AG-UI:构建 AI 前端交互的统一协议
引言
随着人工智能技术的飞速发展,AI Agent 已经从概念走向实际应用。然而,在将这些智能体集成到前端应用中时,开发者面临着一个关键挑战:如何实现 AI Agent 与用户界面之间的高效、标准化交互?
AG-UI(Agent User Interaction Protocol)正是为解决这一痛点而诞生的开源协议。它不仅仅是一个技术规范,更是连接 AI 智能体与前端应用的桥梁,让开发者能够构建真正智能化的用户体验。它们能够让开发者构建出真正嵌入 UI 应用、感知上下文、实时协同的智能体,而不仅仅是一个在后台提供文本答案的 API 服务。
一、AG-UI 是什么?
1.1 核心定义
AG-UI(Agent-User Interaction Protocol) 是由 CopilotKit 团队提出的开源、轻量级协议,专门用于规范 AI Agent 与前端用户界面之间的通信流程,是一套开源的Agent 与 UI 界面之间的交互协议。它的核心使命是:
标准化前端应用与 AI 智能体的连接方式,通过开放协议实现通用的 AI 驱动系统通信。
1.2 协议定位

在 AI 生态系统中,AG-UI 与其他协议形成互补关系:
- MCP(Model Context Protocol):定义 AI 模型调用外部工具的协议规范
- A2A(Agent-to-Agent Protocol):规范智能体之间的通信协议
- AG-UI:专注于智能体与用户(前端应用)之间的交互规范
这种分工明确的设计让 AG-UI 能够专注于解决人机交互层面的问题,而不与其他协议产生冲突。
二、为什么需要 AG-UI?
在 AG-UI 出现之前,AI 应用开发面临诸多挑战:
技术碎片化
- 每个 AI 框架(LangGraph、CrewAI、Mastra 等)都有独特的事件机制和 API
- 不同模型提供商的接口格式各异,增加适配成本
- 缺乏统一的前后端同步机制
实时性困难
- 用户期待实时的流式响应体验
- 传统的请求 - 响应模式无法满足复杂 AI 工作流需求
- 状态同步和进度反馈机制不完善
人机协作缺失
- 用户难以对 AI 执行过程进行实时干预
- 缺乏标准化的人机协作(Human-in-the-loop)机制
- 工具调用和状态共享缺乏统一规范
这些问题会导致开发者在和多个 AI 服务对接或构建复杂 AI 应用时重写大量代码。
假设有一套通信协议,可以统一前端应用和后端 Agent 之间的交互格式,做到前后端解耦,让大家各司其职。AG-UI 的出现,就是为了解决这个问题。
三、AG-UI 核心架构
3.1 整体架构设计

- Application:直接与用户交互的前端应用层,比如 ChatGPT、Cursor 等任何 AI powered 应用。
- AG-UI Client:在前端侧负责与后端 Agent 进行通信,使用 AG-UI 协议。
- Agent:后端 Agent 通常和 AI 服务或其他 Agent 对接,用来处理用户请求。
3.2 核心特性
统一事件流
AG-UI 的核心是单一序列的 JSON 事件,简化了代理与前端的实时同步,确保流畅无碍的通信,不论代理使用何种"语言"或内部实现。
实时交互
支持 LLM 逐步生成的 token 立即显示,提供流畅、自然的用户体验,并实现人机协同工作流程。
工具编排
现代代理可调用函数、运行代码、访问 API。AG-UI 确保前端能实时显示进度和结果,支持人工批准并无缝恢复运行。
共享状态
通过高效传输差异更新,代理能够生成逐步演进的计划、表格或代码文件夹,节省带宽并保持同步状态。
并发与取消
支持用户同时发出多个查询、中途停止或切换线程,通过线程 ID、运行 ID 和有序的关闭路径确保稳定运行。
安全边界
协议内建权限管理、身份认证等机制,提供企业级的 CORS,确保数据传输的安全性和可靠性。
3.3 事件 Events
AG-UI 定义了17 种标准化事件类型,构成完整的 AI 交互生命周期管理体系。基于官方文档,以下是完整的事件系统架构:
EventType 枚举定义
enum EventType {
TEXT_MESSAGE_START = "TEXT_MESSAGE_START",
TEXT_MESSAGE_CONTENT = "TEXT_MESSAGE_CONTENT",
TEXT_MESSAGE_END = "TEXT_MESSAGE_END",
TOOL_CALL_START = "TOOL_CALL_START",
TOOL_CALL_ARGS = "TOOL_CALL_ARGS",
TOOL_CALL_END = "TOOL_CALL_END",
TOOL_CALL_RESULT = "TOOL_CALL_RESULT",
