“中國版 Muse”來了:TeGo 讓雲端 Agent 在企業上崗
Muse 讓雲端 Agent 走到臺前。TeGo 把數字分身帶進中國企業的真實工作:接任務、用工具、交結果,也讓關鍵操作回到人的判斷中。
本文發佈於 2026年1月13日。產品當前能力參見產品能力。
你有沒有想過,為什麼我們和 AI 對話時,它只能「說」,卻不能「做」?
這個問題看似簡單,卻揭示了當前 AI 交互的根本侷限——無論 AI 有多聰明,它的表達方式始終停留在「文字」這一層面。而 A2UI 的出現,正在打破這個侷限。
在這篇文章中,我們將深入探討 A2UI 技術的方方面面:它是什麼、為什麼重要、如何工作、有哪些應用場景,以及它將如何改變我們與 AI 交互的方式。無論你是技術人員還是普通讀者,相信都能從中獲得啟發。
在正式介紹 A2UI 之前,讓我們先講一個關於「表達」的故事。
1960 年代,計算機科學家們面臨一個難題:如何讓普通人也能使用計算機?
那時候,計算機只能通過「命令行」操作——你必須記住一堆神秘的指令,比如 ls -la、grep -r、chmod 755,才能讓計算機做事。這就像學習一門外語,門檻極高。
1968 年,一位名叫道格拉斯·恩格爾巴特(Douglas Engelbart)的科學家做了一場著名的演示,後來被稱為「所有演示之母」(The Mother of All Demos)。在這場演示中,他展示了鼠標、窗口、超鏈接等革命性的概念。
他的核心理念是:讓計算機適應人類的思維方式,而不是讓人類適應計算機。
二十年後,蘋果的 Macintosh 將這個理念變成了現實——圖形界面讓普通人也能使用計算機。你不需要記住命令,只需要用鼠標點擊圖標。計算機學會了用「畫面」與人溝通,而不只是「文字」。
今天,我們正在見證另一次類似的變革。
AI 已經能夠理解自然語言、回答複雜問題、生成各種內容。但它的表達方式仍然停留在「文字」層面——就像 1960 年代的命令行時代。
A2UI 的意義在於:讓 AI 學會用「界面」與人溝通。
這不是一個小小的技術改進,而是人機交互範式的根本轉變。
假設你對 AI 說:「幫我訂一張明天去上海的機票。」
現在的 AI 會怎麼回答?
它會給你一大段文字:航班信息、價格對比、注意事項……然後告訴你「請前往某某網站完成預訂」。
你需要:
AI 說了很多,但實際上什麼都沒「做」。
這種「只說不做」的模式,幾乎存在於我們和 AI 的每一次交互中。無論是讓 AI 幫你分析數據、填寫表單、還是生成報告,最終你都需要離開對話界面,去另一個地方完成實際操作。
AI 像是一個博學但不會動手的顧問——它可以告訴你怎麼做,但不能幫你做。
這個問題的根源在於:AI 的「嘴」和用戶的「手」之間,存在一道看不見的鴻溝。AI 只能輸出文字,而用戶需要的是可以操作的界面。這道鴻溝,需要用戶自己去跨越。
想像另一種場景:
你說:「幫我訂一張明天去上海的機票。」
AI 直接在對話框裡展示一個真正的預訂界面:
整個過程沒有離開對話界面,沒有複製粘貼,沒有在多個應用間切換。
從「說」到「做」,這就是 A2UI 要實現的事情。
這不是科幻電影中的場景,而是 Google 在 2025 年底發佈的 A2UI 協議所定義的交互方式。這項技術正在從概念走向現實,而我們已經實現了它的首個完整版本。
在繼續之前,先看一個問題:為什麼圖形界面能讓一些信息比純文字更易理解?
