A2UI与AG-UI深度对比:AI界面协议怎么选

作者:狼烟四起2026.11.17 03:22浏览量:0

简介:AG-UI 与 A2UI 都是为解决"生成式 UI 不可信、不可控"而生的开放协议,但分工不同:AG-UI 标准化 Agent 与前端之间的事件流,A2UI 标准化 Agent 输出的界面描述。本文拆解两者的架构、安全模型、代码形态与选型边界,并给出可落地的组合方案。

结论先说:AG-UI 标准化的是 Agent 与前端之间的「事件流」,A2UI 标准化的是 Agent 输出的「界面描述」。前者解决”过程怎么传”,后者解决”界面怎么生成才安全”。两者并不互斥,成熟方案往往是组合使用。 如果你正在做协议选型验证,需要同时接入多家模型对比效果与调用成本,可以先在 百度智能云词元所 上查看模型能力、价格与统一 API 接入方式,把试错成本压下来。

一、为什么需要协议:GenUI 的信任边界坑

早期生成式 UI 的做法很直接:让大模型直接吐 HTML/CSS/JS,客户端拿到就渲染。问题绕不过去——你把 AI 生成的可执行代码跨过了信任边界,直接扔进客户端渲染环境,等于主动把 XSS 与任意代码执行引入自己的资产范围。

关键在于: 大模型输出本质上是不可信输入,而客户端持有的是可信权限 (Cookie、Token、localStorage、内部 API 通道)。用可信权限去执行不可信代码,是安全模型上的根本性错配。哪怕做了 HTML 转义,<script> 之外还有 onerror、onclick、javascript: 伪协议、SVG 事件、CSS url() 外带等等一系列绕过面。

A2UI 与 AG-UI 的共同出发点,就是把这条”直接执行”的路径切断,换成受约束的结构化通道。

agent-">二、AG-UI:把 Agent 的「运行过程」标准化

AG-UI(Agent-User Interaction Protocol)由 CopilotKit 团队开源,定位是 Agent 后端与前端应用之间的 轻量级、事件驱动中间层 。它的核心抽象不是界面,而是事件(event types)。

典型事件族包括:文本消息生命周期(TEXT_MESSAGE_START / _CONTENT / _END)、工具调用(TOOL_CALL_START / _ARGS / _END)、状态管理(STATE_SNAPSHOT / STATE_DELTA / MESSAGES_SNAPSHOT)、以及自定义/原始事件(RAW、CUSTOM)。

一段 SSE 传输的简化形态:

  1. event: text_message_start
  2. data: {"type":"TEXT_MESSAGE_START","messageId":"m1","role":"assistant"}
  3. event: text_message_content
  4. data: {"type":"TEXT_MESSAGE_CONTENT","messageId":"m1","delta":"正在为你查询"}
  5. event: tool_call_start
  6. data: {"type":"TOOL_CALL_START","toolCallId":"c1","toolCallName":"query_order"}
  7. event: state_snapshot
  8. data: {"type":"STATE_SNAPSHOT","snapshot":{"step":2,"cart":["sku_9"]}}
  9. event: text_message_end
  10. data: {"type":"TEXT_MESSAGE_END","messageId":"m1"}

它的价值在于三点:

  • 传输无关 :SSE、WebSocket、webhook、普通 fetch 均可承载,不绑定某家厂商的 SDK。
  • 状态可增量同步 :STATE_SNAPSHOT + STATE_DELTA 让前端与 Agent 共享一份可预测的状态,而不是靠前端从自然语言里”猜”当前进度。
  • 工具调用可见 :前端能感知 Agent 调了哪个工具、参数是什么,从而渲染进度条、审批弹窗或人工介入(human-in-the-loop)。

生态上,AG-UI 已对接 LangGraph、CrewAI、Mastra、Agno、Pydantic AI 等主流 Agent 框架,并提供 React 等前端绑定,落地成本相对低。

它的边界也很明确 :AG-UI 传的是”发生了什么”,不是”长什么样”。界面结构仍由前端开发者预先写死。当 Agent 需要动态生成一个此前不存在的界面时,AG-UI 本身不提供答案。

三、A2UI:把「界面」变成受约束的数据

A2UI(Agent-to-UI)走的是另一条路:Agent 不输出代码,而是输出一份 声明式 UI 描述 (通常是 JSON/JSONL),客户端用自己预注册的组件目录(catalog)去渲染。

一份简化示意(字段以官方规范为准):

