铃阅时讯
❌

阅读视图

比巨富长古着店香 10 倍!我在上海慈善超市打开新世界

原创 廖信忠 2026-10-08 22:26 上海

沪币的洼地

Buy42 善淘慈善商店江宁路店

很多人知道我沉迷买旧货,什么泰国日本台湾美国各地的旧货店。觉得那才叫有意思的生活。可是最近我发现自己狭隘了,我把目光投向了上海遍地开花的慈善商店。

说起来上海的慈善商店挺神奇,那不仅只是卖旧货:衣服、日用品、书籍、杂货、小家电,啥都有,琳琅满目,物价便宜得令人发中指,梦回千禧年,就像中国刚加入WTO时逛襄阳市场的荒诞爽感。这绝对是上海购物的价格洼地,是给被沪币背刺的年轻人回血处。

我逛了几次下来,平均花30元,这在安福路可能连一杯冰美式都买不到,连法棍都买不起,但在慈善商店,你能体验一把当土豪是何等的快乐。

但逛了几间慈善商店后,发现它吸引人的地方,远不止便宜。 它本质上是个时光盲盒,你永远不知道下一秒能掏出什么年代的宝贝。 

刘欢 2004 年北京演唱会 CD,5 元;羽泉专辑,也是 5 块。 一张是华语乐坛的黄金年代,一张是内娱塌房的经典素材。花十块钱,买两份时代记忆,你说值伐?

旧货店里总有些让人心生悲凉的物件,比如读卡器、磁带机,还有那种零零后当作出土文物、八零九零后看了直接破防的复读机。睹物思情啊!当年谁要是有这玩意,班花都要借口和你一起学习。现在,9元!只要九元,就能把你的童年接回家。便宜啊,坏了也不心疼,买的就是个情怀。

还有很多可爱的杂货,甚至没用过的家居器具,锅碗瓢盆啥的,大概都是原价的二折。

还有啥冰淇淋机、热压土司机、华夫饼机....能见到不少家用小电器。

最打破刻板印象的,是服饰区。很多人对慈善商店的衣服印象是:又旧又土,没人要的破烂。大错特错。这里的古着质感,肯定比巨富长那些自称vintage,但选物拉垮,溢价又高的主理人店有趣多了。价格却只有十分之一。 

非常Queen的衣服 。善淘慈善商店新闸路店

一件原吊牌六百多的偏光面料衬衫,这里不到 50。就是那种上海老克勒最爱穿的版型,妥帖,讲究,自带腔调,演员林栋甫看了都得回来囤两件。 

还有那些礼帽,戴上你直接能去《不眠之夜》当 NPC,只要别走错房间抢戏就行。 

亮闪闪的鞋子,罗子君女士见了都要问链接

夸张的大首饰,薛甄珠女士戴上就能直接演抓小三名场面。

这个版型,这个花色,张爱玲老师见了都要含泪点赞,彻夜重写倾城之恋。

39元

上海大名羊毛衫厂出品的驼羊衫,真正的海派vintage,往梧桐树下一站,就是秋日限定皮肤。

二十几,三十几,就能把氛围感拉满。 《破产姐妹》里 Max 和 Caroline 靠逛慈善商店撑住体面,放到今天的上海,消费降级之际,广告量遽减的潮人博主靠逛慈善商店强行炒复古潮流,时尚果然是个圈,绕了几圈,还是省钱最香。

现在上海各慈善商店里的货品,大多是附近居民单位捐赠,正是这样的随机性,形成了不同社区的慈善商店的独家特色。所以在某些门面,能见到一些超硬核货品。比如新天地太平湖旁的“淮爱”循环公益商店,有滑雪服、滑板、滑雪鞋、帽子,可以的,这很上海。

这一整套滑雪设备租下来是500元一天。

如果你觉得慈善商店出现滑雪服已有点太超过,那是因为你还没看到强大动力的儿童拖拉机。一百多元就能带回家

还有这款全新的专业生物显微镜。对!就是那种实验室用的生物显微镜。大約是網上同款6-7折,不到一千就能带走。 

我问服务人员这哪来的?他说附近居民捐的,买了后发现家里孩子几年都用不到,与其在家里吃灰,不如捐出来做慈善。我望向外头那排名为翠湖的小区,扭过头去痛苦地咬牙,这属于少爷的闲置吃灰,普通人的天降宝藏。 

连显微镜都有了,吉他、高脚凳、各种办公摆件,也就见怪不怪了。 

 “淮爱”楼上有办公区,白领小姐姐给店里捐了很多时兴的桌面摆件。即使当年让无数盲盒赌狗倾家荡产的泡泡玛特,店里普通摆件一般不超过30,限量版稍贵一些。大概都是海鲜市场上的价格再一半。

甚至连当年全网疯抢、炒到1700块钱一个的冰墩墩,最终都流落到了这里,岁月静好地标价十几块,等你来挑。

线下消费的魅力就在于会莫名其妙地开始花钱。在慈善商店里会有很多计划外的可爱小东西会闯入眼帘。

新闸路上的善淘BUY42慈善商店有很多布艺贴。下图左上角的条纹小兔子只需要1元,可以别在帆布包上或衣服上。

逛二手商店的一大快感就在于,在一堆杂乱的物品当中,看到自己喜欢的东西,眼前一亮,有种千军万马之中取敌将首级的快感。

说起来上海的慈善商店主要有三类,第一类是政府直接管理的,店里主要售卖一些便宜的米面粮油,起到困难群众帮扶的作用;第二类由社工机构、公益组织、社区基金运营,接收公众的捐赠,并将公众的捐赠物重新整理后售卖,例如“淮爱无限”循环公益商店慈善商店;还有第三类就是由企业运营的,典型案例就是善淘BUY42的一系列店铺。今天我们提到的商品都来自后两类。

还有一些特色产品,比如残疾人的手工艺品,以及这双化解偏见的错袜

一家善淘BUY42慈善商店慈善商店的店员告诉我,商店收到了民众捐赠的商品后,会进行筛选,确认东西至少在八成新以上才会上架,她说:“我们会判断,至少是店员自己也会想买的才能卖给别人。”善淘BUY42慈善商店不仅会接收周边居民的捐赠,也有不少来自企业的批量商品捐赠。

店员正在筛选捐赠衣物

一家善淘BUY42慈善商店慈善商店的店员告诉我:上架的标准很简单,至少我们自己都愿意买,才会卖给别人。捐赠的东西不是随便摆,得八成新以上,得干净,得能用。

“淮爱”慈善商店的捐赠标准

钱去哪了也很透明:义卖收入反哺公益项目,还给本街道残障人士、困难群体提供就业岗位。你花几块钱买的不只是一件闲置,是真的在参与公益。 

在逛慈善商店的过程中,我遇到过聋哑人店员、说话有一些迟缓的店员、带着自闭症孩子上班的店员一些社会弱势群体。

在淮爱慈善商店里一角,有一座小帐朋,里免坐着一位少年,在那敲敲打打。

新天地里旁的“淮爱”慈善商店

“不要怕喔!那边是他的安全窝,他在里面会觉得很安心”店员说。

原来店员就是这位自闭症少年的母亲,她每次都要带着孩子坐1个多小时的地铁来上班,也不是为了省多少钱。她说:“如果一直开车的话,小朋友就只能在学校、车、家,这样几个固定的空间,没有办法接触外界。反而坐地铁能学到很多东西。”小孩现在已经上完了9年义务教育的课程,在店里自己也能玩得很开心。

对于她们来说,这里不是商店,而是融入世界的缓冲垫。

她说最早有一位朋友告诉她有这样的机会,她也觉得这样对自己和孩子都有好处,于是店面刚开业就来了,一周固定两天值班。店里有一位几乎每天都会到店里逛逛的女性顾客说:“有一件具体的事情做,对你来说也会好很多。”

