主流 AI 应用开发模式全解析：从 HTTP API 到 AI 编程工具 SDK，鱼皮带你搞懂 5 种开发范式

• 文档
• 教程
• 知识库
• 人工智能

导读：本文是「Vibe Coding 零基础教程」系列中的核心知识章节，系统拆解 AI 应用开发的 5 种主流模式——HTTP API 直接调用、官方 SDK、AI 开发框架、低代码平台与 AI 编程工具 SDK。读完你将能准确回答"AI 应用怎么开发"这一高频面试问题，并在用 AI 编程做项目时，知道自己该往技术栈里加什么。

很多同学对 AI 应用开发的认知停留在「调个 API」这个层面，觉得能发个 HTTP 请求拿到 AI 的回答就完事儿了。但实际上，调 API 只是最基础的一种方式：从最底层的 HTTP 请求，到官方 SDK 封装，到功能齐全的开发框架，再到拖拽式的低代码平台，外加一种鲜为人知的 AI 编程工具 SDK 模式——AI 应用开发的方式已经非常丰富。

本仓库的 主流 AI 应用开发模式.md 是理解这条技术脉络的核心文档。本文将继承其完整骨架，并结合仓库内 AI 编程技术栈速查、AI 应用开发面试题、Dify 平台教程、Spring AI 项目实战 与 LangChain4j 项目实战 等配套资料做源码级纵深补充，让每个模式既有可直接复制的代码，又有工程落地层面的解释。

一、模式总览：AI 应用开发的 5 条技术路线

下面这张对比表可以帮你快速建立整体认知（也是面试时"一句话总结"的素材）：

这 5 种模式并不互相排斥，实际开发中经常混用：用低代码平台快速搭原型验证想法，验证通过后用开发框架重写成正式版本；或者在框架项目里，某个模块直接用 HTTP API 调一个特殊接口。

二、模式一：HTTP API 直接调用

2.1 基本原理：像打电话一样调大模型

最原始、最直接的方式，就是通过 HTTP 请求调用大模型的 API 接口。简单来说，就是你的程序给大模型发送一条消息，大模型处理完之后把结果返回给你。

这就像打电话给专家咨询问题：你得自己拨号码（拼接 API 地址）、报上身份（传入密钥）、把问题描述清楚（构造请求体），然后等专家回答完再自己记录下来（解析响应）。虽然每一步都得自己来，但你对整个过程有完全的掌控。

不管你用什么编程语言，只要能发 HTTP 请求，就能调用 AI 大模型。因此这是所有大模型服务商都支持的最基本调用方式——无论是 OpenAI、Anthropic，国内的 DeepSeek、通义千问，本地用 Ollama 部署的开源模型，还是 OpenRouter 这类"一个 API Key 调用多家模型"的聚合平台，都支持 HTTP API。

目前 HTTP API 调用主要有两种协议格式。

2.2 OpenAI 兼容格式（事实标准）

这套格式最初由 OpenAI 定义，但因为用的人多，如今已成为各家默认遵循的标准。DeepSeek、通义千问、Kimi、Ollama 等绝大多数大模型服务商都兼容这套格式。统一标准的好处是：你写一套调用代码，只需换 API 地址和密钥，就能无缝切换到不同厂商的模型，无需重新适配格式。

下面用 curl 发一个 OpenAI 兼容格式的请求，调用 DeepSeek 大模型：

curl https://api.deepseek.com/chat/completions \ -H "Authorization: Bearer 你的API密钥" \ -H "Content-Type: application/json" \ -d '{ "model": "deepseek-v4-pro", "messages": [ {"role": "system", "content": "你是一个有用的助手"}, {"role": "user", "content": "用一句话介绍什么是AI应用开发"} ] }'

如果换成调用 OpenAI 的模型，只需把 URL 请求地址和model模型名称换掉即可，请求格式完全一样。

2.3 Anthropic Messages API 格式

Anthropic（Claude 模型开发商）使用自己独立的协议，请求结构与 OpenAI 不同。比如系统提示词放在顶层的system参数里，而不是作为一条消息传入。调用 Claude 系列模型时必须按其格式来：

curl https://api.anthropic.com/v1/messages \ -H "x-api-key: 你的API密钥" \ -H "content-type: application/json" \ -d '{ "model": "claude-sonnet-4-6", "max_tokens": 1024, "system": "你是一个有用的助手", "messages": [ {"role": "user", "content": "用一句话介绍什么是AI应用开发"} ] }'