視覺與文字適合不同的理解任務。圖表和界面可以同時展示結構、對比和關係,文字則適合解釋背景與細節;具體採用哪種方式,取決於任務和信息本身。
當信息以圖形界面呈現時:
當信息以純文字呈現時:
例如,比較銷售數據時,圖表可以讓需要比較的關係比單獨一段文字更直觀。
心理學家約翰·斯威勒(John Sweller)提出了「認知負荷理論」——人類的工作記憶容量是有限的。當我們需要同時處理太多信息時,就會「過載」,導致理解困難、容易出錯。
傳統 AI 對話的問題在於:它把所有認知負荷都轉嫁給了用戶。
AI 輸出一段文字,用戶需要:
這些負荷加在一起,很容易超出工作記憶的容量。結果就是:操作繁瑣、容易出錯、體驗糟糕。
A2UI 通過讓 AI 生成界面,將大部分認知負荷從用戶轉移到了系統。 用戶不需要記憶、不需要切換、不需要手動管理狀態——界面幫你處理這一切。
人機交互領域有一個重要概念叫「直接操縱」(Direct Manipulation):用戶應該能夠直接操作他們看到的對象,而不是通過間接的命令。
舉個例子:
move file1.txt to folder2/直接操縱的優勢是顯而易見的:更直觀、更不容易出錯、學習成本更低。
傳統 AI 對話本質上是「間接操縱」——你用文字告訴 AI 你想做什麼,AI 用文字告訴你怎麼做,然後你自己去做。中間隔了好幾層。
A2UI 讓 AI 生成可交互的界面,實現了「直接操縱」——你看到什麼,就能操作什麼。想法和行動之間的距離被大大縮短。
A2UI,全稱 Agent-to-User Interface(智能體到用戶界面),是 Google 在 2025 年 12 月正式發佈的一項開放協議。
簡單來說,它定義了一套標準規則,讓 AI 能夠輸出可交互的界面元素,而不僅僅是文字。
如果你熟悉網頁開發,可以這樣理解:
區別在於:HTML 由人類編寫,需要專業技能;A2UI 由 AI 生成,只需要自然語言指令。
| 維度 | 傳統 AI | A2UI AI |
|---|---|---|
| 輸出形式 | 純文本或 Markdown | 結構化的界面描述 |
| 用戶操作 | 需要手動執行 | 可以直接交互 |
| 信息呈現 | 線性文字流 | 可視化組件 |
| 任務完成 | 多次對話+手動操作 | 一次對話完成 |
| 數據交互 | 用戶複製粘貼 | 直接點擊操作 |
| 狀態管理 | 用戶自己記憶 | 界面自動維護 |
這些界面元素涵蓋了大多數應用場景:
基礎組件
佈局組件
數據可視化
媒體組件
高級交互
AI 不再只是一個「文字生成器」,而是變成了一個「界面設計師」。
你可能會好奇:AI 是怎麼「畫」出界面的?
其實,AI 並不是真的在「畫」界面,而是在「描述」界面。這個過程可以用一個生活中的比喻來理解。
想像你要蓋一棟房子:
傳統方式:你告訴建築師「我想要一棟房子」,建築師給你寫了一份 500 頁的說明書,描述每個房間的尺寸、每塊磚的位置、每根管道的走向。然後你需要自己找施工隊、買材料、監督施工。
A2UI 方式:你告訴建築師「我想要一棟房子」,建築師直接畫出設計圖紙,施工隊按圖施工,你只需要驗收入住。
在這個比喻中:
AI 不需要會砌磚、接水管(不需要會畫圖表、處理點擊),它只需要會設計(知道什麼界面適合什麼場景)。這就是「關注點分離」的威力。
當你對 AI 說「展示上個月的銷售數據」,AI 會生成一段結構化的數據,描述應該展示什麼界面。
就像建築師畫圖紙一樣,AI 會「畫」一份界面圖紙:
组件类型:图表
图表类型:柱状图
标题:2025年12月销售额
数据:[
{ 月份: "第一周", 销售额: 120 },
{ 月份: "第二周", 销售额: 150 },
...