“淮爱”慈善商店

现在分布在上海各街道的慈善商店,也像一种社区邻里之间交流的新空间。在石门路善淘BUY42慈善商店逛时,一个戴眼镜的爷叔说因为姆妈住这附近,所以来看姆妈的时候就会来店里逛逛,他手上正在看一个蜡笔小新的餐巾纸包,跟另一个顾客讨论这个不错;随后他又在盒子里翻出一个新的宝宝围兜,似乎在思考适不适合家里的小辈用。

他向我介绍在店里淘到的战利品:一个饭盒包只要3块钱,他翻出内里的锡纸层,很骄傲地告诉我这个袋子的保温效果很好;一个白色的帆布袋2块钱,他经常出门背着。爷叔还将我领到一个专门挂帆布包的架子处,结果说今天不巧,昨天他来看的时候还有很多款式,爷叔说:“我看很多人背那种款式的,很流行的。”

在我继续在店里闲逛的时候,有一个奶奶进来了,奶奶说走得累了,进来歇一歇,店员看起来也对奶奶很熟稔的样子。

慈善商店给变老的文艺青年一个守住爱好的机会。在曹家渡路上的善淘BUY42慈善商店遇到了一个淘DVD的师傅。师傅一进店里就直奔DVD专区,并且行云如水地抽来一边的小板凳坐下,开始认真地淘起来。

是个文艺老年交友的好地方

见我似乎也在看DVD,并得知我没有设备播放时,师傅热心地跟我说:“可以用电脑放DVD呀。或者买一个外接的设备就行了,你看看这里有没有这种设备。”他还告诉我:“这里有一些DVD买回去可能会放不出来。”言下之意是,也有赌的成分在。不过,又说:“因为很便宜,还是很划算的。便宜嘛,看完了就扔了。”

大部分的慈善商店都是宠物友好商店。有一次晚上8点左右去江门路的善淘BUY42慈善商店,遇到了一只害羞又可爱的小狗。12岁的小狗跟着两位主人来慈善商店,店员们也是见怪不怪的样子。小狗特别乖,女主人给男主人挑选衣服的时候,它就默默地坐在一边等待。

你看这样的店,在上海有多难得呀!有人淘的是便宜,有人淘的是回忆,有些人就是来打发时间,凑个热闹。但也没人催你买,没人给你推销,爱逛多久逛多久。这可是真正的种松弛感。

当然这次我参观的慈善商店多了,也发现多数门店,比起二手货店发达的日本或泰国,空间布局与人流动线仍有较大优化空间,如果能借鉴一些独立杂志的视觉排版逻辑,日系店按色系、年代、材质给你码得整整齐齐,用策展思维引导视线,不用全程埋头像在杂物堆里挖宝,那顾客的购买欲不得直接原地起飞。

但话说回来,真要都打磨成网红买手店那股精致味儿,反而丢了慈善商店最有价值之处。普通旧货店做的是二手生意,拼选品、吃差价、卖氛围;慈善商店玩的是物品轮回,讲缘分、攒善意。

这种慈善模式就比较轻松了,不是那种捐一大笔钱的宏大叙事,就是你挑了个喜欢的小玩意儿,顺手帮了别人一把。

你不爱的旧衬衫,可能是别人的心头好;你闲置的显微镜,可能是某个孩子的科学启蒙;你随手捐的小摆件,可能变成另一个人的快乐。人类对物品的喜爱不会消失,只会转移。而慈善商店,就是那个中转站。

善淘 Buy42 新闸路店

上海我经常去的几间慈善商店:

1. 善淘 Buy42 外滩店(外滩街道慈善商店)

📍地址:黄浦区福州路 480 号

⏰营业时间:周一至周日 10:00–20:30

 2. 善淘 Buy42 江宁路店(江宁路街道慈善商店)

📍地址:静安区江宁路 916 号

⏰营业时间:周一至周日09:00–20:00

 3. 善淘 Buy42 新闸路店(石门二路街道慈善商店)

📍地址:静安区新闸路 1132 号

⏰营业时间:周一至周日 09:00–20:00

 4. 善淘 Buy42 曹家渡店(曹家渡街道慈善商店)

📍地址:静安区延平路 488 号

⏰营业时间:周一至周日 09:00–20:00

 5. 淮爱无限循环公益商店(淮爱公益商店)

📍地址:黄浦区湖滨路 168 号无限极荟购物中心 1 楼 W16(新天地)

⏰营业时间:周一至周日 10:00–22:00(跟商场同步)

请帮忙转发、按赞按看过
想看更多内容,请加以下关注

最近我新开了一个号“五十岁还在独自旅行”,这个新号专门写我出去各地的见闻感想,各种新发现。比起现有号的广度,新号会更专注深度,当然在起号早期,两边的文部分会相通转发。大家也可以把新号当作我的小号,免得哪天我这边就不告而别了,你们还找得到我。

跳转微信打开

  •  

让日常的每一天都变得更开心的秘诀

L先生说 2026-10-08 21:30 广东

你是否有这种感受:每一天都过得很平淡,总盼着节假日快点来;而到了节假日,又觉得时间过得太快,很多事情都来不及做。

我们总是「集中性放松」,平时承受着太多压力,而把释放的出口全都寄托在短暂的节假日上。

但其实,更好的方式,可能是在日常生活中,建立起一种良好的激励和期待。让平常的每一天都变得更开心。

一个非常有效的方法就是:为日常生活创造一点期待。

我们总是活在期待里。正是大脑的多巴胺「奖赏预测误差」理论,驱动着我们去付诸行动、体验生活。如果没有了对未来的期待,我们也就失去了动力。

(详情可参阅:如何既享受期待,又避免失望)

所以,我想跟你分享这个方法:

打开一份日历(随便哪一个日历工具都可以,或者用系统自带的日历也行)。然后,把自己喜欢的、想得到的东西、想做的事情,安排在一年的不同日期上,作为给自己的阶段性奖励。

比如:

去一个没去过的城市进行一场短途旅行;

买一个自己一直想要的东西;

参加一次一直感兴趣的活动;

跟朋友约一场许久不见的线下聚会;

又或者,给自己一个短暂的假期,不考虑任何功利因素,做你想做的事情;

……

以我的经验来说,平均每半个月一个小奖励,每 3 个月一个大奖励,是一个比较合适的节奏。

当你觉得无聊时,或者困于压力时,打开这份日历,沉浸进去,想一想未来得到这份奖励时自己的心情和感受。这能非常有效地帮你振作起来。

进一步,这还可以成为你记忆里的一个「锚点」。你可以把它们视作生命的一个个路标,以它们为标记,为你当下的这个阶段总结、复盘。

换言之,在上一个奖励和下一个奖励之间的这段时间里,不妨观察一下自己:

做出了什么新的突破和尝试?

取得了什么令自己自豪的成就?

学到了什么有趣或有用的东西?

人际关系上得到了什么维护或进展?

……

像这些,都可以在兑现奖励的时候,把它们总结起来,然后做成一张小小的海报(用 AI 做就行,很简单),作为给自己这个阶段的记录。

把它们收集起来,没事的时候翻阅、回味,你会发现,自己看似平凡普通的日子,居然也可以如此精彩,熠熠生辉。

久而久之,你会变得更自信,更从容,你会更加发自内心地感受到:自己配得上一切美好的事物。

希望今天的推送,能对你有启发~

晚安~

————

近期文章:

一种很重要的能力:识别你的「默认脚本」

紧张工作后,我用这5个方法立刻放松精神

这些小习惯,在AI时代会变得越来越重要

跳转微信打开

  •  

Grok Bot 玩法 01:生成 AI 早报视频的提示词

原创 歸藏的 AI 工具箱 2026-10-08 19:32 北京

让 Grok bot 每天早上定时出一个 AI 早报的视频,没想到效果还真挺不错的!

