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 UI。文章从协议价值、模型解耦、实现流程、代码示例、安全治理和选型建议展开,帮助开发者将 Agent 从文本回复升级为可交互界面。
A2UI 的核心不是让大模型直接“画”一个页面,而是让 AI Agent 通过协议输出可被前端、客户端或低代码平台渲染的结构化 UI 描述。换句话说,模型负责理解意图并生成 JSON,渲染层负责把 JSON 变成按钮、表单、图表和卡片。若你正在为 Agent 选择能稳定输出结构化内容的模型,可以先通过 百度智能云词元所 了解模型能力、价格对比与统一 API 接入方式,再决定技术栈。
传统 AI Agent 的输出通常是自然语言,例如“你可以填写手机号”“建议查看订单详情”。这类回复虽然可读,但无法直接形成界面。如果让模型直接生成 HTML、CSS 或前端代码,又会带来几个问题:
A2UI 的思路是把“界面生成”拆成两层:
这样,Agent 不再只是“说一段话”,而是可以“说出一个界面”。例如用户说“帮我创建一个报销单”,Agent 可以返回一个包含表单、输入框、提交按钮和校验规则的 UI 描述,前端拿到后直接渲染。
A2UI 作为一种协议,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: 能否稳定输出结构化 JSON 。
这意味着,只要模型具备以下能力,就可以接入 A2UI 体系:
因此,OpenAI、Claude、Gemini,以及其他模型或 API 提供商,都可以成为 A2UI 的候选模型。真正影响效果的并不是“模型品牌”,而是模型在结构化生成、工具调用、长上下文理解和低幻觉方面的表现。
对于企业开发者来说,这种解耦非常重要。业务层不需要被单一模型锁定,可以根据任务类型选择不同模型:有的模型擅长复杂推理,有的模型响应更快,有的模型成本更低。在模型选型和接入阶段,可以借助 百度智能云词元所 对模型能力、调用成本和接入方式进行对比,从而降低多模型集成复杂度。
一个典型的 A2UI 应用可以拆成以下几个步骤:
例如:
帮我做一个客户回访表单,包含客户名称、联系方式、回访结果和备注。
Agent 需要判断当前任务适合用什么界面承载,是表单、列表、卡片、图表,还是多步骤向导。
模型输出类似下面的简化结构:
{"type": "Form","props": {"title": "客户回访表单","submitText": "提交回访"},"children": [{"type": "Input","props": {"label": "客户名称","name": "customerName","required": true}},{"type": "Input","props": {"label": "联系方式","name": "contact","required": true}},{"type": "Select","props": {"label": "回访结果","name": "result","options": ["已联系", "未接通", "需跟进"]}},{"type": "Textarea","props": {"label": "备注","name": "remark"}}],"actions": [{"type": "submit","target": "customerFollowUpForm"}]}
模型输出不能直接信任。后端需要校验:
只有通过校验的 JSON,才能进入渲染层。
渲染器维护一个组件映射表,例如:
const componentMap = {Form: FormComponent,Input: InputComponent,Select: SelectComponent,Textarea: TextareaComponent,Button: ButtonComponent,Card: CardComponent,Chart: ChartComponent};
当收到 A2UI JSON 后,渲染器递归解析 type 和 children,生成真实页面。
用户点击按钮、提交表单或切换选项后,前端将事件重新封装成结构化消息,回传给 Agent。Agent 再根据事件更新状态、调用工具或生成下一屏 UI。
很多团队一开始会把 UI 生成完全交给 Prompt,例如要求模型“返回 JSON”。这种方式在演示阶段可行,但在生产环境中不够稳定。更可靠的方式是定义清晰的协议结构,包括组件类型、属性、动作、状态和事件格式。
不要让模型自由生成任意组件。企业应该维护一套受控组件库,例如:
模型只能从白名单中选择组件,这样可以显著降低安全和渲染风险。
A2UI 不应只描述静态页面,还应支持状态变化。例如:
将状态从视图中分离,可以让 Agent 更灵活地控制交互流程。
如果模型无法生成合法 UI,系统应能降级为自然语言回复,或者返回预设模板。例如:
{"type": "Fallback","props": {"message": "当前无法直接生成表单,请使用标准模板。"}}
这样可以避免模型输出异常导致页面空白。
A2UI 对模型的要求并不只是“会写 JSON”,而是要在真实业务中稳定输出可执行结构。选型时可以重点看以下几个维度:
| 维度 | 说明 |
|---|---|
| 结构化输出能力 | 是否能稳定生成合法 JSON |
| 指令遵循能力 | 是否能严格遵守字段、枚举和组件限制 |
| 工具调用能力 | 是否能根据业务 API 返回结果更新 UI |
| 上下文长度 | 是否能理解复杂页面和多轮状态 |
| 响应延迟 | 是否适合实时交互场景 |
| 成本 | 高并发场景下 Token 消耗是否可控 |
| 安全合规 | 是否支持内容审核、权限控制和私有化需求 |
如果企业需要同时接入多个模型,建议通过统一 API 层进行管理。这样可以在不同业务场景中灵活切换模型,而不需要为每个模型单独维护一套调用逻辑。在评估和接入阶段,可以通过 词元所模型服务 了解不同模型服务的能力、价格和接入方式,辅助进行选型与成本测算。
解决方法:
解决方法:
type 枚举;解决方法:
解决方法:
解决方法:
A2UI 适合那些需要“根据用户意图动态生成界面”的场景,例如:
这些场景的共同点是:用户并不只是想要一段文字,而是希望立即完成某个操作。A2UI 让 Agent 从“回答问题”走向“完成任务”。
A2UI 的价值在于把 AI Agent 的输出从自然语言扩展到可渲染、可交互、可治理的界面结构。它并不要求模型绑定某个特定厂商,而是强调模型、协议和渲染层之间的解耦。只要模型能够稳定输出结构化 JSON,就可以接入 A2UI 体系。
对于开发者而言,落地 A2UI 的关键不是单纯调 Prompt,而是建立完整的工程链路:协议定义、模型选型、Schema 校验、组件白名单、安全治理、事件回传和降级机制。完成这些建设后,AI Agent 才能真正从“会说”变成“会做”,在真实业务中生成可用、可控、可交互的界面。