LangChain
优点：
- 功能最全面，几乎什么都能做
- 社区最大，资源最多
- 集成最丰富（100+ 模型提供商，100+ 工具）
- LangSmith 提供了优秀的调试和监控工具
- LangGraph 支持复杂的工作流编排
缺点：
- 抽象层太多，简单任务也需要写很多代码
- API 变化频繁，升级成本高
- 性能开销较大
- 调试困难（层层嵌套的抽象）
- 文档有时跟不上代码变化
LlamaIndex
优点：
- RAG 场景下最好用
- 上手简单，5 行代码搞定
- 丰富的数据连接器（LlamaHub）
- 多种索引类型，适应不同查询需求
- 内置评估工具
缺点：
- RAG 之外的场景支持较弱
- Agent 能力不如 LangChain
- 工作流编排能力有限
- 高级定制需要深入了解内部实现
Semantic Kernel
优点：
- 微软官方支持，和 Azure 深度集成
- 支持 C# 和 Java（其他框架不支持）
- 企业级特性（安全、合规、监控）
- Plugin 系统设计优雅
- 适合已有 .NET 项目集成 AI
缺点：
- 社区相对较小
- Python 版本功能不如 C# 版完整
- 学习资源相对较少
- 和非微软生态的集成较少
Vercel AI SDK
优点：
- TypeScript 原生，类型安全
- React Hooks 开箱即用
- 流式响应处理最优雅
- API 设计简洁直观
- 和 Next.js 完美集成
- 结构化输出（Zod Schema）很好用
缺点：
- 只支持 TypeScript
- RAG 支持较弱（需要自己实现）
- Agent 能力有限
- 主要面向 Web 应用场景
- 后端能力不如 LangChain
直接使用 SDK
优点：
- 最简单，最轻量
- 完全控制，没有抽象层
- 性能最好
- 第一时间使用最新功能
- 最容易调试
缺点：
- 需要自己实现 RAG、Agent 等功能
- 切换模型需要改代码
- 没有现成的工具集成
- 复杂应用需要大量样板代码
什么时候用什么
按项目类型选择
| 项目类型 | 推荐框架 | 原因 |
|---|---|---|
| 文档问答/知识库 | LlamaIndex | RAG 最强 |
| 聊天机器人 | Vercel AI SDK 或 LangChain | 前端用 Vercel，后端用 LangChain |
| AI Agent | LangChain + LangGraph | Agent 生态最完善 |
| 企业 .NET 项目 | Semantic Kernel | 微软生态集成 |
| Next.js Web 应用 | Vercel AI SDK | 原生集成 |
| 简单 API 调用 | 直接 SDK | 不需要框架 |
| 复杂工作流 | LangChain + LangGraph | 工作流编排最强 |
| 数据分析 | LlamaIndex | 数据连接器丰富 |
按团队技术栈选择
| 技术栈 | 推荐框架 |
|---|---|
| Python 后端 | LangChain 或 LlamaIndex |
| TypeScript 全栈 | Vercel AI SDK |
| C# / .NET | Semantic Kernel |
| Java | Semantic Kernel |
| React / Next.js | Vercel AI SDK |
| FastAPI / Django | LangChain |
按经验水平选择
| 经验 | 推荐 | 原因 |
|---|---|---|
| AI 开发新手 | LlamaIndex 或 Vercel AI SDK | 上手快 |
| 有经验的后端 | LangChain | 功能全面 |
| 前端开发者 | Vercel AI SDK | TypeScript 原生 |
| 企业架构师 | Semantic Kernel | 企业级特性 |
| 追求极简 | 直接 SDK | 最少依赖 |
它们能一起用吗
答案是可以。这些框架并不互斥：
LangChain + LlamaIndex
# 用 LlamaIndex 构建索引，用 LangChain 构建 Agent
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain.tools import Tool
# LlamaIndex 构建查询引擎
documents = SimpleDirectoryReader("./docs").load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
# 包装成 LangChain Tool
doc_search_tool = Tool(
name="document_search",
description="搜索项目文档",
func=lambda q: str(query_engine.query(q))
)
# 在 LangChain Agent 中使用
# agent = create_openai_tools_agent(llm, [doc_search_tool], prompt)Vercel AI SDK + LangChain
// 前端用 Vercel AI SDK，后端用 LangChain
// 前端: React 组件
import { useChat } from 'ai/react';
export function Chat() {
const { messages, input, handleSubmit } = useChat({
api: '/api/chat' // 后端可以用 LangChain 处理
});
// ...
}# 后端: FastAPI + LangChain
from fastapi import FastAPI
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
app = FastAPI()
@app.post("/api/chat")
async def chat(request: ChatRequest):
chain = prompt | llm | parser
result = chain.invoke({"question": request.message})
return {"response": result}决策流程图
你的主要需求是什么？
│
├── 文档问答 / RAG
│ └── LlamaIndex（最直接）
│
├── 聊天应用 / Web UI
│ ├── 用 React/Next.js？ → Vercel AI SDK
│ └── 纯后端？ → LangChain 或直接 SDK
│
├── AI Agent / 工具调用
│ └── LangChain + LangGraph
│
├── 企业级 .NET/Java 项目
│ └── Semantic Kernel
│
├── 简单的 API 调用
│ └── 直接使用提供商 SDK
│
└── 不确定
├── Python 开发者 → 从 LangChain 开始
└── TypeScript 开发者 → 从 Vercel AI SDK 开始实际建议
1. 从简单开始
不要一上来就用最复杂的框架。先用直接 SDK 实现核心功能，当你发现需要更多抽象时，再引入框架。
2. 不要过度工程
如果你只需要调用一个 API 拿到回复，不需要 LangChain。如果你只需要一个简单的 RAG，LlamaIndex 的 5 行代码就够了。
3. 关注框架的稳定性
AI 框架更新很快，选择一个 API 相对稳定的框架可以减少维护成本。Vercel AI SDK 和直接 SDK 在这方面做得比较好。
4. 考虑团队因素
选框架不只是技术决策，还要考虑团队的技术栈、学习成本和维护能力。一个团队都熟悉的”次优”框架，往往比一个没人会用的”最优”框架更好。
5. 保持灵活
AI 领域变化很快，今天的最佳选择可能明天就被超越。设计你的应用时，尽量把 AI 调用封装成独立的模块，方便未来切换框架。
# 好的做法：封装 AI 调用
class AIService:
def __init__(self, provider: str = "langchain"):
self.provider = provider
def generate(self, prompt: str) -> str:
if self.provider == "langchain":
return self._langchain_generate(prompt)
elif self.provider == "direct":
return self._direct_generate(prompt)
def _langchain_generate(self, prompt: str) -> str:
# LangChain 实现
...
def _direct_generate(self, prompt: str) -> str:
# 直接 SDK 实现
...总结
| 如果你… | 选择… |
|---|---|
| 需要 RAG | LlamaIndex |
| 需要 Agent | LangChain |
| 做 Web 应用 | Vercel AI SDK |
| 用 .NET/Java | Semantic Kernel |
| 追求简单 | 直接 SDK |
| 什么都要 | LangChain（但要做好学习投入的准备） |
没有完美的框架，只有适合当前需求的框架。选一个开始，在实践中调整。
框架是脚手架，不是地基。你的业务逻辑和数据才是真正的价值。选好工具，然后把精力放在解决真正的问题上。
相关文章
评论
加载中...
评论
加载中...