Die Karte des AI-Ökosystems von Laravel: Prism, LarAgent, Neuron AI und Boost

Wenn man bei Packagist nach „laravel ai“ sucht, ergibt sich eine überwältigende Liste. Im letzten Jahr sind Dutzende von Paketen aufgetaucht, von denen jedes behauptet, der einfachste Weg zu AI-Agenten in Laravel zu sein. Die Namen verschwimmen miteinander und die READMEs klingen alle überzeugend, doch nach dem Installieren einiger dieser Pakete stellt sich heraus, dass sie ganz unterschiedliche Probleme lösen.

Viele Entwickler haben dadurch Schaden genommen. Jemand möchte beispielsweise eine einfache Funktion zur Textzusammenfassung und installiert am Ende ein ganzes Agent-Framework mit Speichermanagement, Toolaufrufen und mehrstufiger Orchestrierung, die für diese Funktion überhaupt nicht notwendig sind. Das Ergebnis ist eine Menge unnötigen Code sowie eine Einrichtung, die länger dauert als die Funktion selbst.

Im Folgenden werden die drei wichtigsten Akteure im Agent-Ökosystem von Laravel vorgestellt: Prism, LarAgent und Neuron AI. Zudem werden zwei oft verwechselte Begriffe erläutert – das Laravel AI SDK und Laravel Boost – und abschließend ein praktisches Beispiel gezeigt: ein Assistent, der Fragen aus internen Unternehmensdokumenten beantwortet.

Von einfachen API-Aufrufen zu einem Ökosystem

Vor ein paar Jahren gab es nur einen Weg, KI in eine Laravel-Anwendung einzubinden: Man nutzte den HTTP-Client, sendete manuell Daten an den OpenAI-Endpunkt und parsete das JSON selbst. Der Wechsel zu Anthropic am nächsten Tag bedeutete, diesen Code neu zu schreiben.

Das Bild hat sich nun geändert. Laut Berichten hat das Laravel-Core-Team Anfang 2026 ein offizielles AI-SDK veröffentlicht, das zusammen mit Boost- und MCP-Unterstützung als Teil eines umfassenderen Laravel-AI-Systems bereitgestellt wird. Mehr Auswahl führt zu mehr Entscheidungsmüdigkeit, weshalb ein klares mentales Modell wichtig ist: Wann ist ein Agent-Framework notwendig – und wann reicht das einfachste Tool aus?

Auch das Ökosystem entwickelt sich rasant. Ein Paket, das diesen Monat beliebt ist, könnte in sechs Monaten stagnieren, während ein anderes zur Favoritin der Community wird. Anstatt sich Namen einzuprägen, sollte man die Kategorie des Problems lernen, das jedes Tool löst. Wenn man die Kategorie richtig erkennt, fällt es leicht, ein Tool auszuwählen – selbst wenn im nächsten Monat ein neues auftaucht.

LLM aufrufen versus Agent verwenden

Der größte Teil der Verwirrung entsteht hier. Viele Entwickler gehen davon aus, dass der Einsatz von KI auch den Einsatz eines Agents bedeutet, doch beide befinden sich auf völlig unterschiedlichen Komplexitätsniveaus.

• Das Aufrufen eines LLM ist einfach: ein Prompt eingeben, eine Antwort erhalten. Man kann sich dabei vorstellen, eine Produktbeschreibung zu erstellen oder einen Artikel in drei Sätzen zusammenzufassen. Der Austausch verläuft in eine Richtung, und unterwegs werden keine Entscheidungen getroffen.
• Ein Agent handelt in mehreren Schritten. Er entscheidet, wann ein Tool aufgerufen werden soll, wann eine Nachfrage gestellt werden muss, wann Daten aus einer Datenbank abgerufen werden sollten, bevor er antwortet, und wann die Aufgabe erledigt ist. Es handelt sich dabei um einen Entscheidungszyklus und nicht um einen einzigen Anfrage-Antwort-Zyklus.

Falls es sich um den ersten Fall handelt, ist die Verwendung eines Agent-Frameworks wie das Mieten eines Frachtcontainers, um eine Woche Lebensmittel zu transportieren. Es funktioniert zwar, ist aber eine Verschwendung von Ressourcen – genau hier kommt Prism ins Spiel.

