AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

agent 与界面之间的"接线标准"定版了：AG-UI 1.0 发布，定位是让任何 agent 能与任何应用通信的开放协议，带稳定且带版本号的契约，介绍在 go.copilotkit.ai/AG-UI-v1.0 。

1.0 收进去的能力清单很能说明协议在管什么：向界面回传后端数据的元数据通道、把被委派出去的子 agent 工作暴露给前端、中断与恢复的语义、每次运行的结果与 token 用量，以及向前兼容保证；流式输出、工具调用、共享状态、推理过程这些此前就有的能力继续覆盖。

翻译成人话——前端不用再为每家 agent 写一套私有胶水，agent 也不必关心对面是什么框架。

推动这份名单的共建方横跨 Anthropic、Google、Microsoft、Pydantic、TanStack 等团队，规格的后续演进走新草案加公开讨论，由 CopilotKit 牵头，而 1.0 正式文本保持不动。这份克制是协议类项目最难拿捏的部分：标准要稳，演进要有门——把两者分开，采用方才敢把生产系统接上去。

协议的生命力不在发布会，在两侧的存量。这让人想起 MCP 走过的路：工具层的互操作被一份开放规格收编之后，接谁不接谁从站队问题变成了实现问题。若 UI 层走上同样的路径，agent 应用的前端会逐渐分化成两类——照标准接的，和重写一遍的。

对正在做 agent 产品的团队，可以先做一件低成本的事：把现有 agent 到界面的私有接口对照 1.0 的能力清单过一遍，标出哪些是协议已覆盖、哪些是自有扩展。已被覆盖的部分换用标准，等于提前拿到生态的其余部分；剩下的自有扩展才是你真正的产品差异。

本地部署的性能边界又被推进了一格：单台 DGX Spark 跑稠密版 Qwen3.8-27B（不是蒸馏的 Flash 版），借优化过的缓存算法与 StairCut 方法，约 15 万 token 的上下文预填充压到毫秒级，解码速度按任务不同在 50 到 90 token 每秒之间。

发布者还贴了连续运行五小时的记录——让模型反复设计一座宝塔园林并持续迭代实现新想法，中途不停机。

三个数字里最值钱的是预填充。长上下文曾卡在"读进去"这一步：文档堆到十几万 token，光等它读完就要几十秒，模型还没开口人的耐心先没了；预填充毫秒化后，把整个代码库或整套文档一次性摊进上下文成了默认操作。解码速度决定迭代节奏，五小时不停机则回答了另一个问题——过夜自主任务能不能托付给它。

这组数据给出一条实用判断线：单设备本地部署已能承接"长上下文加长时程"的负载，不必事事外包云端 API。对数据不能出厂的团队，可用性与合规本是同一道题，如今性能这半边也补齐了，剩下的多是运维成本的账。

评估本地化方案盯三个数：多大文档的预填充要等多久、稳定解码速度多少、连续运行多久需要干预。三项对得上这类实测，本地与云端就从"敢不敢"变成"划不划算"。

一个内容作者把 Opus 5.5 用成了自己的分镜预演工具：模型通读他准备讲的课程内容，生成学习者应该看到的静态画面，再配上旁白，产出一条供拍摄前审阅的草稿片——他用两倍速过一遍，就能确认整条视频的结构是否成立。

这条工作流借的是影视行业的老方法。animatics（动态分镜）在传统制作里是正式开拍前的低成本试错：把分镜画成带旁白的粗剪版本，节奏、信息密度、画面搭配的问题在这一版全部暴露，改起来只动草稿；等结构验证通过，再投入正式拍摄的高成本环节。

把这一步交给模型，成本几乎归零，而它最擅长的恰恰是"把文字结构转成画面清单"——通读、分段、为每段配视觉与解说，正是文本能力的直接延伸。

草稿层的价值不止于省时间，更在于评审提前。多数返工发生在实拍之后才发现结构不成立，此时修改代价最大；把评审挪到草稿阶段，讨论的对象从"这条拍得怎么样"变成"这一段该不该有"，分歧在便宜的时候解决。学习类、教程类、解说类内容尤其受益，因为它们的骨架本就是文字，模型输出的草稿直接对应最终结构。

给做视频的团队加一步即可：正式拍摄或正式生成前，先让模型按脚本出一版静态分镜加旁白的预演片，评审通过再往下走。这一步通常只花十几分钟，却能把最贵的返工挡在开拍之前。