STATE_SNAPSHOT = "STATE_SNAPSHOT",
STATE_DELTA = "STATE_DELTA",
MESSAGES_SNAPSHOT = "MESSAGES_SNAPSHOT",
RAW = "RAW",
CUSTOM = "CUSTOM",
RUN_STARTED = "RUN_STARTED",
RUN_FINISHED = "RUN_FINISHED",
RUN_ERROR = "RUN_ERROR",
STEP_STARTED = "STEP_STARTED",
STEP_FINISHED = "STEP_FINISHED",
}
AG-UI 事件分类总览
| 事件分类 | 事件类型 | 事件名称 | 功能描述 | 使用场景 |
|---|---|---|---|---|
| 生命周期事件(5)流程控制、错误处理 | RUN_STARTED | 运行开始 | 标记 Agent 执行开始 | 初始化 UI 状态,显示加载状态 |
| STEP_STARTED | 步骤开始 | 标记单个步骤开始 | 显示当前执行步骤 | |
| STEP_FINISHED | 步骤完成 | 标记单个步骤完成 | 更新步骤状态,显示进度 | |
| RUN_FINISHED | 运行完成 | 标记整个执行完成 | 清理状态,显示最终结果 | |
| RUN_ERROR | 运行错误 | 标记执行出现错误 | 错误处理,显示错误信息 | |
| 文本消息事件(3)实时对话、流式输出 | TEXT_MESSAGE_START | 消息开始 | 开始新的文本消息 | 创建消息容器 |
| TEXT_MESSAGE_CONTENT | 消息内容 | 流式传输消息内容 | 实时显示打字效果 | |
| TEXT_MESSAGE_END | 消息结束 | 标记消息传输完成 | 完成消息渲染 | |
| 工具调用事件(4)功能扩展、透明度 | TOOL_CALL_START | 工具调用开始 | 开始调用外部工具 | 显示工具调用状态 |
| TOOL_CALL_ARGS | 工具参数 | 传输工具调用参数 | 显示调用参数信息 | |
| TOOL_CALL_RESULT | 工具调用结果 | 返回工具执行结果 | 显示工具返回的数据 | |
| TOOL_CALL_END | 工具调用结束 | 工具调用完成 | 显示调用结果 | |
| 状态管理事件(3)数据同步、一致性 | STATE_SNAPSHOT | 状态快照 | 完整状态数据 | 同步完整应用状态 |
| STATE_DELTA | 状态变更 | 增量状态更新 | 高效更新部分状态 | |
| MESSAGES_SNAPSHOT | 消息快照 | 完整消息历史 | 同步对话历史 | |
| 特殊事件(2)系统集成、定制化 | RAW | 原始事件 | 未处理的原始数据 | 调试和扩展用途 |
| CUSTOM | 自定义事件 | 用户定义的事件 | 特殊业务逻辑处理 |
事件流程示例
sequenceDiagram
participant User as 👤 用户
participant Frontend as 🖥️ 前端
participant Agent as 🤖 AI Agent
participant Tool as 🛠️ 工具
User->>Frontend: 发送消息
Frontend->>Agent: 用户输入
Agent->>Frontend: RUN_STARTED
Agent->>Frontend: STEP_STARTED
Agent->>Frontend: TEXT_MESSAGE_START
Agent->>Frontend: TEXT_MESSAGE_CONTENT (流式)
Agent->>Frontend: TEXT_MESSAGE_CONTENT (流式)
Agent->>Frontend: TEXT_MESSAGE_END
Agent->>Frontend: TOOL_CALL_START
Agent->>Frontend: TOOL_CALL_ARGS
Agent->>Tool: 执行工具
Tool->>Agent: 工具结果
Agent->>Frontend: TOOL_CALL_RESULT
Agent->>Frontend: TOOL_CALL_END
Agent->>Frontend: STATE_SNAPSHOT
Agent->>Frontend: STEP_FINISHED
Agent->>Frontend: RUN_FINISHED
Frontend->>User: 显示完整响应
3.4 Agents 智能体