全程都没用我本地电脑,全跑在它的云端虚拟机上,包括内容收集、写代码和视频渲染。

我写了个提示词,直接复制过去的话,你的 Grok bot 也能执行这些任务

10 月 7 日那期的片头(此处可替换为视频)

下面先讲讲这套流程具体怎么跑,提示词放在文末。

一期早报,四步

我给 Grok Bot 建了个定时任务,从 10 月 9 日起每天早上 9 点整理前一天的 AI 资讯,出一份文字早报。

视频这一步目前只试做了 10 月 7 日那一期,还没接进每天的定时任务。完整流程分四步:采集、写简报、做视频、交付给我。

试做那期,这四步都是在 Grok Bot 自己的云端虚拟机上跑的,抓数据、写代码、渲染视频都没占我的电脑。

整体流程

采集:四个来源,按北京时间整天算

•

X 收藏:我平时刷到有意思的推就点收藏,这是最主要的来源。X 接口不告诉你“什么时候收藏的”,所以它每天存一份收藏 ID 列表,跟前一天比,多出来的就是新收藏。

•

X 雷达:我自己前一天发的推,按“赞 + 2×评论 + 2×收藏”排出前 3,再去评论区挑有实质内容的观点,比如带实测、带数字或者提出反驳的。

•

Newsletter:邮箱里订阅的刊物,当天有新一期就一起收进来。

•

其他一些 AI 资讯网站:用浏览器渲染后再读。

时间窗口是北京时间的完整一天,换算成 UTC 再去查。

直接按 UTC 零点切的话,北京时间凌晨 0 点到 8 点发的推就漏了。

试跑那期是 10 月 7 日。当时还没有收藏快照,是按发布时间筛的:

99 条收藏里有 62 条是 10/7 发的,最后归成 7 条主线。从采集到整理完,大约 6 分钟。

信息来源与筛选规则

简报:几条硬规矩

简报写成 5–7 条主线,每条一句话标题,加一两句要点和关键数字。我给它定了几条规矩:

1.

每条都附原推链接,补过背景的再附一个官方来源。没有链接我没法核对,这条就等于白写。

2.

价格、跑分、融资额这类数字,回官方页核对一遍。

3.

传言标“未证实”。数字、引用、链接、用户名都不许编,评论作者按推文 ID 回填。

4.

某个来源读不到就写“没读到”,跟“没更新”分开。

第 2 条试跑时就用上了。Nano Banana 2.1 刚上线时流传的 4K 价格是 $0.076 一张,我自己推里写的也是这个数。

Grok Bot 回 Google 定价页一查,现在写的是 $0.113。视频里用的是定价页的价格,$0.076 划掉了。

视频里的 Nano Banana 2.1 那一屏

视频:90 秒,先试做了一条

视频按我的 Product Video skill 来做,版式用社交卡片 skill 里的瑞士风,纸白底配安全橙。

1.

先写 DIRECTION.md,定方向、画面规范和逐镜头表。

2.

用 edge-tts 每句单独合成配音,量出每句的实际时长。镜头切换、字幕、画面动作和音效都按这个时长对齐,字幕和声音不会错开。

3.

用 React + GSAP 搭镜头,一条主时间轴控制所有动画。

4.

Playwright 逐帧截图,FFmpeg 合成。字幕直接烧进画面,人声出现时背景音乐自动压低。

5.

导出后跑 skill 自带的交付检查,再抽帧逐屏看一遍。试做那条是抽帧时看出 3 处排版问题,改完重新导出的。

成片 90 秒,横屏 1920×1080:片头,7 条新闻各一屏,X 雷达一屏,最后是片尾。

按试做那条的日志,机器跑的部分合计约 5 分钟:配音约 45 秒,混音约 20 秒,最慢的是导出,约 3 分 40 秒。写旁白稿、搭画面和审片的时间不算在内。

视频制作流水线与耗时

用到的三个 skill

都开源在我的 GitHub 上:

•

guizang-product-video-skill:视频制作流程。github.com/op7418/guizang-product-video-skill

•

guizang-social-card-skill:版式。github.com/op7418/guizang-social-card-skill

•

Humanizer-zh:旁白去 AI 腔。github.com/op7418/Humanizer-zh

中文配音另外装了 edge-tts,用的是 zh-CN-YunxiNeural,语速 +20%。

三个开源 skill

邪修用法

再分享个邪修用法:在 Agent 的云电脑里装个 Pi 或者 DeepSeek Harness 这类编程 Agent,把你其他 Code plan 用不完的额度配进去。然后让 Grok Bot 调这些 token 去写代码、渲染视频,闲着的额度也就不浪费了。

这种 Personal Agent 的提示词和玩法教程,我后面会一直出,感兴趣的话可以长期关注一下!

提示词

下面这段整段复制给你的 Grok Bot 就行。Muse、Dots 等有云电脑的 Personal Agent 都可以用这套流程和提示词。

用之前把 @<你的用户名> 换成你自己的 X 账号,“其他来源”换成你订阅的 newsletter 发件邮箱或者网页,用不上可以删掉。

PROMPT · 整段复制

请帮我搭一套「AI 早报 + 讲解视频」流程:每天整理前一天的 AI 资讯,出一份文字简报,再做成一条约 90 秒的中文讲解视频。先装好环境,用昨天的内容试跑一期,交给我验收。

【一、安装 skill(在你自己的电脑上)】

把下面三个公开仓库克隆到 ~/.claude/skills/ 下,每个都完整读一遍 SKILL.md 和它引用的文件:

- https://github.com/op7418/guizang-product-video-skill (视频制作流程:React + GSAP 搭画面,Playwright 逐帧渲染,FFmpeg 合成)

- https://github.com/op7418/guizang-social-card-skill (版式:瑞士风,纸白底,安全橙 #FF6B35)

- https://github.com/op7418/Humanizer-zh (旁白去 AI 腔)

按 skill 的环境检查把缺的依赖装齐(Node、Playwright + Chromium、FFmpeg、Python 等)。另外装 edge-tts 做中文配音,可以先用 zh-CN-YunxiNeural,语速 +20%;有更稳定的 TTS 也可以换。

【二、采集资讯(日期 Y = 我所在时区的昨天)】

- 时间窗口用我所在时区的完整一天,换算成 UTC 再查,不要直接用 UTC 零点。

- 来源:我的 X 收藏、我自己在 Y 当天发的推文(按 赞 + 2×评论 + 2×收藏 取前 3,附上评论区里有实质内容的观点),以及我下面列出的其他来源。

- 我的 X 账号:@<你的用户名>

- 其他来源(可选):<比如某个 newsletter 的发件邮箱、某个网页>

- 某个来源读不到时,如实写"没读到",和"没更新"分开写。

【三、文字简报】

- 把相关内容归成 5–7 条主线,每条一句话标题,加一两句要点,带上关键数字。

- 每条都要附原推链接 https://x.com/<用户名>/status/<id>,补过背景的再附一个官方来源。

- 价格、跑分、融资额这类数字要回官方页核对。传言标"未证实/社区传言"。绝不编造数字、引用、链接或用户名,评论作者按推文 id 回填。

【四、讲解视频】

- 完全按 Product Video skill 的流程做:先写 DIRECTION.md,再搭镜头,最后渲染。画面的字体、配色和排版沿用社交卡片 skill。

- 结构:片头(AI 早报 + 日期 + 今日条数)→ 每条新闻一屏(标题、1–2 个橙色关键数字、来源账号)→ X 雷达一屏 → 片尾。总长 60–90 秒,默认横屏 1920×1080。

- 旁白中文口语化,先用 Humanizer-zh 过一遍。每句单独合成配音并量出时长,镜头、字幕和动作时间都按实际配音时长来对齐。字幕烧录进画面,人声出现时把音乐压低。

