本文为微信公众号 敏叔的技术札记 原创文章，版权归 敏叔的技术札记 所有。
如需转载或引用本文内容，请务必注明原文出处、作者以及原文链接。
欢迎关注我的微信公众号 「敏叔的技术札记」，获取最新技术分享与深度解析。
对于任何未注明来源的转载、摘编、修改或商业使用行为，本人保留追究法律责任的权利。
前言
最近在搞AI应用开发，发现市面上框架是真不少，一开始我也懵，到底用哪个好呢？
我用下来之后发现，LangChain、Semantic Kernel、DSPy这三个是现在最火的，但各有各的脾气。今天就跟大家唠唠我的实际使用体验，不整那些虚的，直接上干货。
环境准备
先不说框架，环境得先搭好。这三个都是Python的，所以虚拟环境走起：
python3 -m venv ai-frameworks
source ai-frameworks/bin/activate
附赠安装小技巧，国内用阿里云镜像，速度飞起：
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/
框架一：LangChain - 老大哥也有烦恼
安装
pip install langchain langchain-openai
LangChain算是这里面资格最老的，生态也最全。我用下来发现最大的好处就是文档多、例子多，新手友好。
基本使用
from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
# 初始化模型
llm = ChatOpenAI(
api_key="your-api-key",
base_url="https://api.openai.com/v1",
model="gpt-4"
)
# 创建提示模板
prompt = ChatPromptTemplate.from_template("请用{language}写一个{function}函数")
# 链式调用
chain = prompt | llm
result = chain.invoke({"language": "Python", "function": "快速排序"})
print(result.content)
踩坑经验
-
版本兼容性：LangChain更新太快，有时候今天能跑的代码明天就报错。建议锁定版本：
pip install langchain==0.1.0 -
内存泄漏：长时间运行要注意，特别是用
ConversationBufferMemory的时候，记得定期清理。 -
国内网络问题：调用OpenAI API需要科学上网，不然干瞪眼。
框架二：Semantic Kernel - 微软的亲儿子
安装
pip install semantic-kernel
这是微软出的，跟Azure集成得特别好。我发现它最大的特点是“插件化”设计，用起来很灵活。
基本使用
import semantic_kernel as sk
from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion
# 创建内核
kernel = sk.Kernel()
# 添加服务
api_key = "your-api-key"
kernel.add_chat_service(
"chat_completion",
OpenAIChatCompletion("gpt-4", api_key)
)
# 定义技能（其实就是函数）
sk_prompt = """
请用{{$language}}写一个{{$function}}函数
要求：{{$requirement}}
"""
summarize_function = kernel.create_semantic_function(
sk_prompt,
max_tokens=1000,
temperature=0.7
)
# 执行
context = kernel.create_new_context()
context["language"] = "Python"
context["function"] = "二分查找"
context["requirement"] = "要有详细注释"
result = await summarize_function.invoke_async(context=context)
print(result.result)
实用技巧
-
本地技能：可以写Python函数当技能用，这个很实用：
@sk_function( description="计算两个数的和", name="add_numbers" ) def add_numbers(context: SKContext) -> str: num1 = float(context["num1"]) num2 = float(context["num2"]) return str(num1 + num2) kernel.import_skill(MySkills(), "math") -
规划器：这个功能很强，能让AI自己规划任务步骤，但配置有点复杂，需要多调试。
-
配置文件：建议用
config.json管理配置，别硬编码在代码里。
框架三：DSPy - 学术派的新贵
安装
pip install dspy-ai
这是斯坦福搞出来的，理念很新。最大的特点是“用程序优化提示”，不用手动调prompt了，这个我试了确实香！
基本使用
import dspy
from dspy.datasets.gsm8k import GSM8K
# 配置LM
lm = dspy.OpenAI(model='gpt-4', api_key='your-api-key')
dspy.configure(lm=lm)
# 加载数据
gsm8k = GSM8K()
trainset, devset = gsm8k.train, gsm8k.dev
# 定义签名（相当于接口）
class CoT(dspy.Module):
def __init__(self):
super().__init__()
self.prog = dspy.ChainOfThought("question -> answer")
def forward(self, question):
return self.prog(question=question)
# 训练优化器
from dspy.teleprompt import BootstrapFewShot
teleprompter = BootstrapFewShot(metric=gsm8k.metric)
compiled_cot = teleprompter.compile(CoT(), trainset=trainset[:10])
# 使用
question = "小明有5个苹果，吃了2个，又买了3个，现在有几个？"
pred = compiled_cot(question=question)
print(f"答案: {pred.answer}")
print(f"推理过程: {pred.rationale}")
发现的问题
-
学习曲线陡：概念比较新，得花时间理解“签名”、“优化器”这些。
-
数据依赖：需要训练数据来优化，如果没数据就白搭。
-
资源消耗：优化过程比较吃算力，本地跑慢。
对比总结
我做了个表格，大家一眼就能看清楚：
| 特性 | LangChain | Semantic Kernel | DSPy | | --- | --- | --- | --- | | 上手难度 | 容易 | 中等 | 较难 | | 生态丰富度 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | | 代码可读性 | 较好 | 好 | 一般 | | 提示优化 | 手动 | 半自动 | 自动 | | 企业级支持 | 好 | 非常好（微软） | 一般 | | 学习资料 | 极多 | 较多 | 较少 |
我的选择建议
场景一：快速原型开发
选LangChain，别犹豫。文档多、例子多，Stack Overflow上一堆答案，遇到问题好解决。
场景二：企业级应用，用Azure
选Semantic Kernel，跟微软全家桶集成得那叫一个丝滑，权限管理、监控啥的都现成的。
场景三：追求效果，有数据
选DSPy，特别是那种对输出质量要求高的场景。自动优化prompt真的能提升效果，我测试能提升10%-20%。
场景四：新手入门
还是LangChain，先把这个玩明白了，再去看别的。不然容易从入门到放弃。
后记
实际用下来，我发现没有哪个框架是完美的。
-
LangChain像是个啥都有的工具箱，但有点杂乱。
-
Semantic Kernel设计很工整，但不够灵活。
-
DSPy理念先进，但还不够成熟。
我的做法是：混着用。用LangChain搭基础架构，复杂逻辑用Semantic Kernel的规划器，关键模块用DSPy优化。
最后提醒一句：不管用哪个，一定要写测试！！AI应用的不确定性太大，没测试上线就是找骂。
祝各位开发顺利，少踩坑，多产出！
