Google 为 A2UI 推出可替换推理格式，Express 最高提速 3 倍

2026年10月27日

我们已了解到大家对 A2UI 和生成式 UI 体验速度的担忧：用户需要等待模型逐个生成每个屏幕。本次发布为你提供了加速的手段，让你可以针对每个屏幕选择适合的取舍。

在本次发布中，我们很高兴推出可替换的推理格式，并分享利用决策模型配合 A2UI 的示例，这有助于构建更快、更可靠的生成式 UI 体验。使用我们新的 A2UI Express 作为推理格式，你可以将延迟最多降低 3 倍；而使用像 Jev 这样的决策模型来做布局决策，最多可降低 80 倍。与 Direct JSON 相比，Express 生成同类 UI 所需的 token 最多减少 3 倍。我们将在本篇博文中深入探讨细节。

A2UI 是一种面向生成式 UI 的、针对智能体优化的协议：客户端以契约形式公布一个受信任组件目录，智能体发送 A2UI 消息来描述由该目录组合而成的定制用户界面，客户端渲染器则绘制该 UI（参见 Introducing A2UI）。

最初，智能体直接生成 A2UI JSON 传输消息，每一个花括号和嵌套元素都要生成。事实证明，对于 LLM 而言，生成受复杂 JSON schema 约束的 JSON 树既慢又容易出错。这使 A2UI 与输出文本的 LLM 绑定在一起，也使其难以集成更快的 System One 决策模型。

现在，智能体可以生成 A2UI Express——一种针对推理速度和准确性优化的中间格式，并依靠 A2UI 的 Agent SDK 中的确定性代码将其转换为基于 JSON 的传输协议。智能体构建者也可以自由替换任何其他 DSL 及其关联编译器，以应对特殊用例，而我们的 A2UI Agent SDK 使其与传输和渲染兼容。

模型生成的格式就是我们所说的 inference_format。你在创建生成器时用一个参数来设置它。SDK 会为该格式生成提示指令，并将模型的回复编译为标准 A2UI 消息。本文介绍这种替换如何工作、我们为何开发 A2UI Express 作为新的默认推理格式，以及决策模型如何根据你预先定义的布局来构建屏幕。

关于 A2UI 不再成立的两件事

可替换推理格式的工作原理

推理格式包含两部分，SDK 会根据你目录的 JSON schema 生成这两部分。提示部分教会模型该格式的语法，编译器则将模型的回复编译为经过验证的 A2UI 消息。由于两者都来自 schema，格式无法描述你目录中不存在的组件或属性。

你在创建生成器时用一个参数来选择格式：

from a2ui.processor import A2uiGenerator, CatalogConfig
from a2ui.inference_formats import ExpressFormatFactory

catalog = CatalogConfig.from_path("catalog.json")
generator = A2uiGenerator(
    [catalog],
    examples=few_shot_examples,  # written once as A2UI JSON
    inference_format_factory=ExpressFormatFactory(),
)

processor = generator.create_processor(renderer_capabilities)
system_prompt = f"{instructions}\n\n{processor.prompt_snippet}"
parts = processor.parse_response(model_reply)  # text parts + validated A2UI messages

Python

已复制

A2UI Express 已在 Python agent SDK（PyPI 上的 a2ui-agent-sdk 0.9.0）、TypeScript agent SDK（npm 上的 @a2ui/agent）以及 Dart SDK（pub.dev 上的 a2ui_agent 0.0.1-wip004）中提供。在 TypeScript 中，你将 new ExpressFormatFactory() 作为生成器的第三个参数传入。Python 和 TypeScript SDK 都能逐块流式传输 Direct JSON，并从完整回复中编译 Express。