]
可交互:支持点击查看详情
這份「圖紙」包含了界面的所有必要信息:用什麼組件、顯示什麼數據、支持什麼交互。但它不包含任何「如何實現」的細節——那是渲染器的工作。
AI 不需要知道如何綁制柱狀圖,它只需要知道「用戶想看銷售數據,柱狀圖是合適的展示方式」。
渲染器(如我們的 @zhama/a2ui)接收這份「圖紙」,將其轉換為真正的界面元素。
渲染器就像一支訓練有素的施工隊,它知道如何:
它把 AI 的「設計圖紙」變成用戶看到的「精裝修房子」。
當用戶點擊某個數據點時,渲染器捕獲這個事件,生成一個「用戶動作」消息發送給 AI。
AI 收到消息後,知道用戶對這個數據點感興趣,可以生成更詳細的分析或相關的操作選項。
整個過程形成一個閉環:AI 描述 → 渲染器展示 → 用戶交互 → AI 響應 → 新的描述……
這就是 A2UI 的魔力:AI 專注於理解需求和決定內容,渲染器專注於展示和交互,兩者各司其職,協同工作。
以前和 AI 對話,像是在和一個「只會說不會做」的助手溝通。你問它問題,它給你答案,但答案只是文字。你需要自己去執行這些文字描述的操作。
這就像你問一個人「怎麼去火車站」,他給你詳細描述了路線,但你還是得自己走過去。
有了 A2UI,AI 可以直接幫你:
場景一:填寫複雜表單
以前:AI 告訴你需要填寫哪些信息,你去找表單,一項項填寫,可能還會漏填或填錯。
現在:AI 直接生成表單,預填已知信息,標記必填項,提供輸入驗證。你在對話中完成填寫,AI 幫你檢查和提交。
場景二:數據查詢
以前:AI 告訴你數據是什麼,你需要自己整理,可能還要手動做表格或圖表。
現在:AI 直接生成交互式圖表和表格。你可以點擊篩選、拖動排序、切換視圖、一鍵導出。
場景三:預約服務
以前:AI 告訴你可用時間段,你需要記住這些時間,打開日曆應用,找到正確的日期,創建事件。
現在:AI 直接顯示日曆組件,可用時段高亮顯示。你點擊選擇,填寫備註,確認完成。AI 還能自動發送提醒。
場景四:購物決策
以前:AI 給你一堆產品信息的文字描述,你需要自己比較,可能還要打開多個網頁。
現在:AI 生成產品對比卡片,關鍵參數並排顯示。你可以添加對比項、調整排序、直接下單。
減少複製粘貼,減少來回切換,減少信息遺漏,一切都在對話中完成。
傳統的 AI 客服有一個根本性的問題:它只能回答問題,不能解決問題。
傳統 AI 客服處理複雜問題時,往往需要轉接人工。用戶需要重複說明問題,企業也需要投入後續人工處理。
問題出在哪裡?AI 客服只能「說」,不能「做」。
當用戶說「我想退貨」,傳統 AI 會回覆:「請登錄您的賬戶,進入訂單頁面,點擊退貨按鈕……」然後用戶需要自己去操作。如果用戶遇到任何問題,又要回來繼續問。
這不是真正的服務,這只是一個會說話的說明書。
有了 A2UI,AI 客服可以:
直接展示訂單列表
用戶說「我想退貨」,AI 直接顯示用戶的近期訂單,卡片形式,每個訂單顯示商品圖片、名稱、購買日期、訂單狀態。用戶點擊要退的那個,無需記訂單號,無需登錄跳轉。
生成退貨申請表單
用戶選擇訂單後,AI 直接顯示退貨原因選擇框(預設常見原因)、退款方式選項(原路返回、餘額、換貨)、補充說明輸入框、上傳圖片按鈕(如有質量問題)。用戶填寫完成後點擊提交。
實時顯示處理進度
提交後,AI 顯示一個清晰的進度時間線:「申請已提交 → 商家審核中 → 等待寄回 → 驗收中 → 退款處理中 → 完成」。每個節點顯示時間和狀態,用戶可以隨時回來查看進度。
主動提供後續服務