2.4 核心字段与两种调用方式

实际开发时，你需要理解请求和响应中各个字段的含义：

• messages：核心字段，即你跟 AI 的对话消息列表，按role（system / user / assistant）区分角色；
• temperature：控制回答的随机性，值越高输出越随机多样（适合创意写作），值越低输出越确定保守（适合专业问答）；
• max_tokens：限制回答的最大长度；
• usage：响应中用于告诉你本次调用消耗了多少 Token 的计费信息；
• stream：是否开启流式输出。

大模型 API 通常提供两种调用方式：

1. 普通请求：一问一答，等 AI 生成完整个回答后一次性返回；
2. 流式请求：想实现"一个字一个字往外蹦"的打字机效果，需要用到SSE（Server-Sent Events）流式传输协议，让服务端把生成内容一段一段推送给你。用法不复杂，请求参数里把stream设为true即可。

用 Python 写一个流式调用示例，感受打字机效果是如何实现的：

import requests response = requests.post( "https://api.deepseek.com/chat/completions", headers={ "Authorization": "Bearer 你的API密钥", "Content-Type": "application/json" }, json={ "model": "deepseek-chat", "stream": True, # 开启流式输出 "messages": [ {"role": "system", "content": "你是一个有用的助手"}, {"role": "user", "content": "用一句话介绍什么是AI应用开发"} ] }, stream=True # 开启流式接收 ) # 逐行读取服务端推送的内容 for line in response.iter_lines(): if line: print(line.decode())

2.5 何时该选 HTTP API？

从源码结构看，HTTP 直调适合以下场景：想深入理解大模型调用底层原理、使用 SDK 不支持的语言、或需要精确控制请求头与协议细节。但代价也很明显——填 URL、设请求头、构造 JSON、解析响应、处理错误码、流式数据逐行解析，这些与业务无关的细节全都要自己处理。这也是催生下一层封装（SDK）的根本原因。

三、模式二：官方 SDK 调用

3.1 SDK 的本质：把 HTTP 细节封装成"智能通讯 APP"

写过上面那段代码后你会明显感到：直接用 HTTP 调用很麻烦。所以各大模型厂商都提供了SDK（Software Development Kit，软件开发工具包），帮你把底层细节封装好。

打个比方：如果 HTTP API 是自己拨号打电话，那 SDK 就像装了智能通讯 APP——你只管说话，APP 自动拨号、接通、录音、整理成文字，拿到手的就是现成答案。

目前 OpenAI、Anthropic、Google、阿里云百炼、智谱等主流大模型服务商都提供了多语言 SDK，覆盖 Python、Java 等常用语言。SDK 的本质是对 HTTP 请求的封装，所以 OpenAI 兼容格式在 SDK 层面同样适用——比如 DeepSeek 兼容 OpenAI 协议，直接用 OpenAI 的 SDK 改个参数就能调用 DeepSeek。

3.2 用 OpenAI Python SDK 调用模型

# 引入 OpenAI 官方 SDK from openai import OpenAI client = OpenAI(api_key="你的API密钥") completion = client.chat.completions.create( model="gpt-5", messages=[ {"role": "system", "content": "你是一个有用的助手"}, {"role": "user", "content": "用一句话介绍什么是AI应用开发"} ] ) print(completion.choices[0].message.content)

不用填 URL、不用设请求头、不用手动解析 JSON，几行代码搞定。而且 SDK 内置了错误重试、类型提示、流式处理等功能，开发效率更高、代码更简洁、系统更稳定。

3.3 一个 SDK 通吃多家模型：改 base_url 即可

如果你用 DeepSeek 模型，代码几乎一模一样，只需改base_url请求地址和model模型名称：

client = OpenAI( api_key="你的DeepSeek密钥", base_url="https://api.deepseek.com" ) # 调用时把 model 换成 DeepSeek 的模型名 completion = client.chat.completions.create( model="deepseek-chat", messages=[...] )

