框架选型

🎯 学习目标

• 按团队规模、场景复杂度、栈（Python/Node）选择框架
• 识别「抽象泄漏」与版本升级风险
• 给出可落地的混合架构建议

引言

没有「最好」的框架，只有与团队阶段匹配的选择。本课提供决策树，避免为用框架而用框架。

章节正文

第 1 步：决策矩阵

因素	直连 OpenAI SDK	LangChain/LangGraph	Vercel AI SDK	LlamaIndex
学习曲线	低	中–高	中	中
RAG 开箱	自研	好	需组合	最好
Next.js 流式 UI	自研 SSE	可	最好	偏 Python
Agent 状态图	自研	LangGraph	有限	有 Agent
依赖体积	最小	大	中	大

建议：

• 单一 Chat API + 固定 Prompt → 直连 SDK
• Python RAG 原型 → LangChain 或 LlamaIndex
• Next.js 全栈 Chat → Vercel AI SDK + 必要时 LangChain.js
• 复杂 Agent + 审批 → LangGraph

第 2 步：抽象泄漏与迁移成本

框架升级可能导致 import 路径变化、类名废弃。Mitigation：

1. Domain 层自研：业务只依赖你的 ChatService / RagService 接口
2. 框架调用封装在 adapter 包内
3. 核心 Eval 不依赖框架细节（7.1）

记录「若去掉 LangChain 需重写多少行」作为引入前的清醒评估。

第 3 步：混合架构示例

Next.js (Vercel AI SDK UI)
    ↓ HTTP/SSE
Python FastAPI
    ├── LlamaIndex：离线索引
    └── LangGraph：Agent 运行时
    ↓
Postgres + Qdrant

索引与在线推理分离，是多数企业的稳定形态。

动手练习

1. 为你当前项目填决策矩阵，写出选型结论与 3 条理由
2. 画出自研 adapter 层应暴露哪 3 个方法

本节小结

简单场景直连 SDK；RAG 深度选 LlamaIndex；Next 流式选 Vercel AI SDK；复杂 Agent 选 LangGraph。用 adapter 隔离框架，控制迁移成本。