Prism: die Grundschicht zum Kommunizieren mit einem LLM

Prism ist das Leichteste der drei. Es handelt sich dabei ausschließlich um eine Abstraktionsschicht. Sie schreiben den Code einmal und wechseln die Anbieter – sei es OpenAI, Anthropic, Gemini, Mistral, Ollama oder andere – ohne die Struktur Ihres Codes zu ändern. Die grundlegende Textgenerierung sieht so aus:

use Prism\Prism\Facades\Prism;
use Prism\Prism\Enums\Provider;

$response = Prism::text()
    ->using(Provider::Anthropic, 'claude-3-7-sonnet-latest')
    ->withSystemPrompt('You are an assistant who explains technical terms in plain language.')
    ->withPrompt('Explain what dependency injection is.')
    ->asText();

echo $response->text;

Ihre angenehme Eigenschaft ist eine einheitliche Schnittstelle bei verschiedenen Anbietern. Der Wechsel von Anthropic zu OpenAI bedeutet lediglich eine Änderung der using()-Anweisung und nichts weiter. Zudem umfasst sie strukturierte Ausgaben, grundlegende Aufrufe von Tools sowie Eingaben in Form von Bildern und Dokumenten.

Achten Sie jedoch auf ihre Grenzen. Prism ist nicht dafür gedacht, langlaufende Zustände oder autonome, mehrstufige Workflows zu verwalten. Wenn Sie eine KI möchten, die lebendig wirkt, über Gedächtnis verfügt und in der Lage ist, in einer Abfolge von Entscheidungen zu handeln, reicht Prism allein nicht aus. Dafür kommt LarAgent ins Spiel.

LarAgent: Agenten, die wie Eloquent-Modelle konstruiert sind

LarAgent verfolgt einen Ansatz, der Laravel-Entwicklern sofort vertraut vorkommt: Sie definieren einen Agenten ähnlich wie ein Eloquent-Modell. Es gibt einen artisan-Befehl, eine Klassengestalt sowie Konfigurationen mit einem deutlich erkennbaren Laravel-Stil.

namespace App\AiAgents;

use LarAgent\Agent;
use LarAgent\Attributes\Tool;

class SupportAgent extends Agent
{
    protected $model = 'gpt-4o';
    protected $history = 'in_memory';
    protected $provider = 'default';

    public function instructions()
    {
        return 'You are a support agent that helps users track their order status.';
    }

    #[Tool('Get order status by invoice number')]
    public function getOrderStatus($invoiceNumber)
    {
        return Order::where('invoice', $invoiceNumber)->first()?->status ?? 'Order not found';
    }
}

Danach kann der Agent für einen bestimmten Benutzer aufgerufen werden, wobei die Konversationsgeschichte automatisch gespeichert wird:

use App\AiAgents\SupportAgent;

SupportAgent::forUser(auth()->user())->respond($userMessage);

Vergleichen Sie dies mit Prism. Hier wird ein Tool über das #[Tool]-Attribut registriert, und der Agent entscheidet selbst, wann er es aufgrund dessen, was der Benutzer sagt, aufruft. Das ist das zuvor beschriebene Agentverhalten – eine Entscheidungsschicht im Hintergrund und keine einzige Austauschhandlung.

LarAgent eignet sich gut, wenn ein Agent eine klare Identität benötigt, die mit einer bestimmten Funktion verbunden ist, wie z. B. Kundenservice, ein Assistent für Dateneingabe oder ein interner Helfer, den derselbe Benutzer wiederholt mit Kontext anruft, der beibehalten werden muss. Die Historie wird pro Benutzer verarbeitet, sodass es kein zu entwerfendes Schema gibt. Sie wählen einen Historie-Driver wie Speicher oder Cache aus, und LarAgent erledigt den Rest. Für kleine Teams, die eine Agentfunktion schnell ohne umfangreiche Konfiguration bereitstellen müssen, ist das ein echter Vorteil.

Neuron AI: für Anwendungen über einen einzelnen Agent hinaus

Wenn ein Projekt so anwächst, dass es RAG in Produktionsqualität, mehrere zusammenarbeitende Agenten oder detaillierte Einblicke in jede von einem Agenten ausgeführte Schritt benötigt, ist Neuron AI eine Überlegung wert.