Agent 是 AG-UI 里的核心组成部分,负责处理前端发起的请求,和 LLM 交互并生成响应(响应需遵循 Events 格式),同时还要管理对话状态和消息历史。在 Agent 底层可以和其他任意的 AI 服务连接(比如任意的 LLM、定制的 AI 系统、RAG、其他 Agent 等等)。
Agent 具备丰富的交互能力:
- 基本的文本传输: 通过 TEXT_MESSAGE_*系列事件实现流式文本交互
- 工具调用: 在 AG-UI 的规范下,Agent 可以使用哪些 Tools 是由前端告知的。当 Agent 决策需要使用工具时,可以通过一系列事件(
TOOL_CALL_START -> TOOL_CALL_ARGS -> TOOL_CALL_END)通知到前端,前端在收到事件后,可决定是否给用户展示对应交互,告知需要调用哪些工具以及对应参数,由用户决定是否调用。调用结果会通过 Message 传递给 Agent。 - 状态管理: Agent 可以向前端传递最新完整的状态(
STATE_SNAPSHOT)或增量同步状态(STATE_DELTA),可以让前端应用从中断状态恢复。 - 多 Agent 交互: Agent 可以通过 A2A 等其他协议和其他 Agent 交互,此过程可以不让前端用户感知(只要不发送 Event 就行)。
- Human-in-the-Loop 控制: 可以将人在回路的控制能力作为 Tool 注入给 Agent,由 Agent 决定在必要时候让人进行决策(仍然通过工具调用链路)
- …
3.5 Messages
传统与 LLM 通信时,message 中的 role 通常被分为 system、user、assistant。在 AG-UI 中,developer、工具调用的结果也被当成一种消息类型(tool)。
核心特性:
- 流式传输: 通过 TEXT_MESSAGE_* 实现打字机效果
- 角色管理: 支持 developer、user、assistant、system、tool 等多种角色
- 消息历史: MESSAGES_SNAPSHOT 提供完整消息快照(上下文)
- 工具集成: 工具调用结果作为独立的消息类型处理
对话示例:
[
{ // User
id: "msg_1",
role: "user",
content: "What's the weather in New York?"
},
{ // Assistant response with tool call
id: "msg_2",
role: "assistant",
content: "Let me check the weather for you.",
toolCalls: [
{
id: "call_1",
type: "function",
function: {
name: "get_weather",
arguments: '{"location": "New York", "unit": "celsius"}'
}
}
]
},
{
id
role
content ' '
toolCallId
id
role
content
3.6 状态管理
除了基本的同步聊天消息之外,可以同步任意的状态,让人和 AI 的操作可以衔接操作。
官方提供了一个比较有意思的 Demo:让 AI 优化一份菜谱,菜谱在前端使用富交互展示的,随着 AI Agent 的优化,前端交互可实时进行更新。
https://feature-viewer-langgraph.vercel.app/feature/shared_state
核心特性:
- 状态快照: STATE_SNAPSHOT 提供完整应用状态的一次性同步,一般用于初始状态同步、中断状态恢复等
- 增量更新: STATE_DELTA 支持高效的部分状态更新,使用 JSON Patch,可以流式快速更新
- 复杂交互: 前端应用可以实现更复杂交互的流式更新,给用户更好的交互体验
3.7 工具调用 Tools
需要和前端交互的工具可以在前端定义,并通过协议传给 Agent,当 Agent 认为需要使用工具时,会使用 Event 向前端发消息,前端可向用户展示被调用的工具名称和参数,让用户决定是否继续。
在 AG-UI 中,工具可以:
- 获取更多的信息: 如天气查询、搜索引擎等
- 操作外部系统: 如发送邮件、创建文档等
- 让人进行信息输入或二次确认: Human-in-the-loop 机制
核心特性:
- 前端定义: 工具由前端定义并传递给 Agent
- 用户控制: 用户可以决定是否执行工具调用
- 参数透明: TOOL_CALL_ARGS 支持复杂参数的流式传输
- 结果返回: TOOL_CALL_RESULT 提供工具执行结果的标准化返回
- 执行监控: 完整的工具调用生命周期跟踪
工具调用流程:
// 1. 开始工具调用 - Agent 通知前端需要调用工具