Express：用三分之一的 token 生成同样的屏幕

Express 每行写一条语句，风格接近 Python。每一行将一个组件赋值给一个变量，变量名成为组件 ID。参数按位置传递：编译器按照你的 catalog schema 声明属性的顺序，将它们映射到属性名，而 _ 表示跳过一项。$/title 将值绑定到数据模型，Event("accept") 声明一个服务器操作。下面是 A2UI gallery 的通知卡片在 Express 中的写法：

surface("gallery-notification-permission")
$/description="Get alerts for order status changes"
$/icon="check"
$/title="Enable notification"
root=Card(main_column)
main_column=Column([icon, title, description, actions], _, "center")
icon=Icon($/icon)
title=Text($/title)
description=Text($/description, "body")
actions=Row([yes_btn, no_btn], "center")
yes_btn_text=Text("Yes")
yes_btn=Button(yes_btn_text, _, Event("accept", {}))
no_btn_text=Text("No")
no_btn=Button(no_btn_text, _, Event("decline", {}))

纯文本

已复制

可替换的推理格式，包括 A2UI Express，也能与 Python agent SDK 中的宏配合使用，当屏幕显示你的系统已经持有的数据时，这会很有帮助。模型只写一个带 ID 的调用，例如 OrderStatus("ord_42")，你的宏会获取订单并填入值，因此屏幕上的每个值都直接来自你的数据。宏的 README 展示了设置方法。

我们如何设计 A2UI Express

客户反馈发现了直接生成 JSON 的延迟和准确性问题。为了解决这个问题，我们开始设计一种新的推理格式。我们试验了四种方案：

• Direct JSON：这是我们现有的基线，我们在 2025 年 12 月发布时使用的就是它。
• Express：最终选定的、受 `python` 语法启发的新默认格式。
• Atom：编写 Lisp 风格的 S 表达式，没有赋值，也没有闭合标签。
• Elemental：用自定义元素编写 HTML，押注于模型已经擅长编写 HTML 这一点。

我们在 gemini-3.5-flash 上对全部四种格式运行了相同的 51 项任务评估，并比较了它们在思考模式开启和关闭时的表现。

我们观察到，即使关闭思考，Express 推理格式的表现也同样出色；在使用 A2UI Express 时，这可以为你带来最快的推理时间。

使用 Jev 进行受控生成

有些屏幕具有已知的形状，例如设置页面、结账页面或确认页面。对于这些屏幕，模型不需要设计布局。它需要在已经定义好的布局中进行选择，而另一种类型的模型正是为此而构建的。为此，你不需要 A2UI Express 提供的完整表现力。

来自 TypeSafe 的 Jev 是一种所谓的系统一模型，旨在做出代码可以直接使用的快速、结构化决策。Jev 不生成文本或 JSON。你向它发送一个状态和一组带类型的问题，它用校准后的概率回答每一个问题。问题可以询问某个陈述是否为真（Noul）、列表中的哪个选项合适（Choice），或者某事物在评分标准上的得分（Score）。Jev 在一个请求中回答许多问题，耗时大约 100 到 300 毫秒。

Apparite（jev2ui）是一个开源设计工具，展示了将系统一模型连接到 A2UI 的一种方式。Jev 决定每个屏幕的结构，代码根据这些决策构建 A2UI 组件，而一个小模型 gemini-3.5-flash-lite 只负责编写文本。问题存在于预先编写的 Markdown 语法中。一个块引用提出一个问题，项目符号是它的选项，每个选项都带有标准。下面这段来自 grammar/screen.md 的内容决定设置行获得哪种控件：

#### row_control (of each row in rows, within each group in groups)

Material: a switch for one on/off setting that takes effect at once. HIG: a disclosure indicator for a row that opens another page.

> `{row}` is a row in the supplied screen and section. Grouped rows can represent content, navigation, settings or actions; use their actual text and context to decide.
>
> What kind of row is {row}?

- **switch** — A setting that is simply on or off and takes effect at once: notifications, dark mode, autoplay, sync.
- **value** — A setting with one current value picked from several, changed on another page: language, quality, theme, frequency, units.
- **nav** — A link to another page: a content item, details, account, privacy, help, about, or managing something. Its text and section identify what it opens.
- **check** — One of several alternative options listed together, of which one is chosen: the choices of a single setting, such as '10 seconds', '30 seconds', 'High', 'Low'.
- **danger** — A final or destructive account action: sign out, delete account, clear data, reset.