- 视频里只放简报里已经有的事实,不新增内容。

- 导出后跑 skill 自带的交付检查,抽帧逐屏看:文字不能溢出、重叠或截断,中文不能缺字,整片色调要统一。有问题先改完再交。

【五、交付】

发给我:文字简报全文、成片 mp4、旁白稿、3–4 张关键帧,再加一句话说明哪些步骤还不稳定。不要替我发任何消息或帖子。

试跑我满意之后,再帮我建一个每天早上 9 点自动跑的定时任务。

按这段提示词,它会先装环境、用昨天的内容试跑一期,把简报、成片、旁白稿和关键帧一起发给你。

你看着满意了,再让它建每天 9 点的定时任务。

如果觉得内容不错、对你有帮助的话,可以帮我点个赞,或者分享给有需要的朋友

✦

跳转微信打开

  •  

AI专栏 | 单点模型越堆越乱?携程酒店多模态平台如何让内容资产可治理

原创 Franky Yang 2026-10-08 16:30 上海

拆解一套可评测、可灰度、可回滚的内容 AI 底座

作者简介

Franky Yang,携程技术专家,关注多模态与 AI 系统工程,尤其是知识与检索底座、平台架构以及系统的可靠性和持续进化能力。

团队热招岗位:高级/资深Java开发工程师、算法专家-企业知识库方向、AI Agent工程师

导读:随着酒店图片、视频等内容资产持续增长,图搜、首图精选、图片质检、视频理解等场景不断扩展,单点模型和独立链路逐渐难以支撑复杂的业务需求——重复计算、版本不一致、效果难以复现和回滚等问题,也开始成为多模态能力规模化落地的工程瓶颈。

为此,我们建设了一套面向酒店内容场景的多模态理解平台,将数据接入、模型编排、向量检索、内容理解、评测灰度和治理回流串成完整闭环,让图片、视频和文本等内容资产能够被稳定理解、检索、复用和持续迭代。

如果你正关注多模态 AI 工程化、向量检索、模型评测治理,或 AI 基础设施的平台化建设,希望这篇分享能带给你一些启发。

一、背景信息

二、从单点能力到平台化基建

三、总体架构:数据、模型、检索与治理闭环

四、数据底座:把模型结果变成可治理资产

五、向量链路:面向大规模内容的检索中枢

六、内容理解:从图片扩展到视频

七、评测、灰度与可观测:让模型迭代可控

八、阶段性效果与工程沉淀

九、总结:可复用的工程经验

一、背景信息

酒店首图

酒店相册

酒店视频

图搜酒店

当用户预订酒店时,图片和视频往往比文字更先影响决策:房间是否宽敞、窗外视野如何、早餐区是否干净、泳池和健身房是否真实可用,这些信息都藏在海量内容资产里。

但对工程系统来说,酒店图片和视频并不只是“展示素材”。它们需要被理解、检索、精选、质检和复用:用户想用一张图找到相似房型,运营希望从素材库中快速挑出适合首图的图片,平台需要持续识别低质、水印、拼接或误导性内容,视频也需要被拆解成可搜索、可审核、可摘要的结构化信息。

随着内容规模持续增长,单点模型很难支撑这些复杂场景。图片分类、图文检索、质量检测、首图评分、视频摘要看似是不同问题,但底层都依赖同一件事:如何把多模态内容转化为稳定、可复用、可评测、可治理的数据资产。

围绕酒店内容场景,我们建设的不是单点模型服务,而是一套面向图片、视频和文本资产的多模态理解平台。平台将数据接入、模型编排、向量检索、评测灰度和治理回流串成闭环,让图搜、首图精选、图片质检巡检、视频理解等场景可以在同一套底座上组合能力、复用资产、持续迭代。

在真实业务环境中,平台面对的复杂度不只是“多跑几个模型”,而是大规模内容资产的长期治理:存量图片与视频、日新增素材、标签结果、质量分、风险识别结果、Embedding 特征和索引版本会共同形成多层衍生数据。内容规模越大,重复计算、版本不一致、效果不可复现和回滚困难就越容易变成系统性问题。

二、从单点能力到平台化基建

多模态项目早期往往从具体问题出发:图片分类、风险识别、图文检索、视频摘要等能力可以分别上线。但随着场景增多,如果每个需求都独立接模型、建数据链路、做评测和上线治理,系统复杂度会快速放大。我们希望建设的不是一批孤立能力,而是一个可以持续装配业务场景的内容 AI 平台。

平台化之后,业务场景不再从零建设链路,而是按需组合能力模块:图片标签、质量分、Embedding、风险识别、向量召回、重排策略、人工反馈和评测集都可以像积木一样被复用。不同场景的差异,主要体现在积木的组合方式、阈值策略和业务约束,而不是底层链路的重复建设。

三、总体架构:数据、模型、检索与治理闭环

整体架构可以理解为一个面向酒店内容的多模态理解平台:底层接入图片、视频、文本和用户反馈,中间沉淀标签、质量分、风险结果、Embedding 和索引版本,上层通过模型编排、向量检索、任务调度、评测灰度和可观测能力对外服务。各层之间通过标准化协议和版本治理连接,避免模型、存储和业务逻辑深度绑定。

在线链路面向低时延请求,优先读取已有资产;缺失时按策略触发计算,并通过降级、缓存和超时控制保证稳定性。离线链路面向增量回填、存量刷新和大规模索引构建,通过异步编排、批量调度和资源隔离提升吞吐。

这套架构的关键不是引入某一个模型或某一个引擎,而是让每个组件都可以被替换、评测、灰度和回滚。模型在变化,数据规模在变化,业务诉求也会变化,基础设施必须先具备稳定演进的能力。

3.1 典型场景如何在架构里跑起来

不同场景使用的模型和阈值不同,但底层路径是相通的:先把内容资产标准化,再形成可复用的模型结果,最后通过检索、排序、治理或生产工具对外提供能力。

3.2 链路实战:一次图搜请求如何跑起来

以图搜 / 文搜图为例,用户或运营同学提交一张图片、一段文本描述或一组筛选条件后,系统并不会直接调用单个模型返回结果,而是经过“资产读取、特征生产、向量召回、结构化过滤、重排治理、反馈回流”几个阶段。每个阶段都对应前面提到的平台能力,也都可以独立评测、灰度和回滚。 

这条链路的重点不是“多调用几个模型”,而是让每次模型升级、索引重建或排序策略调整都有明确的版本边界、评测口径和回滚路径。只有链路可治理,图搜能力才能从一次项目交付变成长期可迭代的基础能力。

四、数据底座:把模型结果变成可治理资产

多模态系统的第一层能力是数据底座。过去,模型输出常常只是一次接口调用的返回值;在平台化体系中,它需要被注册、存储、查询、评测和复用。

  • Schema 注册:为不同类型的算法结果建立统一描述,支持多版本演进、跨介质存储、压缩策略和降级策略。

  • 模型管理:将垂域模型、Embedding 模型和多模态大模型纳入统一注册体系,模型版本与数据 Schema 显式绑定。

  • 查算分离:优先查询已有版本化结果,缺失时再触发计算,减少重复推理并提升资源利用率。

  • 资源编排:在线请求走低时延同步通道,批量刷新和存量任务走异步通道,并通过优先级和集群隔离削峰填谷。

  • 中间结果缓存:支持多模型流水线编排、断点续跑、失败重试,让复杂任务具备工程可恢复性。

数据底座的价值不只在节省算力,更重要的是把“模型结果”沉淀为组织可复用的工程资产。后续模型替换、场景扩展、效果回溯,都可以基于同一套资产体系完成。

从量级上看,平台需要同时处理“原始内容规模”和“衍生结果规模”:一张图片或一个视频片段可能对应多类标签、多个模型版本、不同维度的质量/风险结果,以及多套 Embedding 和索引版本。随着存量回填、日常增量和模型升级持续发生,元数据平台承担的是长期可追踪、可回放、可复算的资产治理能力。