退款完成後,AI 可以主動詢問:「退款已到賬,您是否需要重新選購其他商品?」並展示相關推薦。
從「問答機器人」升級為「服務終端」——用戶不需要離開對話界面,就能完成整個業務流程。
這意味著:
以前要讓 AI 輸出結構化內容,開發者需要:
整個過程充滿了不確定性,開發週期長,維護成本高。很多開發者被迫在「提示工程」上花費大量時間,而不是專注於產品本身。
有了 A2UI,開發者可以:
使用標準化協議
A2UI 定義了清晰的數據結構,AI 輸出什麼格式、包含哪些字段、如何描述交互,都有明確規範。主流的 AI 模型都在逐步支持 A2UI 輸出。不再需要自己設計和維護私有格式。
使用現成的渲染器
我們開源的 @zhama/a2ui 提供了完整的 React 渲染器。只需將 AI 輸出傳入組件,界面自動渲染,交互自動處理。15 行代碼就能跑起來。
專注於業務邏輯
開發者不再需要關心「如何讓 AI 輸出正確格式」「如何渲染這些數據」「如何處理用戶點擊」。這些都由協議和渲染器解決。開發者只需要關心:用戶想做什麼,AI 應該提供什麼幫助。
複用和擴展
A2UI 是開放協議,渲染器可以替換和擴展。你可以使用我們的默認樣式,也可以定製自己的主題。你可以添加自定義組件,擴展協議能力。
降低開發門檻,加速 AI 應用落地。 原本需要幾週的開發工作,現在可能只需要幾天。
A2UI 不是隻適用於某一個領域的技術,它是一種通用的交互範式,可以應用於幾乎所有需要人機交互的場景。
智能投顧
傳統的投資建議是一份長長的報告,充滿了專業術語和複雜圖表。普通用戶很難理解,更難採取行動。
A2UI 加持的智能投顧:
貸款申請
傳統流程:填寫長長的紙質表單或跳轉多個網頁。
A2UI 流程:AI 通過對話瞭解需求,逐步生成必要的表單字段(而不是一次性展示幾十個輸入框),自動計算可貸額度,展示還款計劃表格,一鍵提交申請。
賬單查詢
用戶說「我上個月信用卡花了多少」,AI 直接展示:
在線問診
傳統在線問診是純文字對話,醫生很難獲取完整信息。
A2UI 加持的問診:
健康管理
用戶說「看看我這週的運動數據」,AI 展示:
用藥提醒
AI 不只是發送文字提醒,而是展示:
個性化學習
傳統在線課程的問題是「一刀切」——所有人看同樣的視頻,做同樣的題目。
A2UI 加持的 AI 導師:
交互式案例
學習商業案例時,AI 生成一個模擬場景:
語言學習
AI 生成交互式對話場景:
智能導購
用戶說「我想買一臺適合家用的咖啡機」,AI:
售後服務
前面已經詳細描述過退貨流程,這裡補充幾個場景:
安裝預約:展示安裝師傅的日程表,用戶點擊選擇時間,填寫地址,確認預約。
維修報修:生成故障排查嚮導,逐步引導用戶確認問題。如需上門,展示可選時間段。
換貨申請:展示同款其他顏色/尺寸的庫存情況,用戶直接選擇換貨目標。
智能會議助手
會前:AI 生成會議議程卡片,參會人可以添加議題、上傳材料。
會中:實時生成會議紀要,標記待辦事項,支持一鍵分配負責人。
會後:生成任務清單,每個任務可設置截止日期和提醒,支持進度追蹤。
智能審批
傳統審批:郵件來回,附件下載,容易遺漏。
A2UI 審批:
數據報表
這是 A2UI 最典型的應用場景之一:
以上畫面展示 A2UI 圖表的呈現形式。在支持交互的產品界面中,可以:
智能辦事指南
市民說「我想辦理居住證」,AI:
在線申報
傳統的政務表單往往非常複雜,讓市民望而卻步。
A2UI 可以:
你可能會問:市面上已經有很多「AI + 界面」的解決方案,A2UI 有什麼不同?