这与本文 2.2 节提到的"OpenAI 兼容格式成为事实标准"互为印证：正是因为协议统一，SDK 层面才能做到"一套代码、多家模型"。

四、模式三：AI 开发框架

4.1 为什么需要框架？

SDK 解决了"怎么方便地调模型"，但企业级 AI 应用远不止调模型那么简单。你可能还需要：

• 会话记忆：让 AI 记住之前聊过什么；
• RAG 检索增强生成：让 AI 先去知识库查资料再回答；
• 工具调用：让 AI 调用外部工具（查天气、搜网页）；
• MCP 协议：接入更多外部服务；
• 多 Agent 协作：让多个 AI 协同完成复杂任务。

这些能力每个都从零开始写，工作量巨大。于是有人在 SDK 基础上又封装一层，做成AI 开发框架。打个比方：SDK 是给你发动机、轮胎、方向盘这些零件自己装配；AI 开发框架是直接给你半成品车，底盘、车架、电路都搭好了，你只需要决定外观和内饰就能上路。

4.2 Python 生态：LangChain 与 LangGraph

Python 生态中，LangChain是目前最主流的 AI 应用开发框架，提供大量集成组件，涵盖模型调用、RAG 知识库、工具调用、MCP 集成等常用能力。LangGraph是 LangChain 团队推出的进阶框架，用图结构编排复杂 AI 工作流，适合构建有状态、需要循环和分支逻辑的 AI 智能体。

用 LangChain 调用模型的代码：

from langchain.chat_models import init_chat_model from langchain.messages import HumanMessage, SystemMessage model = init_chat_model("gpt-5") messages = [ SystemMessage("你是一个有用的助手"), HumanMessage("用一句话介绍什么是AI应用开发") ] response = model.invoke(messages) print(response.content)

看起来和 SDK 差不多？但 LangChain 的价值在于，当你需要加记忆、工具调用这些高级能力时，只需几行配置就能搞定，不用自己从零实现。比如创建一个带工具调用能力的 AI Agent：

from langchain.agents import create_agent from langchain.tools import tool # 定义一个工具，让 AI 能查天气 @tool def get_weather(city: str) -> str: """查询指定城市的天气""" return f"{city}今天晴，25°C" # 一行代码创建带工具调用能力的 Agent agent = create_agent(model="gpt-4o", tools=[get_weather]) # 调用 Agent，它会自动判断是否需要调用工具 result = agent.invoke( {"messages": [{"role": "user", "content": "北京今天天气怎么样？"}]} )

这样 AI 就能主动调用工具查天气，你只需定义好工具函数，剩下交给 LangChain。

4.3 跨语言生态：LangChain4j、Spring AI、Vercel AI SDK

很多其他语言生态的 AI 开发框架在设计上都参考了 LangChain 的思路：

• Java 的 LangChain4j、Go 的 LangChainGo：功能上与 Python 版基本对齐，学会一个版本切到其他语言也容易上手。仓库的 Cursor + LangChain4j - AI 编程助手项目实战 展示了其核心玩法：通过AiServices.builder(...)链式装配chatModel（对话模型）、chatMemory（会话记忆）、contentRetriever（RAG 检索器）、tools（工具调用）与toolProvider（MCP 工具），一行行代码演示了对话记忆、结构化输出、RAG、工具调用、MCP、护轨（Guardrail）、日志与可观测性等特性如何开箱即用。
• Spring AI 与 Spring AI Alibaba：由 Spring 官方与阿里推出，深度融入 Spring Boot 生态，适合 Java 后端开发者。仓库的 Spring AI - AI 超级智能体项目实战 以 Spring AI 为核心，结合 RAG 知识库、PGvector 向量数据库、Tool Calling、MCP、ReAct Agent 构建了完整的"AI 超级智能体"，并总结出其核心特性包括：Advisor 拦截机制、对话记忆、结构化输出、ChatClient 客户端、工具调用注解等。
• Vercel AI SDK：TypeScript 生态的 AI 开发框架，提供 20 多个模型供应商的统一接口，特别适合前端和全栈开发者。仓库 AI 编程技术栈速查 中也提示：LangChain 更适合原型开发和复杂的多模型编排场景，如果应用比较简单，直接用各家大模型的 SDK 反而更轻量。

