AI для PHP-разработчиков. Часть 7: Экосистема AI-агентов в PHP – от простых вызовов OpenAI до мультиагентных платформ

Это седьмая часть проекта.
Часть 6: Bag of Words и TF–IDF – как компьютер превращает текст в математику ^[1]
Часть 5: От массивов к GPU: как PHP-экосистема приходит к настоящему ML ^[2]
Часть 4: Практическое использование TransformersPHP ^[3]
Часть 3: Практика без Python и data science ^[4]
Часть 2: Собираем простейшую RAG-систему на PHP с Neuron AI за вечер ^[5]
Часть 1: Как я пытался подружить PHP с NER – драма в 5 актах ^[6]

За последние два года в экосистеме PHP вокруг AI-разработки сформировалась целая индустрия. Если раньше интеграция LLM выглядела как несколько строк кода с вызовом OpenAI API, то сегодня разработчики строят полноценные агентные системы: с памятью ^[7], инструментами, workflow, наблюдаемостью (observability) и даже командами специализированных агентов.

Обычно, когда говорят об AI-разработке, в первую очередь говорят о Python. Тут полно интересных вещей, таких как: LangChain, LangGraph, CrewAI, AutoGen – весь основной шум долгое время происходил именно там.

Но параллельно интересная история развивается и в PHP. И меня это, безусловно, очень радует.

Причем если еще пару лет назад PHP-разработчику приходилось буквально собирать все вручную поверх SDK провайдеров, то сегодня уже существует полноценная экосистема инструментов разного уровня абстракции – от клиентов для работы с моделями до платформ управления многоагентными системами.

Давайте посмотрим, как выглядит этот рынок сейчас.

---

От одного запроса к модели до полноценного агента

Исторически все начиналось одинаково.

Практически любой AI-проект выглядел примерно так:

$response = $client->chat()->create([
    'model' => 'gpt-4.5',
    'messages' => [
        [
            'role' => 'user',
            'content' => 'Проанализируй обращение клиента'
        ]
    ]
]);

Для прототипа этого более чем достаточно.

Но как только система начинает приносить реальную пользу бизнесу, появляются дополнительные требования:

• поддержка нескольких моделей

• возможность быстро менять провайдера

• структурированный вывод (structured output)

• вызов внешних инструментов

• хранение памяти

• управление контекстом

• трассировка запросов

• оркестрация нескольких шагов обработки

В какой-то момент оказывается, что собственный код вокруг LLM начинает занимать больше места, чем сама бизнес-логика.

Именно поэтому вокруг PHP начали появляться специализированные библиотеки.

Если сильно упростить, современную экосистему можно разделить на три уровня:

1. AI SDK

2. Agent Frameworks

3. Agent Platforms

Каждый следующий слой берет на себя все больше инфраструктурной работы.

---

Уровень первый: AI SDK

Это фундамент.

AI SDK решают одну задачу: удобно взаимодействовать с моделями.

Они не пытаются управлять агентами и не занимаются workflow. Их ответственность заканчивается на отправке запроса и получении результата.

OpenAI PHP

Репозиторий: https://github.com/openai-php/client ^[8]

Статус: активный

Официальный клиент OpenAI для PHP.

По сути это наиболее прямой способ работать с платформой OpenAI без лишних абстракций – по сути это низкоуровневый SDK.

Через него доступны:

• Responses API

• Chat Completions

• Embeddings

• Audio API

• Image Generation

• Fine-Tuning

• Files API

Типичный пример выглядит максимально прямолинейно:

$response = $client->responses()->create([
    'model' => 'gpt-4.5',
    'input' => 'Сделай краткое резюме обращения клиента'
]);

echo $response->outputText;

Преимущество такого подхода очевидно – полный контроль.

Недостаток тоже.

Как только появляется необходимость поддерживать несколько моделей или провайдеров, разработчику приходится самостоятельно строить все необходимые абстракции.

Prism

Репозиторий: https://github.com/prism-php/prism ^[9]

Статус: активный

Если OpenAI PHP решает задачу доступа к одной платформе, то Prism появился для другой цели – дать единый интерфейс для работы с разными провайдерами. Это уже мультипровайдерный AI SDK.

Идея довольно простая: бизнес-логика не должна зависеть от конкретной модели.

Сегодня используется GPT, завтра Claude, через месяц Gemini – приложение не должно замечать разницы.