const toolStart: ToolCallStartEvent = {
type: EventType.TOOL_CALL_START,
toolCallId: "tool_456",
toolCallName: "get_weather",
parentMessageId: "msg_123"
};
// 2. 传输参数 - 显示给用户工具调用的参数
const toolArgs: ToolCallArgsEvent = {
type: EventType.TOOL_CALL_ARGS,
toolCallId: "tool_456",
delta: '{"location": "New York", "unit": "celsius"}'
};
// 3. 返回结果 - 用户确认后,前端执行工具并返回结果
const toolResult: ToolCallResultEvent = {
type: EventType.TOOL_CALL_RESULT,
messageId: "msg_124",
toolCallId: "tool_456",
content: '{"temperature": 22, "condition": "Partly Cloudy", "humidity": 65}',
role: "tool"
};
// 4. 结束调用 - 工具调用完成
const toolEnd: ToolCallEndEvent = {
type: EventType.TOOL_CALL_END,
toolCallId: "tool_456"
};
工具调用事件序列:
ToolCallStart -> ToolCallArgs -> ToolCallResult -> ToolCallEnd
四、AG-UI 的技术优势
4.1 灵活性与兼容性
事件结构灵活性
- 事件无需完全匹配 AG-UI 格式,只需保持兼容性
- 现有框架可以最小化改动适配 AG-UI
- 支持渐进式迁移策略
4.2 开发者友好性
丰富的 SDK 支持
- TypeScript SDK:提供完整的类型定义和开发工具
- Python SDK:支持主流 AI 框架集成
- 多语言扩展:社区驱动的其他语言实现
现成的集成方案
AG-UI 已与多个主流 AI 框架深度集成:
| Framework | Status | AG-UI Resources |
|---|---|---|
| No-framework | ✅ Supported | ➡️ Docs coming soon |
| LangGraph | ✅ Supported | ➡️ Demo |
| Mastra | ✅ Supported | ➡️ Demo |
| CrewAI | ✅ Supported | ➡️ Demo |
| AG2 | ✅ Supported | ➡️ Demo |
| Agno | ✅ Supported | ➡️ Docs |
| LlamaIndex | ✅ Supported | ➡️ Docs |
| Pydantic AI | 🛠️ In Progress | – |
| Vercel AI SDK | 🛠️ In Progress | – |
| Google ADK | 🛠️ In Progress | – |
| OpenAI Agent SDK | 💡 Open to Contributions | – |
| AWS Bedrock Agents | 💡 Open to Contributions | – |
| Cloudflare Agents |
| Language SDK | Status | AG-UI Resources |
|---|---|---|
| .NET | 🛠️ In Progress | ➡️ PR |
| Nim | 🛠️ In Progress | ➡️ PR |
| Rust | 🛠️ In Progress |
五、演示 Demo
5.1 CopilotKit 的演示 Demo
CopilotKit 可以被看作 AG-UI 协议实现的一个框架。它提供了完整的前后端集成方案,使开发者能够快速将 AI Copilot 引入应用,包括:TypeScript/React 前端组件库、Python/Node SDK、以及可选的云端代理服务等。
- 后端 Agent:使用 Python + LangGraph 构建的一个 Workflow 智能体。
- 前端应用:使用 React+TS 构建简单的 Demo。
- Copilot 助手:前端接入 CopilotKit 给应用嵌入的智能助手。
5.1.1 后端 python + Copilotkit LangGraph SDK
pip install copilotkit ...