把内容理解结果资产化:不只负责调用模型,还要把不同模型、不同版本、不同任务产出的结果统一写入元数据平台,供检索、精选、巡检和视频理解复用。

五、向量链路:面向大规模内容的检索中枢

多模态理解不仅要能“看懂”,还要能“找得到”。在酒店内容场景里,图搜和文搜图是最典型的检索能力:用户或运营同学可以用一张图片、一段文本描述、一个标签组合,找到语义相近、风格相似或满足筛选条件的图片与视频片段。向量链路承担的是高吞吐、低延迟、可扩展的召回底座。

5.1 引擎可插拔

我们在向量服务层屏蔽底层搜索引擎差异,将 Elasticsearch、Milvus、Zilliz 等能力抽象成统一接口。上层业务不直接依赖具体引擎,下层可以根据规模、延迟、召回效果和运维成本独立选型。

5.2 索引全生命周期管理

索引构建不是一次性任务,而是持续演进的工程系统。平台支持全量重建、增量回填、批量刷新、快速回滚和索引版本追踪,让模型升级、特征变更和数据扩容都有明确的发布路径。

5.3 Embedding 统一评测

Embedding 模型决定了跨模态召回的上限。我们将模型接入、评测集、离线 Benchmark、线上灰度和回滚串联起来,用统一口径比较不同模型在相关性、细节感知、延迟和资源成本上的表现。

在部分检索链路中,通过引擎升级和索引结构优化,平均延迟和尾延迟都有明显下降,吞吐能力获得倍数级提升。更重要的是,这些优化被沉淀成可复用的接入基线,而不是只服务于单个项目。

5.4 图搜链路的数据流

以图搜和文搜图为例,系统不会把检索做成单一接口,而是拆成内容入库、特征生产、索引构建、在线召回和效果评测几段。这样 Embedding 模型、向量引擎、索引结构和重排策略都可以独立升级。

六、内容理解:从图片扩展到视频

内容理解层采用“垂域模型、Embedding 模型、多模态大模型”协同的方式。垂域模型负责稳定的结构化识别,Embedding 模型负责语义召回,多模态大模型负责更复杂的主观语义理解和泛化判断。

6.1 图片理解的几类典型用法

图片理解并不是单一“识别图片里有什么”的问题。落到酒店内容里,它通常会拆成质量、语义、风险和吸引力几类信号,再按不同场景组合使用。

6.2 质检巡检闭环:从问题发现到样本回流

质检巡检面对的是持续变化的问题空间:低质、遮挡、水印、拼接、误导性、合成内容等问题并不会一次性被穷尽。平台将离线巡检、在线抽验、人工确认和样本回流串成闭环,让新问题可以持续进入评测集和模型迭代流程。

首图精选、图搜、质检巡检并不是三套彼此割裂的系统。它们共享图片标签、质量分、Embedding、风险结果和人工反馈,只是在不同场景里采用不同的组合方式。

图片理解链路将检测、打标、语义理解和检索结果统一沉淀到元数据平台。这样做的好处是,下游不需要反复调用不同模型,而是按版本读取稳定结果;当模型升级时,也可以通过评测和灰度机制验证后再逐步替换。

视频理解则采用“复用优先”的路线:先进行镜头分割和关键帧抽取,再复用已有图片理解能力完成分类、检测、打标和向量化,最后结合多模态大模型生成摘要、主题和可检索语义。这样可以把视频能力建设从重工程投入转为在既有图片能力上的薄层扩展。

七、评测、灰度与可观测:让模型迭代可控

多模态能力的难点不只是模型效果,还包括如何证明效果、如何稳定上线、如何在问题出现时快速回滚。因此,评测与实验能力必须内建到基础设施中。

  • Benchmark 套件:沉淀标准评测集,覆盖常见检测、检索、理解和生成类任务。

  • 自动化评测:模型提交后触发预跑、指标计算和准入判断,减少临时脚本和人工对齐成本。

  • 人工抽验:对主观语义、复杂风险和边界样本保留人工校验入口,形成模型迭代样本池。

  • 灰度与回滚:按模型版本、数据版本、索引版本和算子版本切流,出现异常时可快速回退。

  • 全链路监控:覆盖任务队列、计算资源、索引更新、检索延迟、模型命中和结果分布等核心指标。

多模态模型的上线不应只看单次离线指标。更稳妥的方式是把离线评测、线上灰度、人工抽验和结果回流组合起来,让系统持续学习,同时保证发布过程可解释、可观测、可回滚。

八、阶段性效果与工程沉淀

经过平台化建设,多模态能力从“项目内能力”逐步沉淀为“跨场景基础设施”。图搜、首图精选、图片质检巡检、视频理解等场景可以复用同一套数据资产、模型注册、任务编排、向量检索和评测灰度能力;重复计算显著下降,模型接入周期由周级缩短到天级,检索延迟和离线资源利用率也获得明显优化。

对工程团队来说,最大的变化是交付模式的变化:过去每个新需求都需要重新拼接数据、模型、脚本和评测;现在可以基于统一平台完成配置、接入、验证和发布。能力复用让团队把更多精力放在模型效果和产品体验上,而不是重复建设底层链路;新场景也可以通过组合已有能力快速试错、灰度和放量。

九、一些可复用的工程经验

先做资产化,再谈智能化。如果模型结果无法被查询、追踪和复用,智能能力越多,系统复杂度越高。

模型要可替换,数据协议要稳定。多模态模型会持续演进,工程系统需要把模型变化限制在可控边界内。

评测要平台化,而不是脚本化。只有评测集、指标、人工抽验和灰度流程沉淀下来,模型迭代才不会依赖个人经验。

视频能力优先复用图片能力。通过关键帧和片段级建模,可以在较低成本下获得可用的视频理解链路。

可观测和回滚是 AI 基建的一部分。模型上线后的分布漂移、延迟抖动和边界样本问题都需要工程化兜底。

多模态 AI 的价值不只来自模型本身,更来自模型背后的工程系统。只有当数据可治理、模型可替换、计算可编排、检索可扩展、效果可评测时,多模态能力才能从一次次项目交付,真正变成长期复用的技术底座。

 “携程技术”公众号

  分享,交流,成长

跳转微信打开

  •  

ChatGPT Intelligent UI

AI大模型应用实践 2026-10-08 16:30 江苏

10 月 7 日,OpenAI 随 GPT-6 发布了 Intelligent UI。

ChatGPT 会根据问题,把文字、图解、图表和交互元素放进同一条回复,适合边看边试的小任务。

比如,自行车图解。

你可以点选传动或刹车系统,相应部件高亮、说明切换;调整滑块,零件从展开状态逐渐靠拢。

目前功能正在分批开放,账号是否已经可用要看实际入口。

跳转微信打开

  •  

Opus 5.5 做产品视频确实好用

一泽Eze 2026-10-08 14:42 浙江

专门对照实验了一下,Opus 5.5 做产品视频的能力,确实比 GPT 模型好上太太太太多

搓了一个 Gmail 换肤插件,一句话让 opus 5.5 做了个宣传视频。

提示词只要简单说清楚:这是 xx 产品,主要功能亮点是 xx,帮我做一个宣传视频,要有节奏感,就像互联网产品发布宣传视频。

甭管以后是不是连视频都有 AI 味,不同于写文章,没练过的人做视频,真是费劲还做不出来。

无脚本、无指导,直出的效果,应对功能介绍绰绰有余了 ⬇️

跳转微信打开

  •  

设计师新外挂:Eazo一句话就能生成完整可用的 App?

