Skybridge

你是一个前端开发者，老板突然说：“下周我们要上线一个 AI 助手，能调用公司内部的 API，还能记住用户上次聊到哪。”你打开编辑器，开始想：要处理模型上下文，要管理工具调用，要处理流式响应，还要做状态同步。你翻了一遍 LangChain 的文档，发现它只管后端逻辑，前端还得自己搭。你试了试 Vercel AI SDK，确实快，但一旦要自定义 UI 组件、要接入自己的数据库、要处理复杂的用户交互，你就得自己写一堆胶水代码。你开始怀疑：为什么没有一个东西，能把 AI 的“脑子”和 React 的“界面”直接焊在一起？

Skybridge 就是冲着这个痛点来的。它不是一个 AI 模型，也不是一个聊天 UI 组件库。它是一个完整的全栈框架——你写 React 组件，它帮你把 MCP 协议（Model Context Protocol）的通信、工具注册、状态管理、流式渲染全部包了。你只需要定义你的 AI 能调用哪些工具（比如查数据库、发邮件、调用第三方 API），然后像写普通 React 组件一样写界面，剩下的交给 Skybridge。

具体怎么用？你是一个独立开发者，想做一个“文档问答助手”。你打开终端，用 Skybridge 的 CLI 初始化一个项目。你写一个 React 组件叫 `ChatWindow`，里面放一个输入框和一个消息列表。然后你定义一个 `tools` 数组，里面写一个 `searchDocs` 函数，它去你的 Notion 或本地 Markdown 文件里搜内容。Skybridge 自动把这个工具注册到 MCP 服务器上，当用户问“上次的会议记录在哪”，AI 模型会调用 `searchDocs`，结果流式地推回前端，你的 `ChatWindow` 组件自动渲染出带引用的回答。整个过程，你不需要手动处理 WebSocket、不需要写 SSE 解析、不需要管理对话历史的状态——Skybridge 的运行时帮你做了。

用一个比喻来说：Skybridge 就像预制菜套装。你自己不用去菜市场挑菜、洗菜、切菜、配调料，你只需要把包装袋撕开，倒进锅里炒一下。传统开发方式是你从种菜开始，而 Skybridge 把 MCP 通信、工具调度、状态管理这些“配菜”都给你切好了，你只需要写 React 组件这个“炒菜”步骤。

对比一下真实竞品。比如你直接用 LangChain + Express + React 自己搭。这条路给你最大的灵活性：你可以选任何模型、任何数据库、任何前端框架。但代价是你要自己处理所有边界情况：连接断开怎么办？工具调用超时怎么办？多个用户并发时状态怎么隔离？Skybridge 选择了一条不同的路：它把 MCP 协议作为核心抽象，强制你按照它的约定来写工具和组件。这让你失去了部分灵活性——比如你不能随便换一个非 MCP 的模型——但换来了开箱即用的流式渲染、自动重连、状态持久化。在大多数 AI 应用场景里，这些功能比“能换模型”重要得多。尤其是当你需要快速验证一个想法，或者团队里没有后端工程师的时候，Skybridge 的价值就出来了。

当然，它也有边界和代价。如果你的 AI 应用需要非常复杂的多轮对话逻辑，或者需要对接非标准的模型接口（比如自己微调的模型），Skybridge 的 MCP 约束可能会成为障碍。另外，它目前只支持 React，如果你团队用 Vue 或 Svelte，那就得等社区适配。还有，框架本身还在早期，文档和社区支持可能不如成熟方案。如果你做的只是一个简单的聊天机器人，用 Skybridge 可能有点重——就像用烤箱烤一片面包，杀鸡用牛刀。

说一个用起来什么样的小故事。我的朋友小陈，一个前端工程师，周末想做个“AI 简历助手”。他用 Skybridge 初始化项目，写了一个 `ResumeUploader` 组件，一个 `JobDescriptionInput` 组件，然后定义了两个工具：`parseResume` 和 `matchJob`。他花了大概三个小时，就做出了一个能上传 PDF 简历、粘贴职位描述、然后 AI 自动分析匹配度并给出修改建议的页面。他给我演示的时候，我问他后端怎么部署的，他说：“Skybridge 自带了一个 Node 服务器，我直接 `npm run build` 然后扔到 Vercel 上就行了。”整个过程他没有写过一行后端代码，没有配置过数据库，没有处理过 WebSocket。他唯一写的，就是几个 React 组件和几个纯函数工具。这就是 Skybridge 想给你的日常。