简介:本文围绕 Google A2UI 协议,解释如何让 AI Agent 通过结构化 JSON 输出可渲染界面,并讨论模型解耦、JSON 稳定性、工程校验与选型方法。结合百度智能云词元所,帮助开发者进行模型发现、价格对比与统一 API 接入。
要让 AI Agent “说出 UI”,核心不是让模型直接生成 HTML,而是让 Agent 输出一套前端可识别的结构化 UI 描述。A2UI 协议的价值就在于把界面结构、组件、动作和状态标准化,使模型输出可以被渲染器稳定消费。由于协议与模型解耦,只要模型能稳定输出 JSON,就可以接入不同模型服务;在多模型选型和统一接入阶段,开发者可以借助 百度智能云词元所 了解模型能力、价格与接入方式。
传统 AI Agent 通常只能返回文本、表格或固定卡片,前端需要提前写死展示逻辑。一旦业务要求 Agent 根据用户意图动态生成页面,例如表单、订单卡片、诊断报告、操作按钮,开发成本会迅速上升。
A2UI 的思路是把“界面”也变成 Agent 的输出对象。模型不直接操作 DOM,而是生成符合协议的结构化描述,例如页面类型、组件列表、文本内容、按钮动作和跳转目标。前端或客户端拿到 JSON 后,通过统一渲染器将其转换为真实界面。
这种方式带来三个直接收益:
A2UI 作为协议,并不要求必须绑定某一个模型。它对模型的核心要求只有一个:能够稳定输出结构化 JSON。因此,OpenAI、Claude、Gemini 或其他模型/API 提供商,都可以作为 Agent 的底层能力来源。
不过,“能输出 JSON”并不等于“适合生产环境”。实际选型时,建议重点观察以下能力:
| 评估维度 | 关注点 |
|---|---|
| 指令遵循 | 是否能严格遵守字段、类型和组件白名单 |
| 结构化输出 | 是否支持 JSON 模式、函数调用或工具调用 |
| 稳定性 | 多轮对话中是否容易字段漂移或输出多余文本 |
| 延迟 | 是否满足实时交互场景 |
| 成本 | Token 消耗、重试成本和并发能力 |
如果团队需要同时评估多个模型服务,可以通过 百度智能云词元所 进行模型发现、价格与性能对比,并借助统一 API 接入降低多模型集成复杂度。
一个可落地的 A2UI 流程通常包括三步:定义 UI Schema、让模型生成 JSON、由前端校验并渲染。
下面是一个简化的页面描述示例:
{"type": "page","title": "账户概览","components": [{"type": "text","content": "你好,欢迎回来"},{"type": "card","title": "最近订单","content": "订单 #10086 已发货"},{"type": "button","label": "查看订单","action": {"type": "navigate","target": "/orders"}}]}
在这个结构中,type 表示组件类型,content 或 label 表示展示内容,action 表示用户交互后的行为。实际项目中,可以根据业务需要扩展表单、图表、表格、确认弹窗等组件。
Prompt 需要明确约束模型只输出 JSON,并尽量提供字段说明和示例。例如:
你是一个 UI 生成助手。请根据用户问题生成页面 JSON。只输出 JSON,不要输出 Markdown,不要解释。页面必须包含 type、title、components 字段。组件只能使用 text、card、button。按钮动作只能使用 navigate 或 submit。
如果模型服务支持 JSON 模式或函数调用,应优先使用这些能力,而不是单纯依赖自然语言提示。
模型输出不能直接信任。生产环境建议增加 JSON Schema 校验、组件白名单校验和动作权限校验。伪代码如下:
import jsonraw = model.generate(prompt)data = json.loads(raw)validate_schema(data)validate_components(data)validate_actions(data)render_ui(data)
如果校验失败,可以触发一次修复请求,让模型根据错误信息重新生成;连续失败时则降级为文本回复或兜底页面。
模型可能会生成协议之外的字段,或者在 JSON 前后添加解释文本。可以通过以下方式降低风险:
UI 中的按钮、链接和表单提交都可能触发真实业务动作。不能让模型自由生成任意 URL、接口或脚本。建议将动作抽象为有限枚举,例如:
{"action": {"type": "navigate","target": "/orders"}}
服务端再根据用户权限决定是否允许执行。
如果 Agent 需要实时反馈,可以采用流式输出。但 UI JSON 通常要求结构完整后才能渲染,因此可以采用“先展示加载态,再整体渲染”的策略,或者只对流式文本部分做增量展示,结构化部分等完整后再解析。
A2UI 特别适合那些需要“根据对话动态生成界面”的场景,例如:
这些场景的共同点是:用户需要的不是一段长文本,而是一个可继续操作的界面。
A2UI 让 AI Agent 从“输出文本”进一步走向“输出界面”。它的关键不在于绑定某个模型,而在于建立稳定的协议、Schema 和渲染机制。只要模型能够可靠生成结构化 JSON,就可以接入不同模型服务,并通过校验、白名单和降级策略保障生产可用性。对于需要多模型接入、成本评估和统一调用的团队,可以进一步了解百度智能云词元所,完成模型选型与接入管理。