原创 赵壹 2026-10-08 09:34 北京

Personal Agent❓

Intelligent UI ✅

👋Hello,这里是Clip设计夹,今天分享的是「Eazo测评体验」。

如果你和我一样,脑子里经常蹦出各种奇奇怪怪的App想法——比如一个习惯打卡工具、一个养虚拟宠物的小游戏,但每次打开AI编程工具就卡壳:它要你写清完整需求、拆分功能模块、调试Prompt、改Bug,折腾半天出来的要么是跑不通的半成品,要么是充满廉价AI感的模板界面。

问题真的不在你,在大多数工具默认你是个专业的产品经理。

而最近测评的Eazo,刚好走了一条完全相反的路:你只管随口说个模糊想法,剩下的设计、代码、部署全交给它,直接给你一个能用的完整 App。

01重新定义Personal Agent:不止是更聪明的命令行

在聊功能之前,先说说Eazo对Personal Agent的理解 ——这也是它和市面上绝大多数AI助手最本质的区别。

很多人觉得Personal Agent的终点是“更聪明的命令行”:能听懂更复杂的指令、能调用更多工具、能帮你操作其他软件。

但Eazo给出了完全不同的答案:Personal Agent的终极形态,应该是图形化的、能直接产出完整应用的载体,而不是一个只会发号施令的聊天框。Eazo也是行业里第一个落地这个方向的产品。

更进一步,Eazo背后的Qoni体系,把打造Personal Agent的能力开放给了所有企业和开发者——托管身份、行动和记忆能力,人人都能做出属于自己的 “Muse”,真正实现技术平权。

这种“不跟随、重新定义规则”的思路,在当下跟风做命令行Agent的行业里,确实是股少见的清流。

02 一句话说清Eazo:模糊需求=完整可用App

先给大家一个最精简的定位:Eazo是一个能把一句模糊需求,变成完整、好看、可用的应用的Coding Agent。 核心价值按优先级可以分成三层:

能做出来:真正小白化的全栈开发,一句话生成前端、后端、数据库、登录系统,甚至支持全球收款;

做得好看:独家Wild Design能力,模糊需求也能生成6+个专业视觉方向,告别千篇一律的廉价 AI 感;

做得值:底层基于OpenAI、Claude 加自研模型混合编排,效果超越主流工具,成本却更低。

比较巧的是今天凌晨,OpenAI 正式向全体 ChatGPT 用户推送 GPT-6 与 Intelligent UI(智能界面),截至当日上午相关话题海外浏览量约200万,一下子把「AI 生成可交互界面」推成了设计圈的热议焦点。

有意思的是,同样是用 AI 做界面,行业正走出两条路线。一条是 ChatGPT 代表的「按需临时生成」:你抛出一个问题,它当场匹配对应的按钮、表单、小工具,随用随生,用完即走。

另一条则是 Eazo 这类产品代表的「沉淀为专属应用」:你说一次想法,它直接生成一个完整留存的 App,之后随时打开就能用。

有个很贴切的比方:对话是用来装开关的,不是用来开灯的。Intelligent UI让你每次喊“开灯”时,屏幕上多出一个好看的按钮;而Eazo是把开关直接装在你想要的位置,以后伸手就能按。

下面我们就通过真实的Eazo使用深度体验 ,看看这条路线的实际体验到底如何。

03核心体验:Wild Design到底强在哪?

如果只让我用一句话评价Eazo的Wild Design,我会说:它不是把你的想法“画出来”,而是先把你的想法“补完整”。

很多AI设计工具都有一个隐性前提:你得先知道自己要什么。配色、风格、栏目、动效、交互逻辑,最好都写得清清楚楚。但真实情况是,大多数人脑子里只有一个模糊念头。

Eazo的做法不一样。它会先假设你不知道最终长什么样,然后主动把同一个需求拆成多个完整方向,让你先选感觉,再继续深化。这个体验,和传统AI设计工具 “你说清楚我才敢做” 完全相反。

① 模糊想法,直接给你6种专业设计方案

我这次没有用复杂需求,而是故意试了一个很口语化的想法:“做一个虚拟橘猫养成小应用,猫咪会走路、会蹭屏幕,能喂食互动。”

这句话其实非常模糊。 如果放在常规AI工具里,我大概率要继续补很多信息:猫咪是写实风、卡通风,还是像素风?界面要可爱、治愈,还是游戏感更强?主色调用橙色、奶油色,还是复古绿?

但在Eazo里,我没有追加任何说明,只输入了这句需求。它直接围绕同一个想法,生成了6个差异明显的完整应用方向。

这 6 个方向不是简单换配色,而是从视觉语言到交互逻辑都有明显区分:

  • 方向一:治愈系养成 App。圆角卡片、柔和阴影,猫咪偏圆润可爱,界面像日常工具 App,适合做长期陪伴型产品。

  • 方向二:儿童教育风,猫咪尺寸更大,反馈更直接,适合低龄用户或亲子互动场景。

  • 方向三:复古像素风。像素猫咪、像素房间、菜单按钮像复古掌机,互动动作更像小游戏,整体更有玩感。

  • 方向四:漫画插画风。猫咪界面像漫画页,按钮更有叙事感,适合偏内容型产品。

  • 方向五:极简拟物风。保留真实猫咪毛发质感,但界面很克制,像一个精致的虚拟宠物摆件。

  • 方向六:3D 虚拟宠物。猫咪有更强立体感,场景像小型宠物房间,动作更自然,适合做有空间感的互动应用。

最让我意外的是,这6个方向并不是 “看起来像草稿”,而是每个方向都已经包含了: 猫咪形象、界面结构、按钮逻辑、互动反馈、视觉氛围和完整应用入口。

也就是说,Eazo已经替你完成了一轮“产品经理+设计师”的工作。 你不需要先定义清楚产品,只要挑一个最接近你直觉的方向。

这一步最大的价值,是把“我不确定要做什么”变成了“我知道我更喜欢哪一类”。很多人不是没有想法,而是不知道自己的想法具体长什么样。Wild Design最厉害的地方,不是生成了6张图,而是把一个模糊需求,同时变成了6个可比较的产品雏形。

② 持续迭代:审美可控,越改越对味

选完方向之后,真正的考验才开始:AI会不会越改越偏?

在很多 AI 工具里,迭代更像 “重新生成”。你说 “可爱一点”,它可能直接换成另一套风格;你说 “简洁一点”,它可能把原来的结构全部推翻。改到最后,你会发现结果和最初喜欢的那个版本已经不是一个东西了。

Eazo 的做法更接近真实设计流程:它会围绕你选中的方向继续深化,而不是每次都推倒重来。我选了 “治愈系养成App” 方向,然后做了几轮非常口语化的修改:

第一轮:调整整体气质

我输入: “整体更温暖一点,猫咪更亲人,界面不要太冷冰冰。”Eazo没有换掉原来的结构,而是做了一组可感知的调整:

  • 背景从偏冷的色彩,调整成更暖的奶油杏色;

  • 猫咪毛色更暖,并带一层琥珀柔光;

  • 轮廓更圆润,眼神更亲近;

第二轮:控制复杂度

我又说:“功能不用太多,先把喂食和互动做好,其他东西先藏起来。”于是它把复杂菜单收起来,改成更轻的结构:

  • 主界面只保留猫咪和主要互动区;

  • 喂食按钮更醒目;

  • 状态信息减少,只保留饥饿度、亲密度两个核心指标。

第三轮:调整设计风格

Eazo还支持将效果图调整为更多风格版本,操作起来很简单不需要输入提示词,之前预设好的版本风格按钮即可生成。

这里我分别体验了更大胆、夜间版这两个版本风格,生成的设计图在内容保持不变的情况下,风格区分很明显。

几轮改下来,我明显的感受是:它不是在“自由发挥”,而是在沿着同一个方向收敛。

这一点非常重要。因为设计师最怕的不是AI不会改,而是AI每次都给你一个新方案。真正好用的迭代,应该是 “越来越像我想要的那个东西”,而不是 “越来越像另一个东西”。