Пример:

Prism::text()
    ->using('openai', 'gpt-5')
    ->withPrompt('Привет')
    ->generate();

Заменить модель можно буквально одной строкой:

Prism::text()
    ->using('anthropic', 'claude')
    ->withPrompt('Привет')
    ->generate();

Особенно полезным Prism становится благодаря дополнительным возможностям:

Structured Output

Вместо парсинга свободного текста можно заранее описать ожидаемую структуру результата.

Например:

class SentimentResult
{
    public string $sentiment;
    public int $score;
}

После этого модель будет возвращать строго определенный формат данных.

Для production-систем это намного надежнее, чем регулярные выражения поверх текста.

Tools

Prism поддерживает вызов инструментов.

То есть модель может самостоятельно решить, когда ей необходимо обратиться к CRM, базе данных или внешнему API.

Фактически именно отсюда начинается переход от “чат-ботов” к “агентам”.

Embeddings

Практически любой современный RAG-проект рано или поздно использует embeddings.

Prism позволяет получать их через единый интерфейс независимо от выбранного провайдера.

Laravel AI

Репозиторий: https://github.com/laravel/ai ^[10]

Статус: активный

Пожалуй, самый интересный игрок последних месяцев.

Laravel AI пытается сделать для искусственного интеллекта ^[11] то же самое, что Laravel сделал для работы с БД, очередями и инфраструктурой.

Главная идея здесь не в поддержке моделей.

Главная идея – сделать AI естественной частью Laravel-приложения.

Код выглядит максимально привычно:

$response = AI::chat()
    ->model('gpt-5')
    ->prompt('Сделай краткое резюме обращения клиента')
    ->send();

Но настоящая ценность проявляется глубже.

AI автоматически интегрируется с:

• очередями

• событиями

• сервис-контейнером

• логированием

• конфигурацией

• планировщик (scheduler)

В результате LLM начинает восприниматься как еще одна инфраструктурная зависимость приложения – примерно на том же уровне, что Redis или PostgreSQL.

---

Уровень второй: Agent Frameworks

И вот здесь начинается самое интересное.

Потому что запрос к модели – это еще не агент.

Представим систему поддержки клиентов.

Приходит сообщение:

Я уже три раза писал вам по поводу возврата денег. Никто не отвечает.

Что нужно сделать дальше?

На практике обычно требуется:

• определить тональность

• оценить срочность

• найти информацию о клиенте

• проверить историю обращений

• подготовить ответ

• сохранить результат

• записать все действия в логи

Можно написать десятки сервисов вручную.

А можно использовать агентный фреймворк.

Neuron AI

Репозиторий: https://github.com/neuron-core/neuron-ai ^[12]

Статус: активный

Сегодня это один из наиболее зрелых агентных фреймворков в PHP.

Подход здесь уже совсем другой.

Разработчик описывает не запрос, а агента:

$agent = Agent::make()
    ->name('SupportAgent')
    ->instructions('Ты специалист службы поддержки');

После чего агент получает задачу:

$result = $agent->run(
    'Проанализируй письмо клиента'
);

На первый взгляд выглядит просто.

Но внутри появляется целая инфраструктура:

• память

• workflow

• инструменты

• RAG

• многоагентные системы

• observability

• и т.д.

По философии проект удивительно напоминает LangGraph из Python-мира.

Почему память стала критически важной

Обычный LLM работает по схеме:

Запрос → Ответ

Агент работает иначе:

Запрос
 ↓
Память
 ↓
Инструменты
 ↓
LLM
 ↓
Результат

Именно память позволяет агенту учитывать предыдущие действия и накопленный контекст.

Без нее невозможно построить долгоживущие бизнес-процессы.

Многоагентность

Еще одна тенденция последних месяцев – отказ от универсальных агентов.

Все чаще используются специализированные роли:

Coordinator
   |
   +-- CRM Agent
   |
   +-- Sentiment Agent
   |
   +-- Reply Agent

Подход очень напоминает структуру реальной команды.

Каждый агент отвечает за собственную область ответственности.

LarAgent

Репозиторий: https://github.com/maestroerror/laragent ^[13]

Статус: активный

Если Neuron AI старается быть универсальным агентным фреймворком, то LarAgent ориентирован прежде всего на Laravel-разработчиков.

Здесь чувствуется привычная философия Laravel:

class SupportAgent extends Agent
{
    protected string $instructions = 'You are a support specialist';
}

Минимум инфраструктурного кода и максимальная интеграция с экосистемой Laravel.

