vercel/ai 是 Vercel 維護的開源 AI SDK。
它的定位很明確：為 TypeScript 開發者提供一套統一工具，用來構建 AI 應用和 AI Agent。它來自 Next.js 背後的團隊，但並不只服務於 Next.js，也支援 React、Svelte、Vue、Angular 等 UI 框架，以及 Node.js 等執行環境。
專案地址：https://github.com/vercel/ai
如果你正在做聊天應用、AI 寫作工具、RAG 應用、帶工具呼叫的 Agent、串流輸出介面，或者想把多個模型供應商接到同一個應用裡，Vercel AI SDK 是一個值得關注的基礎庫。
它解決的核心問題
現在做 AI 應用，最大的麻煩之一不是「能不能呼叫模型」，而是不同模型供應商的介面、串流輸出、工具呼叫、錯誤處理和前端狀態管理都不一樣。
例如：
- OpenAI 有自己的 SDK 和回應格式。
- Anthropic 有自己的訊息結構。
- Google、xAI、Mistral、DeepSeek、Groq 等也各有差異。
- 串流輸出需要處理 chunk。
- 工具呼叫需要處理模型發起的結構化請求。
- 前端聊天 UI 還要管理訊息、載入狀態、取消、重試和錯誤顯示。
如果每個供應商都手寫一套適配層，專案會很快變複雜。
Vercel AI SDK 的思路是把這些差異收斂到統一 API 後面。開發者用一套介面寫應用，再透過 Provider 接入不同模型。
統一 Provider 架構
Vercel AI SDK 的一個核心特點，是 provider-agnostic，也就是不綁定單一模型廠商。
它可以透過統一 API 存取 OpenAI、Anthropic、Google 等模型提供方。專案 README 還提到，預設情況下 AI SDK 會使用 Vercel AI Gateway，讓開發者更容易存取多個主流 provider。
這對工程專案很實用。
因為很多 AI 產品最終都不會只依賴一個模型：
- 有的任務適合強推理模型。
- 有的任務適合便宜快速模型。
- 有的任務需要多模態。
- 有的任務需要長上下文。
- 有的任務需要本地或私有部署模型。
統一 Provider 架構讓應用更容易做模型切換、灰度測試、成本控制和備援方案。
串流輸出是前端體驗的關鍵
AI 應用和傳統 API 最大的體驗差異之一，是回應可能很長。
如果使用者每次都要等完整回答返回，聊天工具、寫作工具和程式碼助手會顯得很慢。串流輸出可以讓文字逐步顯示，使用者更早看到結果。
Vercel AI SDK 對串流生成做了比較完整的封裝。開發者不需要從零處理底層事件流，而是可以使用 SDK 提供的生成和串流介面，把模型輸出接到前端 UI。
這對 Next.js / React 應用尤其方便。
一個 AI 聊天介面看起來簡單，但實際要處理：
- 訊息列表。
- 使用者輸入。
- 伺服器請求。
- 串流 token 顯示。
- 載入狀態。
- 錯誤狀態。
- 中止生成。
- 重新生成。
這些都是 AI SDK 試圖幫開發者減少重複勞動的地方。
工具呼叫和 Agent 場景
隨著 AI 應用從「聊天」走向「做事」，工具呼叫變得越來越重要。
模型不只是輸出自然語言，還可能需要呼叫外部函式：
- 查資料庫。
- 搜尋文件。
- 呼叫業務 API。
- 讀取訂單狀態。
- 生成圖表。
- 建立日曆事件。
- 修改專案檔案。
Vercel AI SDK 支援工具呼叫相關能力，讓開發者可以定義工具、參數和執行邏輯，再讓模型在合適時機請求呼叫。
這也是它從「聊天 UI SDK」擴展到「AI 應用和 Agent 工具包」的關鍵。
不過，工具呼叫不是加上去就萬事大吉。真實專案還要考慮：
- 參數校驗。
- 權限邊界。
- 工具呼叫日誌。
- 冪等性。
- 超時和重試。
- 人工確認。
- 敏感操作限制。
AI SDK 可以幫助處理介面和流程，但安全邊界仍然需要開發者自己設計。
UI 整合能力
Vercel AI SDK 對前端框架比較友好。