import os
from dotenv import load_dotenv
load_dotenv()
from fastapi import FastAPI
import uvicorn
from copilotkit.integrations.fastapi import add_fastapi_endpoint
from copilotkit import CopilotKitRemoteEndpoint, LangGraphAgent
from sample_agent.agent import graph
app = FastAPI()
sdk = CopilotKitRemoteEndpoint(
agents=[
LangGraphAgent(
name="sample_agent",
description="一个模拟智能体",
graph=graph,
)
],
)
add_fastapi_endpoint(app, sdk, "/copilotkit")
def main():
port = int(os.getenv("PORT", "8080"))
uvicorn.run(
"sample_agent.demo:app",
host="0.0.0.0",
port=port,
reload=True,
)
if __name__ == "__main__":
main()
5.1.2 前端 React + Copilotkit React-ui
- 创建前端应用
npx create-next-app@latest
- 集成 Copilot SDK
npm install @copilotkit/react-ui @copilotkit/react-core
npm install @copilotkit/runtime class-validator
- 增加路由
... const runtime = new CopilotRuntime({ remoteEndpoints: [{url: "http://localhost:8080/copilotkit"},], }); export const POST = async (req: NextRequest) => { const { handleRequest } = copilotRuntimeNextJSAppRouterEndpoint({ runtime, serviceAdapter, endpoint: "/api/copilotkit", }); return handleRequest(req); };
- 配置全局 CopilotKit 功能(agent 是后端 agent 的名字)
<CopilotKit agent="sample_agent" runtimeUrl="/api/copilotkit" showDevConsole={false} > {children} </CopilotKit>
- 增加 Copilot 界面,与 Agent 对话,实现智能交互体验。可以选择 sidebar(边栏)、popup(弹出式)、chat(聊天)等多种 UI 形式。这里我们添加一个 sidebar 形式的 Copilot 到主页。
import { CopilotSidebar } from "@copilotkit/react-ui";
import { useCoAgent, useCoAgentStateRender,useCopilotAction ,useLangGraphInterrupt} from "@copilotkit/react-core";
export default function App() {
return (
<>
<Home/>
<CopilotSidebar defaultOpen={true} instructions={"您应尽可能地帮助用户。请根据您拥有的数据以最佳方式回答问题。"} labels={{ title: "智能 AI Copilot", initial: `# 👋 您好! 我是你的智能 Copilot。演示功能: - **共享状态**: 搜索历史实时的展示 - **前端工具**: 调用前端工具打招呼 - **生成式 UI**: 获取天气信息展示卡片 - **HITL 流程**: 工具调用的人工审核` }}/>
</>
);
}
5.1.3 工具调用(不仅可以调用后端设置的工具(比如搜索、访问数据库、MCP),还可以调用前端定义的 UI'工具'(比如更改样式))
- 使用 langchain_mcp_adapters.client 提供的 MCPClient 连接 tavily-mcp,注册 agent 工具
from langchain_mcp_adapters.client import MultiServerMCPClient
...
async def get_all_tools():
""" 统一的工具准备函数,避免重复初始化 MCP 客户端 Returns: list: 包含所有可用工具的列表 """
global _all_tools # 如果已经初始化过,直接返回
if _all_tools is not None:
return _all_tools
# 创建 MCP 客户端以获取搜索工具
try:
client = MultiServerMCPClient(
{ "tavily-mcp": {
"command": "npx",
"args": ["-y", "tavily-mcp"],
"env": {**os.environ},
"transport": "stdio"
} }
)
# 获取 MCP 工具
mcp_tools = await client.get_tools()
_all_tools = mcp_tools + [get_weather]
logger.info(f"工具初始化成功,可用工具:{[tool.name for tool in _all_tools]}")
except Exception as e:
logger.warning(f"⚠️ MCP 工具初始化失败:{e}")
# 如果 MCP 工具失败,只使用邮件工具
_all_tools = [get_weather]
logger.info(f"使用备用工具:{[tool.name for tool in _all_tools]}")
return _all_tools
- 使用useCopilotAction hook 来注册一个前端 Action,创建一个前端 Action 向用户弹出简单的 Alert 消息和天气获取
... useCopilotAction({ name: "get_weather", description: "获取指定位置的天气信息。", available: "disabled", // 保持为 disabled,确保不被当作前端工具 render: ({status, args, result}) => { return ( <p className="text-gray-500 mt-2"> {status !== "complete" && "Calling weather API..."} {status === "complete" && <WeatherCard location={args.location} result={result} themeColor="#3b82f6" />} </p> ); }, }); useCopilotAction({ name: "sayHello", // Action 名称,Agent 将通过此名称来调用工具 description: "向指定用户问好", // 对该 Action 的描述(供 Agent 理解用途) parameters: [ // 定义参数列表 { name: "name", type: "string", description: "要问好的对象名字" } ], render: "正在发送问候...", // (可选) 执行时在 Chat 中显示的提示文本 handler: async ({ name }) => { // 定义具体执行逻辑的函数(异步支持) alert(`Hello, ${name}!`); // 这里在浏览器弹出提示框 return('问候已发送给' + name); // 返回结果给 agent } }); ...