五、模式四：低代码 AI 开发平台

5.1 搭积木式开发：不写代码也能做出 AI 应用

框架虽强大，但写代码终归有门槛。低代码 AI 开发平台让业务人员或编程初学者也能搭建 AI 应用。打个比方，低代码平台就像搭积木：大模型是一块积木，知识库是一块积木，工具调用是一块积木，每块都是现成的，你只需决定怎么拼接。

5.2 Dify：开源、可私有化部署的典型代表

Dify 是典型的低代码 AI 开发平台，支持通过可视化界面搭建 AI 聊天助手、工作流、知识库问答等应用，还能一键接入各种大模型。它最大的优势是开源、可私有化部署，企业想把数据放在自己服务器上也没问题。在 Dify 上搭一个 AI 聊天助手大致四步：

1. 选择一个大模型（比如 GPT-5.5 或 DeepSeek）；
2. 写一段系统提示词，告诉 AI 它的角色；
3. 配置知识库（可选），上传你的文档资料；
4. 点击发布，得到一个可调用的 API 或者直接分享的聊天链接。

整个过程不需要写一行代码。仓库的 Dify：零代码 AI 应用开发平台 还进一步拆解了 Dify 的核心概念链路：选大模型（LLM）→ 调温度参数 → 写系统/用户提示词 → 理解 Token 计费 → 用 Embedding 技术把文档切块转向量存入向量库、实现知识库问答（RAG）→ 发布并暴露 API。这些概念（大模型、提示词、Token、RAG、智能体）在所有 AI 工具中是通用的。

5.3 其他低代码平台一览

• Coze（扣子）：字节跳动推出，提供大量预置插件和模板，可视化流程、零代码，上手快，适合个人和轻量应用；
• 阿里云百炼：一站式大模型应用构建平台，集成模型调用、智能体编排、知识库管理，提供企业级可视化流程编排，与阿里云服务深度集成，适合企业用户；
• n8n：开源的工作流自动化平台，擅长做跨系统的 AI 自动化流程。

六、模式五：AI 编程工具的 SDK（隐藏模式）

6.1 模式本质：雇一个会写代码的 AI 程序员

前面 4 种模式覆盖了从手动写代码到完全不写代码的各种方案，但还有第 5 种很多人不知道的模式——AI 编程工具的 SDK。

2026 年，Cursor、Claude Code、GitHub Copilot 等 AI 编程工具纷纷推出自己的 SDK。你可以在自己的代码里直接调用这些 AI 编程工具的 Agent，它们能帮你读代码、改代码、跑命令，而且你在 AI 编程工具里配置好的MCP 服务、Skills、项目规则这些能力，通过 SDK 调用时同样生效。

如果说前面那些方式都是你自己动手干活，那么使用 AI 编程工具的 SDK 相当于雇了一个会写代码的 AI 程序员：你只需要告诉它做什么，它会自动读文件、分析代码、完成开发。

6.2 Cursor SDK 实战：让 Agent 自动完成整个开发流程

以 Cursor SDK 为例，它允许你在 TypeScript / Node.js 代码中直接调用 Cursor 的 AI Agent。

第一步：安装 SDK。新建项目文件夹，在终端执行：

npm install @cursor/sdk

第二步：获取 API Key。登录 Cursor Dashboard，在 Integrations 页面生成一个 API Key 保存下来，后面代码用它验证身份。

第三步：编写调用代码。假设本地有一个「创作选题获取器」项目，里面用 AGENTS.md 定义了选题获取的工作流规则，还安装了 frontend-design 前端设计技能。现在想让 AI 获取今天的热门选题并生成漂亮的网页报告，新建main.js：

import { Agent } from "@cursor/sdk"; // 创建 AI Agent，指向「创作选题获取器」项目 const agent = await Agent.create({ apiKey: '你的 API Key', model: { id: "gpt-5.5" }, local: { cwd: "/Users/yupi/workflow/创作选题获取器" }, }); // 一句话下达指令 const run = await agent.send("帮我获取今日 AI 领域的热门选题，并生成一个网页报告"); // 收集所有事件，打印到终端的同时保存到文件 const events = []; for await (const event of run.stream()) { console.log(event); events.push(event); } // 把完整的事件记录保存为 JSON 文件，方便事后分析 const fs = await import("fs"); fs.writeFileSync("agent-output.json", JSON.stringify(events, null, 2));