纯文本

已复制

在一个播客应用的设置屏幕上，Jev 回答 Skip forward → value、Auto-download → switch 和 Log out → danger，每个的概率都约为 1.00。Apparite 分三步构建整个屏幕：

1. 一个 Jev 请求回答语法中的布局问题，一个屏幕大约有 30 个。
2. 代码根据 catalog 构建组件树，并在约 200 毫秒内发送 createSurface 和 updateComponents，在文本将要出现的位置放置占位符。
3. gemini-3.5-flash-lite 将文本流式传输到 updateDataModel 中。每到达一部分，小型的后续 Jev 请求就会确定依赖于它的内容，例如上方的行控件。

在一次包含 11 个提示词的运行中，组件树在 92 到 298 毫秒内显示在屏幕上，每个屏幕在 0.8 到 1.7 秒内完成。文本写入器为每个屏幕生成 101 到 341 个 token，并且 Apparite 的两条 Jev 流水线在全部 11 个提示词上都生成了有效的 A2UI。该项目将这些数字视为初步观察，因为样本量很小。

受控生成只能生成其语法所描述的布局。Apparite 的语法涵盖九种屏幕原型和十二种块，因此没有已知形状的屏幕更适合使用 Express。A2UI Agent SDK 目前还不包含决策模型推理格式；apparite(jev2ui) 项目是一个示例，展示了在给定决策模型产生的一批独立决策时，如何组装 A2UI 消息。

使用哪种模式

A2UI Express 速度快，并保留了 A2UI 的完整表现力，但做出多个独立决策的决策模型仍然更快。根据你能提前定义多少屏幕内容来选择：

• 受控模式，当决策模型能生成你所需的内容时。如果你的屏幕遵循固定且已定义的布局，决策模型可能是最快的选择。
• Express 模式，实现完整表现力。当屏幕需要基于你的目录实现更多表现力时，回退到 A2UI Express。它速度快，而且模型仍然会编写整个组件树。
• 对于任何新内容，使用你自己的格式。由于推理格式可以替换，新的用例或未来的语法只需要一个提示词生成器来教会模型你的 DSL，以及一个转换器在你的 DSL 和 A2UI 消息之间进行转换。你的目录和渲染器保持不变。

试用

在你的智能体中使用 Express。使用 pip install a2ui-agent-sdk 安装 Python SDK，或使用 npm install @a2ui/agent 安装 TypeScript SDK，在创建生成器时传入 ExpressFormatFactory()，并在关闭思考的情况下运行模型。你的目录和渲染器保持不变，Express 规范记录了语法。

要教会 Gemini 或任何其他加载技能的模型仅使用你的组件编写 Express，请使用 Python SDK 的 SkillGenerator 从你的目录生成技能：

import json
from a2ui.core import Catalog
from a2ui.inference_formats.express import ExpressFormat
from a2ui.skill import SkillGenerator

catalog = Catalog.from_json(json.load(open("catalog.json")))
skills = SkillGenerator(ExpressFormat([catalog])).generate_skillset()
skills.export_to_directory("skills")  # a2ui-core plus one skill per catalog

Python

已复制

尝试受控生成。克隆示例 jev2ui 仓库，并按照其中的说明开始使用。Apparite(jev2ui) 的托管版本运行在 apparite.cnfg.ai。

来源

早期的 A2UI 文章：Introducing A2UI（2025 年 12 月）、A2UI v0.9（2026 年 4 月）和A2UI + MCP Apps（2026 年 6 月）。

• A2UI Express 规范
• A2UI Elemental 规范和A2UI Atom 规范
• A2UI 评估中的推理格式基线
• a2ui-agent-sdk 变更日志（0.9.0，2026 年 10 月 17 日）和 npm 上的@a2ui/agent（0.0.1）
• Python 智能体 SDK 中的技能生成器
• TypeSafe 的Jev 文档
• Apparite (jev2ui) README 中的“Results so far”和“Known limits”，以及其屏幕语法

上一篇

下一篇