- 并将前端 Action 作为工具给 Agent 使用
def should_continue(state: AgentState):
last_message = state["messages"][-1]
if not hasattr(last_message, 'tool_calls') or not last_message.tool_calls:
return END
# 检查工具调用是前端还是后端
tool_call_name = last_message.tool_calls[0].get("name")
frontend_actions = state["copilotkit"]["actions"]
is_frontend_action = any( action.get("name") == tool_call_name for action in frontend_actions )
# 如果是前端动作,则结束,让 copilotkit 前端处理
if is_frontend_action:
return END
else:
# 否则,转到后端工具节点
return "tool_node"
5.1.4 状态共享
- 定义 Agent 的 State
class AgentState(CopilotKitState):
search_history: list[dict] = []
- 增加搜索记录
... # 更新状态信息 updated_state = {"messages": response} # 如果是搜索工具,更新搜索历史 - 搜索开始阶段 if response.tool_calls[0].get("name") in ["tavily-search", "tavily-extract", "tavily-crawl"]: search_history = state.get("search_history", []) search_query = response.tool_calls[0].get("args", {}) # 创建搜索历史记录 - 开始时标记为未完成 search_record = { "query": search_query.get("query", ""), "completed": False, "timestamp": time.strftime("%Y-%m-%d %H:%M:%S"), "tool_name": response.tool_calls[0].get("name") }
logger.info(f"🔍 添加搜索查询到历史 (开始): {search_record}")
search_history.append(search_record)
updated_state["search_history"] = search_history
return updated_state ...
- 前端使用 CopilotKit 提供的useCoAgent这个 hook 函数,useCoAgentStateRender 获取实时状态,
... const {state} = useCoAgent<AgentState>({ name: "sample_agent", initialState: { search_history: [] }, }) ... useCoAgentStateRender<AgentState>({ name: "sample_agent", render: ({ status, state, nodeName }) => { return ( <div> {state.search_history?.map((search, index) => ( <div key={index}> {search.completed ? "✅" : "❌"} 正在执行:{search.query} {search.completed ? "" : "..."} </div> ))} </div> ) }, }); ... const [localHistory, setLocalHistory] = useState<AgentState['search_history']>([]);
useEffect(() => {
if (state.search_history && state.search_history.length > 0 ) {
const latestSearch = state.search_history[0];
if(latestSearch.query.length <=0){ return; }
setLocalHistory(prevHistory => {
if (prevHistory.length > 0 && prevHistory[prevHistory.length - 1].query === latestSearch.) {
newHistory = [...prevHistory];
newHistory[prevHistory. - ] = latestSearch;
newHistory;
} {
[...prevHistory, latestSearch];
}
});
}
}, [state.]);
5.1.5 HITL(Human-in-the-loop)人工审核(人机协作)流程
- Agent 增加中断环节
approval_request = {
"type": "tool_approval_request",
"tool_name": tool_call.get("name"),
"tool_args": tool_call.get("args", {}),
"tool_id": tool_call.get("id"),
"timestamp": "2025-07-08"
}
# 拒绝
approve_status = interrupt(approval_request)
if approve_status in ["rejected", "reject"]:
....
