11月16日到17日的 GitHub 日榜上,一个叫 AG-UI 的仓库单日涨了355颗星,而它前一天只涨了9颗。同一周,Google Labs 把 Stitch 的15个 Agent Skills 开源,腾讯把多智能体交付编排平台 LoopForge 以 MIT 协议放出,英伟达则开源了给技能做质检的 SkillEvaluator。四件事分散在四家公司,指向的却是同一件事:智能体的接口正在被拆成层,然后逐层标准化。
AG-UI 把自己定义成开放、轻量、基于事件的协议,用来把智能体后端接到面向用户的前端应用上。它定义了约16种标准事件类型,配合中间件层,可以在 SSE、WebSocket 等传输方式上跑实时流式对话、双向状态同步、生成式 UI 和人在环协作。仓库已有近1.8万星、1800多个分叉,CopilotKit 就架在它上面。
它要解决的碎片化很具体:每个智能体框架都自带一套前端适配,换一个框架就要重写一遍流式渲染、工具调用展示、状态回传。协议把这层抽出来之后,前端只认事件,不认框架。代价是事件语义必须足够稳定,一旦协议版本变动,所有接入方都要跟着改。
涨星的曲线本身也是信号。日榜上单日能涨几百颗星的项目,通常有大厂背书或者有能立刻跑起来的示范,纯概念仓库很难走出这个斜率。AG-UI 两天之内从9颗跳到355颗,说明它已经越过了被讨论的阶段,进入被接入的阶段。
Google Labs 的 stitch-skills 是这周另一个信号。它是配合 Stitch MCP 服务器使用的一组技能,分设计、构建、工具三类共15个,能做设计生成、前端代码转设计稿、设计系统管理、导出 React 与 React Native 组件、提示优化和批量生成网站。每个技能都遵循 Agent Skills 开放标准,Antigravity、Gemini CLI、Claude Code、Cursor、OpenCode 都能加载。
分发方式也在标准化:一条 npx 命令装齐,前提是先配好 Stitch MCP。这一步把能力变成了可安装的包,而不是每个团队自己写提示词。它带来一个副作用:技能的版本、权限、依赖开始需要被管理,这正是下一层要解决的问题。
腾讯开源的 LoopForge 走的是另一条路。它把 CodeBuddy、Codex、Claude Code 等十种命令行智能体组织成可重复的交付流程,节点分四类:Agent 角色(计划、实现、评审、测试)、脚本步骤、人工审批门、子 SOP。失败可以回退到上游节点,待审项集中在一个审阅收件箱,一条启动脚本起在8090端口,也有免服务器的本地版。
这个设计的关键不是自动化,是可回退。多智能体协作最贵的成本从来不是生成,而是走错之后的重来。把审批门做成节点、把回退做成边,等于把人什么时候必须看一眼写进了流程图,而不是靠事后追责。
这一类项目的共同难点是版本。技能包一旦装进十个不同的框架,同一份描述在不同模型上的表现可能完全不同,维护者很难知道自己的包在哪个环境里先失效。这正好是下一层要接手的活。
英伟达的 SkillEvaluator 补的是最后一层。它做三层质检:静态检查、语义去重、沙箱实跑,每层设70分的卡口,还能生成合成评测集,实跑观察某个技能到底改变了智能体的哪些行为。这个思路和传统软件的发版门禁一样,只是检查对象从代码换成了提示词与工具描述。
为什么需要这一层:技能包的失效方式是静默的。一个技能写得含糊,模型不会报错,它会照着自己的理解做,结果看起来完成了,实际上偏了。沙箱实跑是目前唯一能把这种偏移暴露出来的办法,代价是每个技能都要有可执行的验收场景。
值得记下的是它对人工审批的处理方式。审批门是图上的节点,不是流程之外的口头约定,这意味着谁在什么时候点了通过,会留在运行记录里。多智能体系统最缺的往往不是能力,是这种可以事后翻查的责任痕迹。
把四件事并排放,分层很清楚:AG-UI 管前端与智能体之间的通信,Skills 管能力的打包与分发,LoopForge 管多个智能体怎么排队与回退,SkillEvaluator 管技能上线前能不能过门禁。四层都标准化之后,换模型、换框架、换工具的成本会同时下降。
边界也很清楚。协议不管语义,技能不管权限,编排不管质量,质检不管业务正确性。一个团队如果把四层都接上,仍然要自己回答三个问题:这个动作要不要二次确认,失败由谁兜底,日志留多久。标准解决的是连接,不是责任。
合成评测集这一步常被低估。真实场景里的失败样本稀缺且昂贵,靠人工攒案例,一个季度攒不出几十条。用模型批量生成对抗样本,再把通过率当作上线门槛,是目前少数能把质检做成流水线的办法;缺点是生成样本容易和真实分布跑偏,需要定期用线上日志校正。
对准备把智能体放进生产环境的团队,这四层给出了四个可以直接问的问题。前端这一层:换一个智能体框架,界面要不要重写。技能这一层:新增一个能力,是改代码还是装一个包。编排这一层:某个节点失败,能不能只重跑那一段。质检这一层:技能上线前,有没有一个可以复现的验收场景。
这四个问题的答案,比任何基准分数都更能说明一套智能体系统能不能撑住业务。协议涨星很快,但真正决定落地速度的,是这四个问题里有多少能给出肯定回答。
最后要提醒的是,这四层目前都还在早期。协议会有破坏性变更,技能标准会长出方言,编排平台各有各的节点模型,质检门槛那个70分也是拍出来的。接入的时候留一层自己的抽象,比直接绑死某一家更稳。