面试官皱眉：“你简历上写精通 AI 开发？” 我自信：“不就是调个接口吗？” 他没绷住笑：“就这？”|ai开发|json|key|python|代码|简历|编程|自然语言|调用

大家好，我是程序员鱼皮。

最近有个学员跟我说，他去面试的时候，面试官问了一个问题：如果让你开发一个 AI 应用，你会怎么做？

他自信满满地回答：那还不简单？调个 API 就行了呗。

面试官追问：就这一种方式？你确定吗？

他直接懵了，场面一度非常尴尬。

其实这个问题很有代表性。很多同学对 AI 应用开发的认知还停留在「调 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，还有一种鲜为人知的隐藏模式，AI 应用开发的模式已经非常丰富了。

今天鱼皮就给大家一次性讲清楚，目前主流的 5 种 AI 应用开发模式 到底是什么、怎么用、各自适合什么场景。每种模式我都会给一段简单的代码示例，帮你快速理解。搞懂这些，不仅面试的时候能应对自如，用 AI 编程做项目的时候也能知道该往技术栈里加什么。

本文内容后续会收录到鱼皮免费开源的，感兴趣的可以直接在线阅读完整版。

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。

这就像打电话给一个专家咨询问题。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。所以这是所有大模型服务商都支持的最基本的调用方式。

无论是国外的 OpenAI 和 Anthropic、国内的 DeepSeek 和通义千问，还是本地用 Ollama 部署的开源模型，甚至是 OpenRouter 这类一个 API Key 就能调用多家模型的聚合平台，都支持通过 HTTP API 来调用。

目前 HTTP API 调用主要有两种协议格式。

1）OpenAI 兼容格式

这套格式最初是 OpenAI 定义的，但因为用的人多，现在已经成了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。

有统一标准的好处是，你写一套调用大模型的代码，只需要换个 API 地址和密钥，就能无缝切换到不同厂商的模型，不用重新适配格式。

举个例子，我用 HTTP 请求工具 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，只需要把 URL 请求地址和 model 模型名称换一下就行，请求格式完全一样。

2）Anthropic Messages API 格式

Anthropic（Claude 模型的开发商）用的是自己独立的一套协议，请求结构和 OpenAI 不太一样。

比如系统提示词是放在顶层的 system 参数里，而不是作为一条消息传入。如果你要调用 Claude 系列模型，就得按它的格式来。

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"}
    ]
  }'

实际开发 AI 应用的时候，你还需要了解请求和响应中各个字段的含义。最核心的是 messages 字段，也就是你跟 AI 的对话消息列表；此外还有 temperature 控制回答的随机性、max_tokens 限制回答长度、响应里的 usage 字段能告诉你这次调用消耗了多少 Token 等等。各家平台一般都会提供详细的 API 文档，照着文档来就行。

大模型的 API 一般会提供两种调用方式。一种是普通请求，一问一答，等 AI 生成完整个回答后一次性返回。另一种是流式请求，如果你想实现一个字一个字往外蹦的打字机效果，就需要用到 SSE（Server-Sent Events） 流式传输协议，让服务端把生成的内容一段一段地推送给你。用法也不复杂，一般只需要在请求参数里把 stream 设置为 true 就行了。

下面我用 Python 写一个流式调用的例子，感受一下打字机效果是怎么实现的：

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())

二、官方 SDK 调用

写过上面那段代码的同学应该能感受到，直接用 HTTP 调用还是挺麻烦的。填写 URL、设置请求头、构造 JSON、解析响应、处理错误码、流式数据逐行解析…… 这些跟你的业务逻辑压根儿没关系，但每一个都得自己处理。

所以各大模型厂商都提供了 SDK（Software Development Kit 软件开发工具包），帮你把这些底层细节封装好了。

如果 HTTP API 是自己拨号打电话，那 SDK 就像装了一个智能通讯 APP。你只管说话，APP 帮你自动拨号、接通、录音、整理成文字，你拿到手的直接就是现成的答案。

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的 SDK，覆盖 Python、Java 等常用语言。

SDK 的本质就是对 HTTP 请求的封装，所以前面提到的 OpenAI 兼容格式在 SDK 层面同样适用。比如 DeepSeek 兼容 OpenAI 的协议，那你直接用 OpenAI 的 SDK，改个参数就能调用 DeepSeek 模型了。

比如我用 OpenAI 的 Python SDK 来调用 GPT 模型，代码如下：

# 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)

不用填写 URL、不用设置请求头、不用手动解析 JSON，几行代码就搞定了。而且 SDK 还内置了错误重试、类型提示、流式处理等功能，让开发效率更高、代码更简洁、系统也更稳定。

如果你用的是 DeepSeek 模型，代码几乎一模一样，只需要改一下 base_url 请求地址和 model 模型名称就行：

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=[...]
)

三、AI 开发框架

SDK 解决了 怎么方便地调模型 的问题，但企业中的 AI 应用远不止调一下模型那么简单。

你可能还需要让 AI 记住之前聊过什么（会话记忆）、让 AI 先去知识库里查资料再回答（RAG 检索增强生成）、让 AI 能调用外部工具比如查天气、搜网页（工具调用）、通过 MCP 协议接入更多外部服务、甚至让多个 AI 协同工作完成复杂任务……