| 維度 | 傳統聊天機器人 | A2UI |
|---|---|---|
| 輸出形式 | 固定的快捷回覆按鈕 | 動態生成的豐富界面 |
| 靈活性 | 預設的有限選項 | 根據上下文無限組合 |
| 交互能力 | 只能選擇預設選項 | 支持輸入、選擇、拖拽等 |
| 開發成本 | 需要預先設計所有流程 | AI 自動生成適合的界面 |
傳統聊天機器人的「按鈕」是開發者預先設計好的,它們只能處理預想到的場景。而 A2UI 讓 AI 根據用戶的具體需求,動態生成最合適的界面。
| 維度 | 低代碼平臺 | A2UI |
|---|---|---|
| 界面生成者 | 人類拖拽配置 | AI 自動生成 |
| 適用場景 | 相對固定的業務流程 | 動態變化的交互需求 |
| 靈活程度 | 在預設模板內靈活 | 完全根據需求生成 |
| 使用門檻 | 需要學習平臺操作 | 用自然語言描述即可 |
低代碼平臺降低了開發門檻,但仍需人類來設計和配置界面。A2UI 更進一步,讓 AI 直接根據需求生成界面,人類只需要表達想要什麼。
| 維度 | RPA | A2UI |
|---|---|---|
| 工作方式 | 模擬人類操作現有界面 | 直接生成新的界面 |
| 適用場景 | 自動化重複性任務 | 人機交互場景 |
| 用戶參與 | 用戶不參與執行過程 | 用戶通過界面參與決策 |
| 靈活性 | 按固定腳本執行 | 根據對話動態調整 |
RPA 是讓機器人代替人類操作界面;A2UI 是讓 AI 為人類生成界面。兩者解決的是不同的問題,也可以互相配合。
引入新技術時,安全性是企業最關心的問題之一。A2UI 在設計時就考慮到了這些方面:
A2UI 協議採用聲明式數據格式。AI 輸出的是「界面描述」,不是「可執行代碼」。
這意味著:
例如,即使有人試圖讓 AI 輸出惡意腳本,渲染器也不會執行——因為「腳本」不是 A2UI 協議定義的組件類型。
A2UI 支持細粒度的權限控制:
例如,在金融場景中,可以配置:交易操作必須二次確認,單筆金額超過閾值需要額外驗證。
A2UI 渲染器可以配置數據訪問範圍:
對於數據安全要求極高的企業,A2UI 完全支持私有化部署:
如果你對 A2UI 感興趣,想在自己的產品或業務中嘗試,這裡是我們的建議:
Q:需要更換現有的 AI 模型嗎?
不需要。A2UI 是一個協議層,可以與任何支持結構化輸出的 AI 模型配合使用。通過適當的提示工程,GPT-4、Claude 3、Gemini 等主流模型都能輸出 A2UI 格式。
Q:現有的前端代碼需要重寫嗎?
不需要。@zhama/a2ui 是一個獨立的 React 組件,可以嵌入到任何 React 應用中。你可以在現有應用的某個頁面或模塊中引入 A2UI,不影響其他部分。
Q:學習成本高嗎?
前端開發者需要了解渲染器和組件模型;後端開發者需要了解如何讓 AI 輸出 A2UI 格式的數據。
Q:性能如何?
渲染器使用 React 18 構建,面向常規界面場景;對於超大數據量場景,可採用虛擬滾動等優化方案。
A2UI 不是憑空出現的概念,它是多項技術成熟後的自然產物。
GPT-4、Claude 3、Gemini 等大語言模型已經能夠:
這意味著讓 AI 輸出符合 A2UI 協議的界面描述,技術上完全可行。AI 不需要「學習畫界面」——它只需要輸出描述界面的數據,渲染器負責「畫」出來。
React、Vue、Svelte 等現代前端框架的核心思想就是「數據驅動界面」——你給框架一份數據,框架幫你渲染成界面。
這與 A2UI 的理念完美契合。AI 輸出數據,前端框架渲染界面。兩者之間只需要一個「翻譯層」——這就是我們開發的 @zhama/a2ui 渲染器。
同時,Web Components、Shadow DOM 等技術讓組件可以更好地封裝和隔離,這對於將 A2UI 嵌入各種應用非常重要。
經過幾年的 AI 普及,用戶已經習慣了和 AI 對話。但他們也越來越不滿足於「只能對話」。
市場需求已經存在,技術條件已經成熟。
A2UI 正是在這個時間點出現,把 AI 能力、前端技術、用戶需求這三者連接起來。
Google 發佈 A2UI 協議時,宣佈官方的 React 渲染器將在 2026 年第一季度發佈。
但我們等不及了。
Zhama AI 團隊在協議發佈後,立即開始了實現工作。我們基於 A2UI 協議規範,開發了首個完整的 React 實現:@zhama/a2ui。
技術驗證
我們相信 A2UI 是正確的方向,但協議能否落地、體驗是否順暢、有沒有隱藏的問題,只有真正實現了才知道。通過實現,我們驗證了協議的可行性,也發現並反饋了一些需要完善的地方。
積累經驗
等到官方渲染器發佈再開始學習,就已經落後了。通過提前實現,我們的團隊深入理解了 A2UI 的設計理念和技術細節,為未來的應用開發積累了寶貴經驗。
服務客戶
我們的客戶有真實的需求——他們希望儘快在自己的產品中使用這項技術。等不是辦法,我們選擇主動出擊。
貢獻社區
開源不僅是分享代碼,更是參與技術發展。通過開源 @zhama/a2ui,我們希望推動 A2UI 生態的發展,讓更多開發者和企業受益。
完整實現
實現涵蓋 A2UI 組件類型、數據綁定、事件處理與動作系統。
獨立樣式系統
自帶完整的 CSS 樣式,不依賴 Tailwind 或其他框架。使用 a2- 前綴,避免與宿主應用的樣式衝突。支持自動暗色模式,適配系統偏好。
安全設計
AI 輸出的是聲明式數據,不是可執行代碼。渲染器按預定義組件處理界面,任意腳本不屬於可渲染的組件類型。
高性能
基於 React 18 構建,使用最新的 Concurrent 特性。支持虛擬滾動、懶加載等優化。在大數據量場景下也能保持流暢。
TypeScript 支持
完整的類型定義,提供良好的開發體驗。IDE 智能提示,編譯時類型檢查,減少運行時錯誤。
開源免費
MIT 協議開源,你可以自由使用、修改、分發。我們相信開源能讓技術更好地發展。
我們相信,早一步擁抱新技術,就是早一步獲得競爭優勢。
A2UI 只是開始,它開啟的是一個全新的交互範式。隨著技術發展,我們可能會看到更多令人興奮的變化。
目前 A2UI 主要處理「AI 生成界面 → 用戶點擊操作」這個流程。未來,輸入方式會更加豐富:
界面不再是靜態的,而是根據你的行為實時適應。
現在的應用,同一個功能對所有人展示相同的界面。但每個人的偏好不同——有人喜歡信息密集,有人喜歡簡潔清爽;有人是視覺型,喜歡圖表,有人是文字型,喜歡列表。
有了 AI 生成界面,這種個性化變得可能:
目前,開發一個應用界面需要專業的設計師和工程師。但如果 AI 能生成界面,那麼:
產品原型從幾週縮短到幾分鐘,軟件開發的門檻大大降低。
這將釋放巨大的創造力。以前被技術門檻擋在門外的人,現在可以直接把想法變成現實。
最終,「應用」和「AI 對話」的邊界會變得模糊。你可能分不清自己是在「用一個應用」還是在「和 AI 對話」——因為兩者融為一體。
界面即對話,對話即界面。你說的每一句話,都可能改變界面;你的每一次點擊,都是和 AI 的交流。
想像一下:你打開手機,沒有一個個獨立的 App,而是一個統一的 AI 界面。你說「叫個外賣」,界面變成外賣選擇頁面;你說「幫我規劃明天的行程」,界面變成日程安排器;你說「無聊」,界面變成遊戲或內容推薦……
這不是某個「超級 App」的壟斷,而是交互範式的根本改變——界面不再是固定的,而是根據需求動態生成的。
讓我們做一個思想實驗,想像 A2UI 技術成熟後,普通人的一天可能是什麼樣子:
你醒來,對著智能音箱說:「今天安排怎麼樣?」
牆上的屏幕亮起,不是顯示一個固定的日程 App,而是 AI 根據今天的具體情況生成的定製界面:
你說「點打車」,界面沒有跳轉到另一個打車 App,而是直接在當前界面展開打車選項,選擇後自動叫車。
在車上,你說「幫我準備一下 10 點的會議」。
車載屏幕顯示會議背景介紹,以及 AI 整理的關鍵數據圖表。你可以用手勢滑動瀏覽,用語音修改內容。
到達公司時,演示文稿已經準備好,自動同步到了會議室的大屏幕。
在會議上,老闆問「上個季度各區域的對比情況如何?」
你沒有手忙腳亂地找 Excel、做圖表。你只是對著電腦說「顯示 Q3 各區域銷售對比」,屏幕上立即出現一個清晰的柱狀圖,可以點擊查看詳情。
老闆又問「如果華東區增加 20% 投入,預計影響是什麼?」
你說「模擬華東區投入增加 20% 的效果」,圖表自動加入一條虛線,顯示預測結果。
整個過程,你像是在和一個能讀懂心思的助手對話,而不是在操作一個複雜的軟件。
你說「幫我點個午餐,健康點的」。
屏幕顯示附近餐廳的健康餐選項,根據你的歷史偏好和今天的胃口排序。卡片上顯示熱量、送達時間、評分。
你點擊一個,確認下單。
一個客戶發來郵件,詢問產品技術細節。
你沒有打開郵件 App、查資料、寫回復。你只是說「幫我回復這封郵件,根據產品文檔說明功能」。
AI 生成回覆草稿,以卡片形式展示。你可以點擊修改某些段落,或者說「語氣正式一點」讓 AI 調整。確認後發送。
路上,你說「今晚想吃火鍋,幫我規劃一下」。
界面顯示附近火鍋店地圖,點擊某家店,顯示菜品推薦、預約選項、路線導航。你一邊走一邊用語音確認預約。
到家後,你說「今天有點累,找個輕鬆的節目看」。
電視顯示 AI 根據你當前狀態和歷史偏好推薦的內容,不是傳統的分類瀏覽,而是幾個「今晚適合你」的選項卡片。
在這個場景中,你一天可能「使用」了十幾個不同的功能——日程、打車、文檔、數據分析、外賣、郵件、導航、視頻……
但你沒有打開過十幾個 App,沒有學習過十幾套操作方式,沒有在不同界面間反覆切換。
你只是在和一個「懂你」的助手對話,它幫你處理一切,用最合適的界面呈現信息,用最少的步驟完成操作。
這就是 A2UI 最終要實現的願景:讓技術隱形,讓體驗自然。
當然,這個願景不會一夜實現。但每一步——從今天的 A2UI 協議,到渲染器的完善,到生態的建設——都在向這個方向前進。
回顧計算機交互方式的歷史,我們可以發現一個有趣的規律:每一次革命的本質,都是讓計算機更加「適應」人類,而不是讓人類「學習」計算機。
讓我們沿著時間線,看看這個規律如何反覆驗證:
命令行時代(1970s-1980s)
用戶通過輸入文字命令與計算機交互。cd、ls、grep……需要記憶大量命令,門檻極高,只有專業人士能使用。
這個時代的哲學是:人類必須學習計算機的語言。 你想和計算機溝通?先背下這本命令手冊。
但它精確、高效,至今仍是程序員的重要工具——因為對於已經掌握這門「語言」的人來說,它是最直接的表達方式。
圖形界面時代(1980s-2000s)
鼠標、窗口、圖標的出現讓普通人也能使用計算機。「所見即所得」成為設計原則。
這是第一次重大的範式轉換:計算機開始學習人類的思維方式。 文件夾像真的文件夾,回收站像真的垃圾桶,桌面像真的辦公桌。
這催生了個人電腦產業的爆發。1984 年 Macintosh 發佈時,蘋果的廣告語是「為我們其他人準備的電腦」——不是為專家,是為普通人。微軟、蘋果成為巨頭。
Web 時代(1990s-2000s)
瀏覽器成為統一的入口,任何設備都能訪問網頁。超鏈接讓信息不再是線性的,而是網狀的——這更符合人類大腦的聯想方式。
這個時代的突破是:計算機開始適應人類獲取信息的方式。 你不需要知道信息存在哪臺電腦上,點擊鏈接就能到達。