Для многих команд это может оказаться самым быстрым способом начать работать с агентами.

PapiAI

Репозиторий: https://github.com/papi-ai/papi-core ^[14]

Статус: активный

Относительно молодой проект, который делает ставку на строгую типизацию и провайдер-независимый подход.

Если смотреть на архитектуру, то PapiAI выглядит как попытка перенести современные практики PHP-разработки в мир AI.

Основные акценты:

• типы

• контракты

• middleware

• инструменты

• структурированные ответы

Интересно наблюдать, как AI-инструменты постепенно начинают наследовать архитектурные принципы традиционных PHP-фреймворков.

Atlas

Репозиторий: https://github.com/atlas-php/atlas ^[15]

Статус: активный

Еще один представитель нового поколения агентных решений.

Проект создается уже с учетом современных требований:

• голосовые интерфейсы

• мультимодальность

• агенты

• инструменты

• трассировка

• мониторинг

Пока Atlas нельзя назвать зрелым игроком рынка, но он хорошо показывает направление, в котором движется экосистема.

---

Уровень третий: Agent Platforms

На определенном масштабе возникает новая проблема.

Сложность начинает заключаться уже не в создании агента.

Сложность заключается в управлении десятками агентов.

Появляются вопросы:

• кто отвечает за маршрутизацию задач

• как отслеживать качество ответов;

• как тестировать изменения

• как управлять памятью

• как понимать причины ошибок

Именно здесь появляются Agent Platforms.

PromptlyAgent

Репозиторий: https://github.com/promptlyagentai/promptlyagent ^[16]

Статус: активный

Проект ориентирован на построение сложных агентных экосистем.

Основной акцент делается на:

• визуальную оркестрацию

• многоагентные процессы

• интеграцию инструментов

• управление агентами

По сути это переход от программирования отдельных компонентов к управлению целой AI-инфраструктурой.

Vizra ADK

Репозиторий: https://github.com/vizra-ai/vizra-adk ^[17]

Статус: активный

Еще один интересный проект из Laravel-мира.

Он закрывает практически полный жизненный цикл агента:

• разработку

• тестирование

• память

• workflow

• observability

• взаимодействие подагентов

Если смотреть на тренды индустрии, именно подобные решения постепенно становятся новым уровнем абстракции.

Куда движется рынок

Любопытно, что PHP сегодня проходит практически тот же путь, который Python прошел несколько лет назад.

Эволюция ^[18] выглядит следующим образом:

Сначала все начинают с простого запроса к модели.

Prism::text()
    ->using('anthropic', 'claude')
    ->withPrompt('Привет')
    ->generate();

Потом появляются инструменты.

Затем память.

Потом workflow.

После этого неизбежно возникают специализированные агенты.

А затем приходит понимание, что всем этим хозяйством нужно как-то управлять.

Именно поэтому сейчас наиболее активно развиваются не SDK, а платформы оркестрации и управления агентами.

---

Вывод

Несколько лет назад разговор об AI в PHP обычно заканчивался обсуждением того, какой HTTP-клиент использовать для вызова OpenAI.

Сегодня ситуация выглядит совершенно иначе.

В экосистеме уже есть решения практически для любого уровня сложности:

• OpenAI PHP и Prism – для работы с моделями

• Laravel AI – для глубокой интеграции AI в Laravel-приложения

• Neuron AI, LarAgent, PapiAI и Atlas – для создания агентов

• PromptlyAgent и Vizra ADK – для управления сложными агентными системами.

И, похоже, это только начало.

Если раньше разработчики проектировали API, сервисы и очереди, то в ближайшие годы все чаще придется проектировать агентов, их память, инструменты и способы взаимодействия между ними.

И уже ясно, что отдельный вызов модели постепенно становится новой функцией, а агент – новым сервисом.

Поэтому понимание возможностей экосистемы PHP становится важным навыком для любого бэкенд-инженера, который планирует создавать AI-продукты следующего поколения.

А Вы готовы к этому?

Если вам интересна тема AI в PHP, можно глубже погрузиться в неё в моей бесплатной книге: “AI для PHP-разработчиков: интуитивно и на практике ^[19]“.

А чтобы лучше понять, как всё работает, – попробуйте интерактивные онлайн-примеры ^[20] и поэкспериментируйте с кодом самостоятельно.