为什么用 PHP 写 AI Agent 而不是 Python

自恋一下

2026 年了，用 PHP 写 AI Agent，可能比 Python 更香。

Neuron AI

什么是 Neuron？

Neuron 是面向 PHP 的「Agentic 框架」，用来创建与编排 AI Agent，并提供 LLM 接口、数据加载、多 Agent 编排、RAG、监控与调试等完整生命周期支持。 说白了，它就是 PHP 的「LangChain/LlamaIndex 级存在」，但专为 PHP 工程师设计。

• 支持多 LLM：Anthropic、OpenAI、Gemini、XAI、Bedrock、Azure 等，一行代码切换提供商
• 内置工具包：计算器、SQL 查询、API 集成等，也支持自定义工具
• 兼容主流 PHP 框架：Laravel、Symfony、WordPress，或你自己的 MVC

为什么选 Neuron？

我们选 Neuron 的理由很简单：

• 不用在 Python/PHP 间切换技术栈；
• Agent 和业务逻辑共用数据库、缓存、鉴权、中间件；
• 团队都是 PHP 工程师，上手成本几乎为 0。

webman + Neuron

webman 是什么？

webman 是基于 Workerman 的高性能 PHP Web 框架，支持 HTTP / WebSocket / TCP / UDP，并采用常驻内存、协程、连接池等技术，把 PHP 的性能天花板抬高了不止一个档次。 关键特性：

• 常驻内存：避免 PHP-FPM 请求—重启的重复开销；
• 高性能：官方与第三方压测显示，带 DB 查询时，webman 的单机吞吐可达数十万 QPS，远超传统 PHP-FPM 框架；
• 自定义进程：可以在同一进程组里跑监听、队列、定时任务、Agent 调度等长期进程；
• 二进制打包：支持打包成 phar，甚至在部分场景可以“不依赖 PHP 源码运行”。 把这些能力用在 AI Agent 上，意味着：
• Agent 和 HTTP API、WebSocket、业务系统可以“同居一个进程/服务器”；
• 工具调用、RAG、多 Agent 编排可以直接访问本地 ORM/Redis，无跨服务延迟；
• 扩容方式与普通 Web 服务一致，运维几乎无新增心智负担。

项目结构示例

下面这个结构是你可以直接照抄的“最小可用项目骨架”。

php-neuron-agent/├── app/│   ├── controller/│   │   └── AgentController.php   # HTTP 入口│   ├── agent/│   │   ├── Orchestrator.php      # 多 Agent 编排/调度│   │   └── agents/│   │       ├── CustomerServiceAgent.php│   │       ├── DataAnalysisAgent.php│   │       └── ToolsAgent.php│   └── middleware/├── config/│   ├── neuron.php│   ├── database.php│   └── redis.php├── public/│   └── index.php├── process/│   └── AgentMonitor.php          # webman 自定义进程（可选：Agent 监控/队列）├── composer.json├── Dockerfile└── docker-compose.yml

第一步：引入 Neuron

composer require neuron-core/neuron-ai

Neuron 提供了一个 Agent 基类，你只需要继承并实现：

• provider()：指定 LLM 提供商和模型
• instructions()：设置系统提示（角色、背景、规则）
• tools()：注册可用工具/工具包

第二步：写一个“客服 Agent”的示例

// app/agent/agents/CustomerServiceAgent.phpnamespace app\agent\agents;use NeuronAI\Agent;use NeuronAI\Chat\Messages\UserMessage;use NeuronAI\SystemPrompt;use NeuronAI\Providers\Anthropic\Anthropic;use NeuronAI\Providers\AIProviderInterface;use NeuronAI\Tools\Toolkits\CalculatorToolkit;classCustomerServiceAgentextendsAgent{protectedfunctionprovider(): AIProviderInterface{// 一行切换 Anthropic/OpenAI/Gemini 等returnnew Anthropic(            env('ANTHROPIC_API_KEY'),'claude-4-5-sonnet'        );    }publicfunctioninstructions(): string{return (string) new SystemPrompt(            background: ['你是一个友好的客服助手。'.'基于公司知识库与订单数据回答问题，语气专业且简洁。'            ]        );    }publicfunctiontools(): array{return [            CalculatorToolkit::make(),       // 计算类工具// OrderToolkit::make(),          // 自定义订单查询工具// KnowledgeBaseToolkit::make(), // 自定义 RAG 工具        ];    }}