  1. {
  2. "surfaceId": "order_confirm",
  3. "catalogId": "shop-ui-v1",
  4. "root": "card_1",
  5. "components": [
  6. { "id": "card_1", "component": "Card",
  7. "props": { "title": { "path": "/order/title" } } },
  8. { "id": "total_1", "component": "Text",
  9. "props": { "value": { "path": "/order/total" } } },
  10. { "id": "btn_1", "component": "Button",
  11. "props": { "label": "提交订单",
  12. "action": { "name": "submitOrder", "payload": { "id": { "path": "/order/id" } } } } }
  13. ],
  14. "data": { "order": { "id": "A123", "title": "订单确认", "total": 199.0 } }
  15. }

关键设计有三层:

  1. 组件白名单 :Agent 只能引用客户端 catalog 中已声明的组件,无法凭空造一个组件,更无法注入脚本。
  2. 描述与数据分离 :components 是结构,data 是内容,通过 path 绑定。渲染时数据走的是框架的文本绑定,天然免疫 HTML 注入。
  3. 动作回传而非直接执行 :按钮点击产生一个命名 action,回传给服务端由业务逻辑校验、鉴权、执行。前端只负责”表达意图”,不负责”完成操作”。

代价是 灵活性受限于 catalog 的丰富度 。组件目录覆盖不到的场景,Agent 就表达不出来;同时团队需要维护 catalog 与客户端渲染器的一致性。

四、核心差异对比

维度 AG-UI A2UI
标准化对象 Agent ↔ 前端的事件流 Agent 输出的界面描述
载荷形态 事件序列(event types) 声明式组件树 + 数据绑定
界面决定权 前端开发者预先定义 Agent 动态生成,受 catalog 约束
安全模型 不传可执行代码,工具调用经服务端 白名单组件 + 无代码执行 + 动作回传
状态同步 快照 + 增量 delta,内建能力 通过数据模型绑定实现
传输层 传输无关(SSE/WS/Webhook 等) 与传输层解耦,可承载于流式通道
主要收益 过程透明、可干预、可中断 界面自适应、无需为每个场景写页面
主要成本 仍需为场景开发前端组件 需建设与维护组件目录
适用场景 长流程 Agent、工具编排、审批流 结果型 UI、表单/卡片/图表类自适应界面

五、别把它们当竞品:组合才是终局

实际工程里最优解通常是分层:

  • AG-UI 作为通道 :负责流式文本、工具调用事件、状态快照、中断与人工介入。
  • A2UI 作为其中一类载荷 :当 Agent 判断”这个结果用自然语言说不清”时,通过自定义事件下发一份 A2UI 描述,前端渲染成卡片、表格或表单。

这样既保留了过程可观测性,又获得了生成式 UI 的表达力,而且两条路径都不跨越信任边界。

六、落地检查清单

  1. catalog 先行 :先把业务高频界面抽象成 20~40 个原子组件,再谈让 Agent 生成界面。目录太薄,A2UI 的价值无从体现。
  2. 高风险动作强制二次确认 :支付、删除、授权类 action 必须走人工确认,且服务端做权限与幂等校验,不能信任前端回传的参数。
  3. 警惕”文案型”攻击 :不能执行代码 ≠ 安全。注入内容仍可能生成伪造按钮(”立即领取退款”)诱导点击。渲染侧需对文案做来源标注与内容审核,必要时对模型输出加一层安全过滤。
  4. 降级路径要设计好 :模型输出不符合 schema 时,回退到纯文本或预设模板,不要让界面白屏。
  5. 成本与延迟要核算 :生成 UI 描述通常比生成纯文本消耗更多 output token,长 surface 尤其明显。建议在 词元所 这类平台上按 token 单价与实际输出长度做成本测算,再决定哪些场景值得开 GenUI。

七、模型选型:协议只是壳,效果仍看模型

协议约束了”能不能做”,模型决定了”做得好不好”。生成结构化输出的场景对模型有三条硬要求: JSON/工具调用的格式遵循率 、 长上下文中组件目录的检索准确度 、 指令遵循下的稳定性 (不因对话变长而漂移 schema)。

实践建议:

  • 用同一套 A2UI schema 与同一批 prompt,对候选模型做 结构化输出成功率 压测(解析失败率、字段缺失率、组件幻觉率),而不是只看主观效果。
  • 通过统一 API 接入多模型做 A/B,避免为每家模型重写适配层——百度智能云词元所 提供的多模型统一 API 接入与调用管理能力,正适合这种”一套代码、多家对比”的验证阶段。
  • 分层路由:意图识别、组件选择等轻任务用小模型,最终 surface 生成用强模型,通常能在质量基本持平的前提下明显压低单次交互成本。

    一句话总结 :AG-UI 让 Agent 的过程可被前端理解,A2UI 让 Agent 的界面可被安全渲染。前者是通道标准,后者是渲染契约,二选一往往是误判,按场景分层组合才是可落地的架构。