Eazo的迭代逻辑更像一个能听懂审美的协作设计师。你说的是很虚的感受,它会把这些感受翻译成具体的界面变化,而且它会尽量保留你最初选中的那个方向,不会越改越偏。

04不止是好看:真正能用的全栈能力

当然,Eazo不是只能做“好看的壳子”,它的全栈开发能力才是“能用” 的核心。 一句话就能生成带用户登录、数据存储、AI调用、全球收款的完整应用,前端、后端、数据库一站式搞定,不用自己搭环境、部署服务器。对于想快速验证想法的创业者、独立开发者来说,做个MVP可能一下午就够了。

技术层面,它的底气来自自研的General Agent框架EazoTack:官方数据显示,7 天全网缓存命中率达到98.3%,仅用15个工具加1个元工具,就实现了超越Codex 的效果,同时成本降低了1/3。内部经过5轮重构后的Benchmark表现超过Codex,而且测试数据全公开、随时更新,透明度做得不错。

总结下来,如果你属于以下几类人,Eazo 值得一试:

  • 有很多产品想法但不会代码不会设计的普通人;

  • 想快速搭MVP验证想法的独立开发者、创业者;

  • 厌倦调Prompt、想把精力放在创意上的设计师;

  • 喜欢折腾各种小工具、小应用的Vibe Coder。

最后

最后说下官方的分佣福利:通过邀请码邀请好友注册并完成首次充值,月付可以拿到 50%返佣,年付每月返佣70%,对于经常分享工具的创作者和开发者来说,算是很实在的政策。

总的来说,Eazo最特别的地方,是它真的站在“普通人”的视角做产品——不要求你懂技术、懂设计、会写Prompt,而是让AI去适配你的模糊想法。 毕竟,真正好的Personal Agent,从来不是让用户学着怎么用它,而是它来读懂用户的想法,把创意变成实实在在的产品。

🎁最后再为大家推荐一个福利,Eazo对新注册的用户免费开放千万token的credit ,开发者可以免费试用做专属于自己的App。此外邀请新用户还额外赠送积分会员,立即去官网体验吧👉🏻eazo.ai/creator

由于微信系统改版,关注后请点击右上角,选择“设为星标”,以获得最及时的文章更新。

阅读原文

跳转微信打开

  •  

Agent 时代,前端怎么变?读懂 AG-UI、A2UI 与 MCP Apps 的分工与协同(上)

原创 曾经的毛毛 2026-10-08 09:00 江苏

Agent 时代,前端怎么变?读懂 AG-UI、A2UI 与 MCP Apps 的分工与协同(上)

点击上方蓝字加入我们

在生产级的 Agent 系统中,完成任务的那套引擎和 Harness 固然重要,但大部分系统中,设计良好的前端 UI 应用仍然是不可或缺的重要一环 — 特别是对很多直接面向用户的 AI Native 应用,它关系到最直接的用户体验。

围绕 Agent UI 的构建,之前我们曾经有过一些零散的介绍。

本文将聚焦到 AG-UI、A2UI、MCP Apps 这三种常见标准及其开发,彻底带你看懂各自的定位、能力与区别(上),并探讨它们之间的协同使用(下)。

01 

Agent 时代的 UI 有什么不一样

首先我们来思考下,Agent 系统的 UI 到底有什么不一样?

【自然语言不能取代传统 UI】

在早期 Agent 出现时,很多人认为自然语言就是 Agent 的 UI。

但很可惜,自然语言并不能解决所有的交互问题 — 最简单不代表效率最高。

自然语言很适合表达需求和任务:“把我昨天的订单做退款处理”,这比在菜单与按钮之间反复跳转简单省事。

但如果要看十几个订单,列表显然更清晰;要调整订购数量,用输入框或者滑块也会更方便;而如果需要做二次确认,点个按钮要比输入“我确定”更快捷。

所以 Agent UI 往往是自然语言与传统图形化界面(如 Web UI)的“结合体”。

售后工作台中的流式答复与持续状态更新

当 Agent 与人类需要多次做复杂信息的交互时,HTML 的视觉表达与交互效率要强于干巴巴的文字和 Markdown。

【Agent 需要更加动态的 UI】

传统应用的 UI 大多提前设计,用户按导航与路由逐步推进(比如,搜索页面->订单列表->订单详情->二次确认->操作成功)。

而 Agent 接收任务后,它的任务步骤和路径并不固定 — 先用哪个工具、缺什么信息、什么时候需要人类介入,未必能在开始前确定。

所以,Agent 系统的 UI 很多时候要随着任务更新而呈现(比如,缺少地址,就出现地址选择;涉及付款,就出现金额核对),既要跟上 Agent 的执行,又要给人留出查看、修改和决策的交互入口。

【更多的复杂性】

除了上面的问题,Agent 的交互由于其任务特征还有更多的复杂性。

Agent 的任务可能持续几分钟,甚至更久。所以,Agent 的前端 UI 很多时候除了逐步显示回复,还需要同步当前状态与进度信息:正在调用某个工具、已经处理的任务进度、生成某个产物等等。

而当 Agent 通过 MCP 接入外部系统时,一个问题是:如果这个接口需要持续交互而非简单的一次数据获取(比如查询附近餐厅并订购),那么操作的 UI 从哪里来?如果完全在客户端定制,很显然又会产生极大的耦合性。

而 AG-UI、A2UI、MCP Apps 正是为了解决这些实际的 UI 挑战而诞生。

02 

AG-UI:给交互定义一套共同的表达

AG-UI 全称 Agent-User Interaction Protocol,最早由 CopilotKit(一个 Agent UI开发框架)团队发起,2025 年 5 月公开发布,2026 年 9 月发布的 1.0 已有稳定规范。

【解决什么问题】

如果用一句话介绍 AG-UI 协议:

为 AI 智能体(Agent)与用户界面(UI)之间的实时、双向、结构化通信制定的一个开放事件标准 。

想象一下,前端的 UI 应用需要和后端 Agent 持续通信和交互 — 发送请求、获得回复、了解进度等等,这其中存在大量的交互事件,AG-UI 就是用来统一这些交互的约定:协议、事件、格式等。

需要注意的是:

AG-UI 并不定义 UI 本身 — Agent 事件返回给 UI 后,怎么呈现、卡片长啥样,仍然由前端应用自行决定。

【运作原理】

前端应用提交任务请求后(通常是 HTTP Post),交给 Agent 接收;

由 AG-UI 协议适配层把 Agent 输出转为标准事件持续推送到前端(通常是 HTTP SSE);常见的事件类型比如:任务开始、任务结束、步骤开始、步骤结束、文本回复、文本增量、状态快找、工具调用开始等等;

同样,前端的用户确认事件,也会反馈到 Agent。

【实战开发】

官方 1.0 SDK 支持 TypeScript、Python、.NET。针对不同的 Agent 框架(比如 LangChain),使用对应的适配器即可快速实现 AG-UI 标准的事件输出。

前端可以选 CopilotKit,也可以直接用@ag-ui/client,无须更换整套 UI 框架,因为 AG-UI 并不定义 UI 组件及渲染机制。

我们用一个小案例来演示 AG-UI 的应用(后面将一直沿用这个例子):一个客户服务 Agent,假设在处理一笔订单退款的任务,在二次确认这个环节中,希望用一个更直观的图形 UI 来展示确认信息,并获得反馈。

在这里的例子中,模拟 Agent 调用后,会出现这样的退款确认界面:

注意这里的 UI 仍然是客户端自行实现,但 UI 与后端 Agent 之间的通信则是基于 AG-UI 标准进行。

我们把 Agent 返回前端的 AG-UI 事件打印出来,就可以理解这一点:

可以看到,这里的事件中并没有 UI 元素的信息 — 它们仍然由你自己定义;

它只告诉你 Agent 当前发生了哪些事件,及其携带的必要数据。

03 

A2UI:Agent 描述 UI,前端再渲染

A2UI 全称 Agent-to-User Interface,是 Google 发起、2025 年 12 月公开的声明式 UI 协议;AG-UI 的提出者 CopilotKit 与社区参与贡献。

【解决什么问题】

如果用一句话来介绍 A2UI 诞生的动机:

让后端 AI 以安全、可控、跨平台的方式,动态驱动前端交互 UI 的生成与更新。

所以,A2UI 解决的就是我们第一节所说的动态 UI 的问题。当 Agent 任务需要的 UI 并不遵循固定的交互过程与界面,A2UI 可以传递“前端需要哪些控件、怎样组织、绑定什么数据”,然后由前端用自己认可的组件绘制 UI。

Agent 决定 UI 如何显示;前端应用保留对渲染、样式和可用能力的控制。

【运作原理】

A2UI 的基本运作过程是:

后端发送 JSON 消息给前端“描述” UI — 界面区域(Surface)、组件和数据;

前端的渲染器按组件目录(Catalog)校验、映射到本地控件,并完成渲染;

用户点击产生 Action,经前端应用传回后端,再接收 UI 的更新消息;

  • 为什么有组件目录(Catalog)?

    这是一种安全机制:所有可渲染的 UI 组件(如 Button、Card、Text 等),都需要事先在目录中注册。Agent 只能“请求使用”这些白名单组件,而无法注入任意脚本或超出范围的元素。

  • 同一份描述可以跨端复用。

    前提是双方支持相同的组件版本与 Catalog,但不保证像素级的一致。

  • A2UI 是一种动态 UI 描述协议,所以其传输可以基于简单的 HTTP ;也可以基于前面的 AG-UI 或 A2A 协议来承载。

【实战开发】

继续上面的例子。我们可以用 A2UI 的方法来实现与前面 AG-UI 方法相同的效果。区别在于:

  • AG-UI 是后端只发送任务过程中的事件和数据;UI 如何展现完全由前端负责

  • A2UI 则是由前后端选定支持的组件目录,然后 Agent 直接返回 UI 描述消息

在这个例子中,我们使用了 Column、Text、Image、Button 等几个主要组件。跟踪 Agent 返回的消息可以看到结构如下(部分):

{
"version": "v0.9",
"createSurface": {
"surfaceId": "refund",
"catalogId": "https://refund-demo.local/catalog/v1"
  }
} {
"version": "v0.9",
"updateComponents": {
"surfaceId": "refund",
"components": [{
"id": "root",
"component": "Column",
"appearance": "refund-card",
"children": ["eyebrow", "heading", "status-badge", "product", "details", "amount", "labelhint", "actions", "footer"]
    }, {
"id": "eyebrow",
"component": "Text",
"appearance": "eyebrow",
"text": "REFUND REVIEW / 退款确认"
    }, {
"id": "heading",
"component": "Column",
"appearance": "card-heading",
"children": ["title", "subtitle"]
    }, {
"id": "confirm",
"component": "Button",
"variant": "primary",
"child": "confirm-label",
"action": {
"event": {
"name": "confirm_refund",
"context": {
"taskId": "0eebb393-201d-4e59-9dde-b739341e996d"
          }
        }
      }
    }, {
"id": "cancel",
"component": "Button",
"variant": "secondary",
"child": "cancel-label",
"action": {
"event": {
"name": "cancel_refund",
"context": {
"taskId": "0eebb393-201d-4e59-9dde-b739341e996d"
          }
        }
      }
    }]
  }
}

很显然,与 AG-UI 相比,大家都传递了消息,但一个是用来给前端更新 UI 的事件;一个则是直接的 UI 描述。两者区别很明显。

04

MCP Apps:让工具带着交互 UI

MCP Apps 是 MCP 的官方 UI 扩展,由 Anthropic、OpenAI 等团队共同推动,吸收了 MCP-UI 和 OpenAI Apps SDK 的实践。2025 年 11 月公布提案,2026 年 1 月正式发布。

【解决什么问题】

想象一下,基于 MCP 来连接到企业的 CRM 系统。传统的方法是构建查询数据的 Tool,前端 Agent 将工具返回的数据自定义呈现并实现交互。但问题是:

简单的 Markdown 文本与表格表现力有限,且交互能力薄弱,如数据过滤、下钻、动态面板、非文本数据等,只能通过多轮来回对话实现。

而这就是 MCP Apps 试图解决的问题:

允许 MCP Server 不仅能返回普通文本、代码、JSON等;更能同时返回一个已经设计好的 HTML 前端 UI。

【运作原理】

相比普通的 MCP Tool,MCP Apps 需要的工具会多出一个 ui:// 的资源地址标签(在工具元数据中关联)。

当前端宿主应用发现工具带有 UI 关联后,就会读取对应的 UI 资源(HTML);然后在前端隔离加载到一个 “App” 视图中(运行在 iframe 内);再把工具结果交给 App 进行呈现。

在需要后端 MCP Server 进行交互时,iframe 内的 App 首先通过 AppBridge 与 MCP Client 进行消息通讯(通过浏览器原生 API - postMessage);MCP Client 再调用 MCP Server 中的工具(通过 MCP 标准协议)。

基于安全原因,iframe 内的“App”不能直接与MCP Server通信,必须通过 AppBridge 代理与“中转。

【实战开发】

MCP Apps 可以借助官方的@modelcontextprotocol/ext-apps一系列的开发 SDK 进行 MCP Server 与客户端的开发。

在服务端通过 registerAppTool,registerAppResource 注册工具与UI资源,声明“这是一个带 UI 的工具”,并实现这个工具和页面。

这里的页面最终是运行在前端的 iframe “沙盒”内,除了视觉组件与数据的渲染呈现外,最主要是的是实现动态交互能力。

比如在点击这个 MCP App 的“确认退款”按钮,此时需要调用 Server 端的工具:

...
const result = await app.callServerTool({
  name: "decide_refund",
arguments: { taskId, decision: "confirm" }
});
render(result);
...

 并在完成调用后,根据返回结果更新前端 UI 即可:

当然,开发 MCP Apps 更简单的方法是让 AI 编程工具代你完成。

借助 MCP 官方的几个 Skill ,可以让 AI 快速获得架构指导与最佳实践:

  • create-mcp-app:从零到一个 MCP App项目的脚手架

  • add-app-to-server:给已有的 MCP Server 增加交互式 UI

  • convert-web-app:普通 Web App 转化成 MCP App,快速与 Agent 集成

05 

总结:区别与选择

尽管这三种面向 Agent UI 的标准都与 UI 相关,但各自的定位完全不同:

三种标准解决的是不同环节的问题,我们在选型时可以先看项目缺失了哪部分:

  • 已有前端 UI 页面,需要接入 Agent 的回复、进度和状态,优先考虑 AG-UI,界面仍由前端设计。

  • 需要按任务动态组合表单、卡片,考虑 A2UI;但前提是客户端具备匹配的组件目录与渲染器。

  • 外部工具需要配套地图、编辑器等交互界面,希望随工具一起复用,考虑 MCP Apps,但宿主必须支持该扩展。

需要注意的是,三者可以独立采用,但也可以组合使用。

下篇我们重点来关注它们的组合应用与协同:继续拆解 AG-UI 如何传递 A2UI 消息,以及 A2UI 与 MCP Apps 又如何配合。欢迎继续关注。

感谢阅读,交流与合作请后台留言

喜欢就关注哦

Image

动动小手点个赞

Image

点在看最好看

Image

跳转微信打开

  •  
❌