Es ist nicht speziell für Laravel entwickelt. Es handelt sich um ein reines PHP-Agenten-Framework, das problemlos in ein Laravel-Projekt integriert werden kann. Seine Architektur erinnert an ein echtes Framework: ein SystemPrompt-Objekt, das die Anweisungen strukturiert, RAG wird durch seine RAG-Klasse abgewickelt, Vektorlagern, die von einfachen In-Memory-Lagern bis hin zu Pinecone und Elasticsearch reichen, sowie ein Inspector zur Überwachung, der eine Echtzeit-Ansicht dessen zeigt, was der Agent gerade tut. Eine einfache Definition eines Agenten:

namespace App\Neuron;

use NeuronAI\Agent;
use NeuronAI\SystemPrompt;
use NeuronAI\Providers\AIProviderInterface;
use NeuronAI\Providers\Anthropic\Anthropic;

class DataAnalystAgent extends Agent
{
    protected function provider(): AIProviderInterface
    {
        return new Anthropic(
            key: env('ANTHROPIC_API_KEY'),
            model: 'claude-3-7-sonnet-latest',
        );
    }

    public function instructions(): string
    {
        return (string) new SystemPrompt(
            background: ['You are a data analyst helping the marketing team understand sales trends.'],
            steps: [
                'Fetch sales data using the available tool.',
                'Analyze the trends and patterns that emerge.',
                'Communicate the insight in plain, easy-to-understand language.',
            ],
        );
    }
}

Sehen Sie, wie viel ausführlicher dies im Vergleich zu LarAgent ist. Der Systemprompt trennt klar zwischen Background, Schritten und Ausgabe – und das ist beabsichtigt. Neuron AI ist für Fälle gedacht, in denen die Komplexität bereits gestiegen ist und eine klare Struktur erforderlich ist, damit der Agent während des Prozesses nicht vom Kurs abkommt.

Laravel AI SDK und Laravel Boost: ein häufiger Verwechslungsfall

Viele Entwickler betrachten diese als zwei Bezeichnungen für dasselbe. Sie lösen völlig unterschiedliche Probleme, und das Laravel-Team hat angeblich einen speziellen Beitrag veröffentlicht, um diese Verwirrung aufzuklären.

• The Laravel AI SDK (laravel/ai) ist das offizielle SDK des Kernteams. Seine Aufgabe besteht darin, KI-Funktionen in Ihre Anwendung zu integrieren, wobei eine einheitliche API Texte, strukturierte Ausgaben, Bilder, Audio und Embeddings abdeckt. Es basiert auf Prism, sodass Personen, die mit Prism vertraut sind, einen einfachen Übergang haben. Zudem bietet das offizielle Paket Fake-Daten für Tests, in der Warteschlange wartende Hintergrundaufgaben sowie einen automatischen Failover zwischen Anbietern.
• Laravel Boost ist etwas völlig anderes. Es handelt sich um einen MCP-Server, der in Ihrer Entwicklungsumgebung läuft und KI-Code-Assistenten wie Claude Code oder Cursor dabei hilft, Laravel-Code zu schreiben, der besser den Konventionen des Frameworks folgt. Boost berührt niemals die Produktionsanwendung. Es handelt sich um eine ausschließlich für die Entwicklung bestimmte Abhängigkeit, die während des Programmierens aktiv ist, und ist kein Bestandteil der KI-Funktionen, die Ihre Endbenutzer nutzen.

Einfach ausgedrückt hilft das AI SDK dabei, KI-Funktionen zu entwickeln, während Boost einer KI dabei unterstützt, besseren Laravel-Code zu schreiben. Beide arbeiten nebeneinander und ersetzen einander nicht.

Fallstudie: Beantwortung von Fragen aus internen Dokumenten

Hier ist eine häufige Anfrage am Arbeitsplatz. Das Personalteam hat es satt, immer wieder dieselben Fragen zur Urlaubsrichtlinie zu beantworten, und möchte einen Chatbot, der aus den bereits vorhandenen Richtliniedokumenten antwortet. Es handelt sich dabei um einen klassischen RAG-Anwendungsfall, bei dem die Antworten auf den eigenen Unternehmensdokumenten beruhen und nicht nur auf dem, was das Modell während des Trainings aufgenommen hat.

Dafür ist ein Vektorlager, Embeddings sowie eine automatische Suche erforderlich – wodurch Neuron AI die ideale Lösung darstellt:

namespace App\Neuron;

use NeuronAI\Providers\AIProviderInterface;
use NeuronAI\Providers\Anthropic\Anthropic;
use NeuronAI\RAG\RAG;
use NeuronAI\RAG\Embeddings\EmbeddingsProviderInterface;
use NeuronAI\RAG\VectorStore\VectorStoreInterface;
use NeuronAI\RAG\VectorStore\MemoryVectorStore;

class HrPolicyAgent extends RAG
{
    protected function provider(): AIProviderInterface
    {
        return new Anthropic(
            key: env('ANTHROPIC_API_KEY'),
            model: 'claude-3-7-sonnet-latest',
        );
    }

    protected function vectorStore(): VectorStoreInterface
    {
        return new MemoryVectorStore();
    }

    protected function embeddings(): EmbeddingsProviderInterface
    {
        // your preferred embeddings provider, e.g. OpenAI or Voyage
    }
}