第三步：在 webman 控制器里调用 Agent

// app/controller/AgentController.phpnamespace app\controller;use support\Request;use app\agent\agents\CustomerServiceAgent;use NeuronAI\Chat\Messages\UserMessage;classAgentController{publicfunctionchat(Request $request){        $q = $request->input('question', '');        $agent = CustomerServiceAgent::make();        $response = $agent->chat(new UserMessage($q));return json(['answer' => $response->getMessage()->getContent(),        ]);    }}

如果你愿意，也可以通过 webman 的自定义进程，把 Agent 调度做成后台长期服务（监听队列、定时触发等），与 HTTP 服务共享同一套基础设施。

多 Agent 协作架构（Orchestrator）

当业务变复杂时，通常需要多个“专职 Agent + 编排层”。

架构图

┌───────────────────────────────────────────────────┐│                 Claude Code（主 Agent）             ││  - 任务拆解                                       ││  - 最终审核 & 输出                                │└──────┬───────────────────────────────┬─────────────┘       │                               │┌──────▼──────────┐          ┌─────────▼──────────┐│  DataAnalysis   │          │   CustomerService  ││  Agent          │          │   Agent            ││  - SQL 查询     │          │  - 订单查询        ││  - 报表生成     │          │  - 知识库问答      │└─────────────────┘          └────────────────────┘       │                               │       └───────────────┬───────────────┘                       │              ┌────────▼─────────┐              │   Tools Agent    │              │   - 通用计算     │              │   - 外部 API     │              └──────────────────┘

Orchestrator 示意（伪代码）

// app/agent/Orchestrator.phpnamespace app\agent;use app\agent\agents\DataAnalysisAgent;use app\agent\agents\CustomerServiceAgent;use NeuronAI\Chat\Messages\UserMessage;classOrchestrator{publicfunctionrun(string $userRequest): array{// 1）用主 Agent 拆解任务（可用 Claude/GPT 等）// 2）根据任务类型，分发给不同子 Agent// 3）并行/串行执行// 4）汇总结果，交给主 Agent 再做最终审核 & 输出// 示例：简单串行        $serviceAgent = CustomerServiceAgent::make();        $analysisAgent = DataAnalysisAgent::make();        $serviceRes = $serviceAgent->chat(new UserMessage($userRequest));        $analysisRes = $analysisAgent->chat(new UserMessage($userRequest));return ['customer_service' => $serviceRes->getMessage()->getContent(),'data_analysis'    => $analysisRes->getMessage()->getContent(),        ];    }}

真实项目里，你可以用 webman 的异步/队列能力把子任务做成并行，以提升整体吞吐。

实战场景

场景 1：数据问答 + 自动出报表

用户输入：

帮我统计最近 30 天的每日销售额，并找出销量 Top 3 的商品。

执行流程：

1. Claude Code（主 Agent）：把用户需求拆成“查询 + 计算 + 排序 + 总结”几个子任务；
2. DataAnalysis Agent：用 SQL 工具访问订单库，拿到原始数据；
3. Tools Agent：完成聚合、Top3 计算与格式化；
4. Claude Code：把结果整理成自然语言报表返回。 关键点：所有 Agent 都可以直接通过 ORM/Redis 访问同一个业务库，避免了“Python 调 PHP 接口”的网络往返和鉴权问题。

场景 2：客服 + 工单流转

用户输入：

我的订单 #12345 发货了吗？如果没发，帮我催一下。

执行流程：

1. CustomerService Agent：调用订单/物流工具，查询状态；
2. Tools Agent：根据规则触发内部 API 创建“催单工单”；
3. Claude Code：根据返回结果，生成“人话”回复给用户。 因为所有逻辑都在同一个 PHP 项目里，你可以直接复用原有的事件/消息队列体系，不需要为 Agent 单独造一套。

性能对比

为什么说“PHP 也能很能打”？

• webman 官方与第三方压测：带 DB 查询时，webman 的单机吞吐可达 39 万 QPS，比传统 PHP-FPM 架构高出近 80 倍；
• webman 还宣称在部分场景下，性能高于 Go 的 gin/echo 等框架约 1 倍；
• PHP 8.x 的 JIT 在 CPU 密集型计算上也有明显提升。 结合 Neuron 的多 Agent 编排与工具管理，这套栈完全可以撑住中小规模的生产流量。

一个“风格对标”的对比表

坦白讲，Python 在“原型验证 & 生态丰富度”上依旧有优势。但在生产环境，尤其是已有大量 PHP 业务资产的团队，PHP + webman + Neuron 明显更舒服。