这些能力如果每个都自己从零开始写，工作量巨大。所以就有人在 SDK 的基础上又封装了一层，做成了 AI 开发框架。

打个比方，SDK 相当于给你提供了发动机、轮胎、方向盘这些零件，你得自己一个一个装配；AI 开发框架相当于直接给你一辆半成品车，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。

下面以 Python 和 Java 为例，列举几个主流的 AI 开发框架，之后你在 AI 编程时看到这些技术名词，就不会感到陌生了。

Python 生态中，LangChain 是目前最主流的 AI 应用开发框架，提供了大量集成组件，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，用图的结构来编排复杂的 AI 工作流，适合构建有状态的、需要循环和分支逻辑的 AI 智能体。

举个例子，用 LangChain 调用模型的代码长这样：

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 差不多对吧？

但 LangChain 的价值在于，当你需要加上记忆、工具调用这些高级能力时，只需要几行配置就能搞定，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"""
    returnf"{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 就能主动调用工具去查天气了，你只需要定义好工具函数，LangChain 帮你搞定剩下的。

而且很多其他语言生态的 AI 开发框架，在设计上几乎都参考了 LangChain 的思路，比如 Java 的 LangChain4j、Go 的 LangChainGo，功能上和 Python 版基本对齐，学会一个版本切到其他语言也很容易上手。

Java 生态还有 Spring 官方推出的 Spring AI 以及阿里的 Spring AI Alibaba，深度融入 Spring Boot 生态，适合 Java 后端开发者快速上手。

另外我觉得 Vercel AI SDK 也值得大家关注，它是 TypeScript 生态的 AI 开发框架，提供了 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。

四、低代码 AI 开发平台

框架虽然功能强大，但写代码终归是有门槛的。特别是业务人员或者不太会编程的同学，光是搭个开发环境就够头疼的了。

这时 低代码 AI 开发平台 就派上用场了，不用写代码也能搭出 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，每块积木都是现成的，你只需要决定怎么拼接、拼成什么形状就好了。

Dify 是典型的低代码 AI 开发平台，它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，大概就这么几步：

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

整个过程不需要写一行代码。

类似的平台还有不少，比如字节跳动的 Coze（扣子）也支持可视化搭建 AI 应用，容易上手；阿里云百炼是一站式的大模型应用构建平台，集成了模型调用、智能体编排、知识库管理等能力；还有开源的工作流自动化平台 n8n，擅长做跨系统的 AI 自动化流程。

五、AI 编程工具的 SDK

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。但还有一种很多同学不知道的模式。。。

2026 年，Cursor、Claude Code、GitHub Copilot 等 AI 编程工具纷纷推出了自己的 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 调用时同样能生效。

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 相当于你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。

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

先新建项目文件夹，然后打开终端，在该目录下输入一行命令安装 SDK：

npm install @cursor/sdk

然后登录 Cursor Dashboard，在 Integrations 页面生成一个 API Key 并保存下来，后面代码里需要用它来验证身份。

假设我本地有一个「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。

现在我想让 AI 帮我获取今天的热门选题，并生成一个漂亮的网页报告。

新建一个 JavaScript 文件，比如 main.js，写入以下代码：

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 = [];
forawait (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 = awaitimport("fs");
fs.writeFileSync("agent-output.json", JSON.stringify(events, null, 2));

然后在终端执行：

node main.js

运行后你会在终端看到一连串事件输出，比如 Agent 开始执行。

从日志里可以清晰地看到 Agent 的整个执行过程：它先用 glob 工具扫描了项目目录，然后用 read 工具依次读取了 AGENTS.md 工作流规则和 frontend-design 的 SKILL.md 技能说明，接着通过 shell 工具调用了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，再通过 edit 命令生成了一个近千行代码的 HTML 网页报告。

最后 Agent 还自动打开了浏览器，让你直接查看生成的选题报告。

你会发现，整个过程和在 Cursor 编辑器里跟 AI 对话一模一样。但区别在于，现在你是用代码来调用它的，这意味着你可以把它嵌入到 CI/CD 流水线、自动化脚本、甚至自己的产品里。普通的大模型 SDK 只能帮你生成文本，而 AI 编程工具的 SDK 能帮你直接操作代码库、调用工具、生成文件。

如果只是一次性的简单任务，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() },
  }
);

前面演示的是本地运行模式，Agent 直接在你自己的电脑上跑，适合开发调试。除此之外，Cursor SDK 还支持 Cursor 托管云模式，Cursor 帮你在云端开一台隔离的虚拟机来执行任务，适合同时跑多个 Agent 并行处理；以及自托管云模式，你自己管理服务器，适合企业内部使用。

有了 AI 编程工具的 SDK 后，你甚至可以把 AI 编程工具当成一种开发环境，就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 来调用，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 也提供了类似的能力，用法大同小异。

怎么选择？

讲完了 5 种 AI 应用开发模式，那实际开发的时候到底该选哪种呢？

这里我帮大家做了一个简单的对比：

模式

一句话总结

适合谁

HTTP API

自己拼请求调模型，最底层最灵活

想了解底层原理、或 SDK 不支持的语言