Google 發明了 PageRank 算法,讓搜索結果按「人類會覺得有用」的方式排序。Amazon 發明了「一鍵購買」,減少用戶的操作步驟。Facebook 讓社交網絡數字化。每一次創新,都是讓技術更「懂」人。
移動互聯網時代(2010s)
觸摸屏讓交互更加直觀——你想移動一個圖標?直接用手指拖它。這是人類幾百萬年進化出的本能,無需學習。
應用商店讓軟件分發更加便捷。「隨時隨地」成為常態。
這個時代的突破是:計算機開始適應人類的生活場景。 不是你去找電腦,是電腦跟著你。
智能手機成為人人必備的設備。據統計,2020 年全球智能手機用戶超過 35 億——這是人類歷史上普及最快的技術之一。
對話式 AI 時代(2020s)
ChatGPT 等大語言模型讓人機對話成為可能。這是又一次巨大的飛躍:計算機開始理解人類的自然語言。
你不需要學習任何命令、任何軟件操作。你只需要像和人說話一樣,告訴 AI 你想要什麼。
2022 年 11 月 ChatGPT 發佈,兩個月內用戶突破 1 億。這是互聯網歷史上增長最快的應用。人們突然意識到:和計算機溝通,可以如此簡單。
但這個時代有一個侷限:AI 能聽懂,卻不能動手。它可以告訴你怎麼做,但不能幫你做。這就像有一個博學的顧問,卻沒有一個能幹的助手。
A2UI 時代(2025-)
AI 能夠輸出可交互的界面,真正從「說」到「做」。對話和操作融為一體。
這是交互進化的邏輯終點:計算機不僅理解人類的意圖,還能直接幫人類執行。
觀察這段歷史,我們可以總結出幾個規律:
規律一:每一代技術都讓更多人能夠使用計算機
用戶規模的擴大,帶來了市場規模的指數級增長。
規律二:每一代技術都降低了「想法」到「執行」的距離
距離越短,體驗越好,效率越高。
規律三:每一代技術革命都誕生了新的巨頭
這將開啟什麼樣的產業變革?每一次交互方式的革命,都創造了萬億級的市場機會。A2UI 代表的範式轉換,機會可能更大——因為它不是創造一個新平臺,而是讓 AI 能力真正釋放到所有場景中。
我們正在見證,也在參與。
從命令行到圖形界面,從網頁到移動應用,每一次交互方式的革命都創造了巨大的商業價值,誕生了新的科技巨頭。
A2UI 代表的是下一次革命:從「人適應機器」到「機器適應人」。
在這個新範式中:
這不是科幻,這是正在發生的現實。而我們,正站在這場革命的起點。
如果你是開發者——現在是探索 A2UI 的最佳時機。早期採用者將獲得技術積累和經驗優勢。
如果你是企業決策者——考慮在客服、數據分析、業務辦理等場景引入 A2UI,提升用戶體驗和運營效率。
如果你是產品經理——思考 A2UI 將如何改變你的產品形態,提前規劃下一代交互體驗。
如果你是普通用戶——期待吧,更好的 AI 交互體驗正在到來。
想要了解更多或開始使用?訪問我們的 GitHub 倉庫,或者 聯繫我們 討論如何在您的業務中應用這項技術。
未來已來,你準備好了嗎?
本文由 Zhama AI 技術團隊撰寫。我們致力於讓 AI 技術更好地服務於人。
Muse 讓雲端 Agent 走到臺前。TeGo 把數字分身帶進中國企業的真實工作:接任務、用工具、交結果,也讓關鍵操作回到人的判斷中。
TeGo v3.0.0 在桌面端做了三件事:常駐置頂的 Mini Chat 浮窗、統一的下載中心、Windows NSIS 安裝器全面重寫。本文聚焦體驗細節,解釋這套組合是怎麼把數字分身真正「裝進每天的工作流」的。
TeGo v3.0.0 一次性補齊了 16 個 TeGo 系列模板技能,覆蓋 IT 運維與跨境電商兩條最高頻的產業鏈路。每個技能都附帶可執行 bash 腳本,不是「提示詞模板」,而是真正能跑——本文系統介紹這 16 個技能、對應業務流程,以及與 per_user / 模板治理 / BusinessMonitor 是怎麼聯動的。