第四步：运行。在终端执行：

node main.js

运行后终端会输出一连串事件，从日志里可以清晰地看到 Agent 的整个执行过程：它先用glob工具扫描项目目录，用read工具依次读取 AGENTS.md 工作流规则和 frontend-design 的 SKILL.md 技能说明，通过shell工具调用项目里的热点获取脚本进行联网搜索（从 GitHub、Hacker News 等 6 个平台采集了 70 条热门话题），再用edit命令生成近千行代码的 HTML 网页报告，最后自动打开浏览器展示结果。

一次性的简单任务还有更简洁的写法：

const result = await Agent.prompt( "给这个项目写一个 README.md", { apiKey: process.env.CURSOR_API_KEY!, model: { id: "composer-2" }, local: { cwd: process.cwd() }, } );

6.3 三种运行模式与工程化价值

• 本地运行模式：Agent 直接在你自己电脑上跑，适合开发调试（上文演示即此模式）；
• Cursor 托管云模式：Cursor 帮你在云端开一台隔离虚拟机执行任务，适合同时跑多个 Agent 并行处理；
• 自托管云模式：自己管理服务器，适合企业内部使用。

整个过程和在 Cursor 编辑器里跟 AI 对话一模一样，但区别在于你是用代码调用它——这意味着可以把它嵌入 CI/CD 流水线、自动化脚本、甚至自己的产品里。普通大模型 SDK 只能生成文本，而 AI 编程工具的 SDK 能直接操作代码库、调用工具、生成文件。

更进一步，你甚至可以把 AI 编程工具当成一种开发环境：像部署项目需要配置数据库一样，在服务器上配好 AI 编程工具的环境，然后在代码中通过 SDK 调用，实现自动化的代码生成、审查、重构等任务。

除了 Cursor，Anthropic 的 Claude Agent SDK 和 GitHub 的 Copilot SDK 也提供类似能力，用法大同小异。

七、怎么选择：用最少的成本解决当前的问题

7.1 五模式横向对比

选择的核心原则是：用最少的成本解决当前的问题。能拖拽解决的，就别写代码；能用框架搞定的，就别自己造轮子；能用 SDK 的，就别手撸 HTTP。

7.2 实际开发可以混用

这 5 种模式之间并不互相排斥：

• 用低代码平台快速搭原型验证想法，验证通过后再用开发框架重写成正式版本；
• 在框架搭好的项目里，某些模块直接用 HTTP API 调一个特殊接口；
• 学习阶段则建议反过来：从 HTTP API 开始，一步步往上走，这样对每一层原理都有清晰理解，后面用更高层工具也不会一头雾水。

仓库 AI 应用开发面试题 也从面试视角印证了这一点：真正的 AI 应用开发要考虑如何用更低的成本让应用稳定、高效、准确地运行在生产环境，需要掌握提示词工程、AI 工程化（缓存、流式输出、可观测性、异常处理与容错）、RAG 与向量数据库、开发框架（Spring AI / LangChain4j）、MCP、Agent 设计与多工具协调等完整能力栈——绝不只是"调个接口"。

八、写在最后

AI 应用开发领域变化太快，新框架、新工具几乎每个月都在冒出来。但万变不离其宗，底层就是这 5 种模式：HTTP API → 官方 SDK → AI 开发框架 → 低代码平台 → AI 编程工具 SDK。搞懂了这些，不管未来出现什么新工具，你都能快速定位它属于哪一层、解决什么问题。

回到开头那个面试场景：如果你能把这 5 种模式的适用场景和优劣讲清楚，面试官大概率会对你刮目相看。想进一步上手实战，可以继续在仓库中阅读 Vibe Coding 项目实战导读 与 AI 编程技术栈速查，从编程语言、前后端框架、数据库到部署上线，把 AI 编程时代的完整技术栈一次补齐。

• 文档
• 教程
• 知识库
• 人工智能