为什么选择 Halo？

Halo 与其他构建 AI Agent 的方法对比。

Halo vs 裸调 API

// ❌ 裸调 API：手动管理缓存、手写循环、无追踪
const messages = [{ role: "system", content: "你是..." }, ...history];
const res = await fetch("https://api.deepseek.com/chat/completions", {
  body: JSON.stringify({ messages, tools }),
});
// 缓存是否生效？不知道。
// 返回了工具调用？需要自己写循环。
// 成本追踪？手动从 usage 字段算。

// ✅ Halo：自动缓存、Agent 循环、追踪统计
const agent = halo.agent({ system: "你是...", tools: { ... } });
const result = await agent.run("执行任务");
console.log(agent.stats.caching?.cacheHitRate); // 0.92

Halo vs Vercel AI SDK

	Halo	Vercel AI SDK
定位	缓存优先的 Agent 运行时	提供商无关的 LLM 工具包
缓存	内置 StablePrefix，自动管理	通过选项手动配置
Agent 循环	agent.run() 自动执行工具	手动处理 maxSteps + tools
成本追踪	agent.stats.caching 内置	手动计算
提供商模型	带缓存策略的适配器	提供商包
SSE 协议	通过 toDataStream() 兼容	原生 0:/d: 协议
适用场景	Agent 密集、成本敏感、多轮对话	通用 LLM 应用、广泛的提供商支持

两者互补——Halo 的 toDataStream() 使其与 Vercel AI SDK 的 useChat() 兼容。

Halo vs LangChain

	Halo	LangChain
理念	极简、缓存优先	最大化、抽象优先
体积	每包约 5KB	500KB+
缓存	自动前缀缓存	手动 LCEL 缓存
学习曲线	约 5 分钟	数小时到数天

何时选择 Halo

• 构建带工具调用的多轮 Agent
• 关心 token 成本，需要自动节省追踪
• 使用 DeepSeek（或计划支持多个提供商）
• 想要最小、可审计的代码（core 包零外部依赖）
• 部署到生产环境，需要 keep-alive、stats 和错误事件

何时不选 Halo

• 需要结构化输出（JSON 模式、对象生成）——使用 Vercel AI SDK
• 需要嵌入、图像生成或语音——直接使用提供商 SDK
• 做单次提示词，无对话——裸调 API 即可