# 如果审核通过,执行工具调用
elif approve_status in ["approved", "approve"]:
....
- 前端增加中断反馈 hook
useLangGraphInterrupt({ render: ({ event, resolve }) => {
const { tool_name, tool_args } = event.value;
return (
<div className="bg-gradient-to-br from-blue-50 to-indigo-50 border border-blue-200 rounded-2xl p-6 my-4 shadow-lg">
{/* 标题 */}
<div className="flex items-center gap-3 mb-4">
<div className="w-10 h-10 bg-blue-100 rounded-full flex items-center justify-center">
<span className="text-lg">🔧</span>
</div>
<div>
<h3 className="text-lg font-bold text-gray-800">工具调用审核</h3>
<p className="text-sm text-gray-600">请确认是否执行以下工具调用</p>
</div>
</div>
{/* 工具信息 */}
<div className="bg-white rounded-xl p-4 mb-4 border border-gray-100">
<div className=>
工具名称
{tool_name}
参数
{JSON.stringify(tool_args, null, 2)}
{/* 操作按钮 */}
resolve("approve")} className="flex-1 bg-green-500 hover:bg-green-600 text-white font-medium py-2 px-4 rounded-lg transition-colors duration-200 flex items-center justify-center gap-2 text-sm" >
✅ 通过
resolve("reject")} className="flex-1 bg-red-500 hover:bg-red-600 text-white font-medium py-2 px-4 rounded-lg transition-colors duration-200 flex items-center justify-center gap-2 text-sm" >
❌ 拒绝
);
}});
5.2 Node.js 示例
import express, {Request, Response} from 'express';
import dotenv from 'dotenv';
dotenv.config();
import {RunAgentInputSchema, RunAgentInput, EventType, Message} from '@ag-ui/core';
import {EventEncoder} from '@ag-ui/encoder';
import {v4 as uuidv4} from 'uuid';
import OpenAI from 'openai';
const app = express();
app.use(express.json());
app.post('/awp', async (req: Request, res: Response) => {
console.log('app.post > req:');
try {
// 解析请求体
const input: RunAgentInput = RunAgentInputSchema.parse(req.body);
// 设置 SSE headers
res.setHeader('Content-Type', 'text/event-stream');
res.(, );
res.(, );
encoder = ();
runStarted = { : ., : input., : input. };
res.(encoder.(runStarted));
client = ({ : process.. });
requestMessages = input.
.( [, , ].(msg.))
.( ({ : msg. | | , : msg. || }));
messageId = ();
textMessageStart = { : ., messageId, : };
res.(encoder.(textMessageStart));
stream = client...({ : , : requestMessages, : });
.(, stream);
( chunk stream) {
(chunk.[]?.?.) {
content = chunk.[]..;
textMessageContent = { : ., messageId, : content };
res.(encoder.(textMessageContent));
}
}
textMessageEnd = { : ., messageId };
res.(encoder.(textMessageEnd));
.();
runFinished = { : ., : input., : input. };
res.(encoder.(runFinished));
.();
res.();
} (error) {
res.().({: });
}
});
app.(, {
.();
});
六、总结
AG-UI 协议和 CopilotKit 框架代表了智能应用开发的新规范。它们不仅解决了 AI 集成的技术难题,更重要的是建立了一套标准化的开发模式,让每个开发者都能轻松构建智能应用。从前端工程师的角度,无需深究复杂的后端 AI 推理流程,只需使用熟悉的 React 组件和 Hooks,即可调动强大的 AI 为应用服务。从后端 AI 工程师的角度,你也无需操心前端展示,只要按照协议产出标准事件,UI 就会自动配合渲染。这种清晰的前后端职责分离与协同,使 AI 应用开发更加高效与标准化。
对于开发者:这意味着更高的开发效率和更低的学习成本 对于企业:这意味着更快的 AI 能力落地和更好的用户体验 对于用户:这意味着更自然的人机交互和更智能的应用体验
参考资源:


