为什么用 PHP 写 AI Agent 而不是 Python

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”。

代码语言：javascript

AI代码解释

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

代码语言：javascript

AI代码解释

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

代码语言：javascript

AI代码解释

// app/agent/agents/CustomerServiceAgent.php namespace 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; class CustomerServiceAgent extends Agent { protectedfunction provider(): AIProviderInterface { // 一行切换 Anthropic/OpenAI/Gemini 等 returnnew Anthropic( env('ANTHROPIC_API_KEY'), 'claude-4-5-sonnet' ); } publicfunction instructions(): 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。' ] ); } publicfunction tools(): 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

代码语言：javascript

AI代码解释

// app/controller/AgentController.php namespace app\controller; use support\Request; use app\agent\agents\CustomerServiceAgent; use NeuronAI\Chat\Messages\UserMessage; class AgentController { publicfunction chat(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

代码语言：javascript

AI代码解释

┌───────────────────────────────────────────────────┐ │ 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）

代码语言：javascript

AI代码解释

// app/agent/Orchestrator.php namespace app\agent; use app\agent\agents\DataAnalysisAgent; use app\agent\agents\CustomerServiceAgent; use NeuronAI\Chat\Messages\UserMessage; class Orchestrator { publicfunction run(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：

代码语言：javascript

AI代码解释

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：

代码语言：javascript

AI代码解释

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。