它不僅提供核心生成 API，也圍繞聊天、補全、訊息狀態和串流 UI 做了封裝。對於使用 Next.js 和 React 的團隊來說，這能減少很多樣板程式碼。
但它並不只適合 Vercel 部署。
如果你的專案本身是 TypeScript 技術棧，或者後端執行在 Node.js 環境，AI SDK 仍然可以作為模型呼叫和串流處理層來使用。是否部署在 Vercel，取決於你的應用架構、團隊習慣和基礎設施選擇。
Skill for Coding Agents
vercel/ai README 裡還有一個有趣的建議：如果你使用 Claude Code、Cursor 等 coding agent，可以把 AI SDK skill 加到倉庫裡。
範例命令是：
|
|
這說明 Vercel 已經意識到，AI SDK 的使用者不只是人類開發者，也包括 coding agent。
當 agent 修改使用 AI SDK 的專案時，如果倉庫裡有專門的 skill，它可以更好地理解 SDK 約定、常見 API、專案結構和最佳實踐，減少亂寫程式碼的機率。
這個方向很值得注意。
未來開源專案可能不只提供 README 和 docs，還會提供給 AI coding agent 使用的結構化技能說明。對複雜 SDK 來說，這會變成新的開發者體驗入口。
適合哪些專案
Vercel AI SDK 適合這幾類場景：
- 基於 Next.js / React 的 AI 聊天應用。
- 需要串流輸出的寫作、問答、客服和程式碼助手。
- 需要接入多個模型 provider 的 AI 產品。
- 想快速構建 RAG 或文件問答原型的團隊。
- 需要工具呼叫、函式呼叫或輕量 Agent 能力的應用。
- 已經使用 TypeScript / Node.js 技術棧的團隊。
它尤其適合前端和全端開發者。因為很多 AI 應用的難點不只是模型呼叫，而是如何把模型輸出變成穩定、流暢、可互動的產品體驗。
不適合什麼場景
如果你的專案主要是 Python 後端、深度學習訓練、模型微調或底層推理服務，Vercel AI SDK 可能不是核心工具。
它更偏應用層，而不是模型訓練框架。
如果你需要的是：
- 自己訓練模型。
- 管理 GPU 推理叢集。
- 做底層 batch inference。
- 深度控制 tokenizer、KV cache、量化和推理引擎。
那更應該看 PyTorch、vLLM、SGLang、TensorRT-LLM、llama.cpp 或雲端廠商推理服務。
Vercel AI SDK 更像「把模型能力接進產品」的應用開發層。
使用時要注意什麼
第一，不要把統一 API 理解成完全無差異。
不同模型 provider 的能力、上下文長度、工具呼叫格式、串流細節、錯誤類型和計費方式仍然不同。統一 SDK 能減少工程摩擦，但不能消除模型差異。
第二，要控制成本。
AI 應用一旦上線，串流聊天、重試、工具呼叫、RAG 檢索和多模型 fallback 都可能增加呼叫成本。需要做限流、快取、日誌和預算監控。
第三，要處理安全邊界。
如果模型能呼叫工具，就必須限制工具能做什麼。不要讓模型直接執行高風險操作，也不要把密鑰、資料庫寫入權限和生產環境操作裸露給模型。
第四，要保留可觀測性。
AI 應用出問題時，不能只看前端錯誤。你需要知道使用者輸入、模型選擇、工具呼叫、回應時間、token 消耗、錯誤類型和最終輸出。
小結
vercel/ai 不是一個新的模型，也不是單純的聊天元件。
它更像 TypeScript AI 應用開發的基礎設施：統一 Provider、串流輸出、工具呼叫、前端狀態管理和 agent 場景，都被放進一個開源 SDK 裡。
對已經使用 Next.js、React、TypeScript、Node.js 的團隊來說，它可以顯著降低從「模型 API 能跑」到「產品體驗可用」的工程成本。
但它也不是萬能層。模型選擇、權限設計、成本控制、日誌監控和業務安全，仍然需要開發者自己負責。
如果你想做 AI 應用，而不是訓練模型，Vercel AI SDK 是一個值得先試的工具包。