Der Ablauf im Großen und Ganzen:

1. HR-Richtliniedokumente in PDF- oder Textform werden in kleinere Abschnitte aufgeteilt, in Embeddings umgewandelt und im Vektorlagern gespeichert.
2. Wenn ein Mitarbeiter fragt, wie viele ungenutzte Urlaubstage in das nächste Jahr übergehen, wird diese Frage ebenfalls in ein Embedding umgewandelt.
3. Neuron AI sucht nach den inhaltlich am nächsten liegenden Abschnitten – nicht nur nach Schlüsselwörtern – und fügt sie als zusätzlichen Kontext für das LLM ein.
4. Das LLM antwortet dann auf Grundlage dieser konkreten Abschnitte statt aus allgemeinem Wissen zu raten.

Das Ergebnis ist ein Chatbot, dessen Antworten auf die tatsächlichen Richtlinien des Unternehmens verweisen und nicht auf allgemeine, möglicherweise falsche Antworten. Man könnte mit manuellen Werkzeugen eine ähnliche LarAgent-Einrichtung erzwingen, müsste aber dann eigene Logiken für die Informationsabrufung, das Aufteilen in Abschnitte sowie die Ähnlichkeitssuche entwickeln. Neuron AI stellt diese Funktionen bereits als fertige Komponenten bereit.

Durch nur wenige Konfigurationsdateien reicht der in dem Beispiel verwendete MemoryVectorStore aus, da er die Embeddings für die Sitzung im Speicher behält. Sobald die Dokumentensammlung wächst und auch bei Bereitstellungen erhalten bleiben muss, kann die vectorStore()-Implementierung durch eine echte Vektordatenbank wie Pinecone oder Elasticsearch ersetzt werden, ohne dass sich die Logik des Agents ändert. Eine saubere Abstraktion ermöglicht es, klein anzufangen und später zu skalieren, und vermeidet, die endgültige Architektur bereits am Anfang festzulegen.

Ein häufiger Fehler bei solchen RAG-Anwendungen ist das Hineinwerfen eines ganzen Dokuments ohne Aufteilung in Blöcke. Ein langes HR-Richtliniedokument, das als ein zusammenhängender Block übergeben wird, erschwert die Ähnlichkeitssuche, da das System nicht erkennen kann, welcher Teil die Frage beantwortet. Die Aufteilung nach Themen oder in mehrere Absätze auf einmal sorgt dafür, dass die Suche auf den richtigen Abschnitt abzielt.

Welchen wählen?

• Prism: eine echte Einzelanfrage mit entsprechender Antwort, wie zum Beispiel die Erstellung von Texten, Zusammenfassungen oder Beschreibungen, wobei man ohne Probleme den Anbieter wechseln kann.
• Laravel AI SDK: die offizielle Option, die vom Kernentwicklerteam unterstützt wird und über Testfakes, Hintergrundaufgaben sowie Failover-Mechanismen für Anbieter verfügt – insbesondere für Projekte, die das Team über Jahre hinweg betreuen wird.
• LarAgent: ein Agent mit klarer Identität, den derselbe Benutzer immer wieder aufruft, der eine Entwicklererfahrung bietet, die an Eloquent erinnert, sowie Tools, die über einfache Attribute deklariert werden können.
• Neuron AI: Das Projekt hat einfache Agenten überschritten und erfordert stattdessen umfangreiche RAG-Funktionen, mehrere kooperierende Agenten, detaillierte Trace-Informationen oder einen aus miteinander verbundenen Schritten bestehenden Workflow.

Laravel Boost: Nicht für die KI-Funktionen Ihrer Anwendung, sondern um einen eigenen Programmierassistenten zu erhalten, der saubereren Laravel-Code nach gängigen Konventionen erstellt.

Kein Paket hier ist einfach das Beste – nur das, das zur tatsächlichen Komplexität passt, mit der Sie konfrontiert sind. Beginnen Sie mit der einfachsten Option und wechseln Sie nur dann zu komplexeren Lösungen, wenn es das Problem erfordert. Der beste Code ist nicht unbedingt der klügste – es ist der Code, der zum Problem passt.