> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/zh/2026-nian/w12d2-guan-cha-ai-lang-chao-li-de-qian-duan-sheng-ming-li/2026d2-yao-dian-hui-gu.md). # 2026-D2要点回顾 大会议程： 一般一个月后官方会分享 PPT，不提供直播和录屏。 一天之内几十场分享同时进行，一定会 Miss 很多内容。我选择了一些专业实力深厚的分享者，以下只是我参与的会场，并认为值得回味的。 开始前介绍一下现如今的 JS 生态，因为我发现即使是很多职业前端，对自己所处的语言生态也不是很熟悉，或者还停留在刚入行的认知。如今的主要玩家是 Vercel、VoidZero、Bun、Biome 等。我让 ChatGPT 生成了一张 ASCII 图，表达力很好，供参考。 ``` ┌──────────────────────────────────────────────────────────────────────┐ │ JavaScript Ecosystem │ └──────────────────────────────────────────────────────────────────────┘ ┌──────────────┐ │ Developers │ └──────┬───────┘ │ ▼ ┌──────────────────────────────────────────────────────────────────────┐ │ ① AI / Coding Entry Layer │ │----------------------------------------------------------------------│ │ Cursor / Claude Code / Copilot / Windsurf / Zod │ │ │ │ 作用： │ │ - 代码生成 │ │ - agent 工作流 │ │ - IDE 内交互 │ └──────────────────────────────────────────────────────────────────────┘ │ ▼ ┌──────────────────────────────────────────────────────────────────────┐ │ ② Framework / Application Layer │ │----------------------------------------------------------------------│ │ React / Vue / Svelte / Solid │ │ Next.js / Nuxt / Remix / Astro │ │ │ │ 代表公司 / 项目： │ │ - Vercel → Next.js │ │ - NuxtLabs → Nuxt │ │ - Vue / Evan You ecosystem │ └──────────────────────────────────────────────────────────────────────┘ │ ▼ ┌──────────────────────────────────────────────────────────────────────┐ │ ③ Toolchain Layer ← 现在竞争最激烈 │ │----------------------------------------------------------------------│ │ Bundler / Dev Server / Compiler / Linter / Formatter / Test │ │ │ │ 主要玩家： │ │ - Vite / Rollup / Rolldown → VoidZero 阵营 │ │ - Turbopack → Vercel │ │ - Rspack → ByteDance │ │ - Webpack → 旧时代核心基础设施 │ │ - Biome → lint / format │ │ - esbuild → 高性能构建基础件 │ │ - SWC / OXC → 编译基础设施 │ │ │ │ 这里决定： │ │ - 本地开发体验 │ │ - 构建速度 │ │ - 配置模型 │ │ - AI 能否直接操作工程系统 │ └──────────────────────────────────────────────────────────────────────┘ │ ▼ ┌──────────────────────────────────────────────────────────────────────┐ │ ④ Runtime Layer │ │----------------------------------------------------------------------│ │ Node.js / Bun / Deno / Browser / Edge Runtime │ │ │ │ 主要玩家： │ │ - Node.js Foundation / OpenJS │ │ - Bun │ │ - Deno │ │ - Vercel Edge Runtime │ │ - Cloudflare Workers │ └──────────────────────────────────────────────────────────────────────┘ │ ▼ ┌──────────────────────────────────────────────────────────────────────┐ │ ⑤ Deploy / Cloud / Delivery Layer │ │----------------------------------------------------------------------│ │ Vercel / Netlify / Cloudflare / AWS / Azure / GCP │ │ │ │ 作用： │ │ - 部署 │ │ - 托管 │ │ - 边缘分发 │ │ - Serverless / AI App Runtime │ └──────────────────────────────────────────────────────────────────────┘ ``` #### 一、**Vite+: 一体化 JS 工具链——尤雨溪** 继续推广 Rust 重写前端工具链，Rust 写前端基础设施基本已经是行业共识了。除了 TSC。 | **工具类型** | **老一代（JavaScript）** | **新一代（Rust）** | | -------- | ------------------------------- | ------------- | | 脚手架 | Vue Cli / Create React App | Vite 8 | | 打包工具 | Webpack (编译 ts-loader) / Rollup | Rolldown | | TS 构建 | tsup（基于 esbuild） | tsdown | | 代码检查 | ESLint | Oxlint | | 代码格式化 | Prettier | Oxfmt | | 测试框架 | Jest | Vitest | ![image.png](https://km.sankuai.com/api/file/cdn/2752980249/228125441867?contentType=1\&isNewContent=false) Vite+是把工具链上各种配置文件统一成一个文件，简化配置工作。 ![image.png](https://km.sankuai.com/api/file/cdn/2752980249/228143018714?contentType=1\&isNewContent=false) 他做的工作为什么重要？为什么 AI 时代需要一个统一高效的工具链？ **核心观点：写代码不是瓶颈了，AI 需要不断的检查验证自己的代码，如果你不能给 AI 提供一个干净高效的工具链，那么未来会阻碍你生产力的大幅提升。** ![image.png](https://km.sankuai.com/api/file/cdn/2752980249/228145264077?contentType=1\&isNewContent=false) 最后提了一嘴 VoidZero 正在内测的产品。主要做自动部署，全栈的端到端类型安全。有点像要开展云服务了，和 Vercel 的方向一致。 ![image.png](https://km.sankuai.com/api/file/cdn/2752980249/228143392739?contentType=1\&isNewContent=false) #### 二、**Google A2UI - LLM Generated UI for Agents & A2A——**Jennie 感受一下Google 的影响力： ![image.png](https://km.sankuai.com/api/file/cdn/2752980249/228154026954?contentType=1) ![image.png](https://km.sankuai.com/api/file/cdn/2752980249/228178285513?contentType=1\&isNewContent=false) 这个主题就是在介绍A2UI。解决的是 为用户动态生成 UI，除了 A2UI，还有很多。 | **维度** | **AG-UI** | **ChatKit** | **MCP UI** | **Vercel AI UI** | **Google A2UI** | | -------- | --------- | ----------- | ---------- | ---------------- | ----------------- | | **定位属性** | 前端状态驱动 | OpenAI 专用 | Agent 远程渲染 | 垂直栈集成 | **声明式通用协议** | | **核心机制** | 共享客户端状态 | 专有组件库 | 沙盒 iframe | Shadcn + SDK | **JSON 渲染描述** | | **信噪比** | 极高 (原生性能) | 中 | 中 (跨域通信开销) | 高 (开发效率) | **极高 (样式一致性)** | | **安全性** | 高 (前端受控) | 高 | 极高 (环境隔离) | 高 | **极高 (禁止代码执行)** | | **跨平台性** | 弱 (需重写前端) | 弱 | 强 (Web 优先) | 弱 (Web 优先) | **极强 (支持原生/Web)** | **Google A2UI的特点：UI 即结构化数据** 与 Vercel 直接从服务器发送 React 组件片段（代码）不同，A2UI 坚持 Agent 不发送代码，只发送 JSON 描述。 * Agent 输出一套扁平化的流式 JSON，描述 UI 的意图（如：`{type: "chart", data: [...]}`）。客户端接收后，调用本地预设的受信任组件（Angular、Flutter 或 Lit 等）进行渲染。 * 这种“数据与渲染分离”的架构，彻底解决了 LLM 生成恶意脚本（XSS）的风险，同时也让 Agent 的回复能在手机原生 App 和 Web 页面上呈现出完全一致的视觉风格。 AG-UI 的底层逻辑是：“Agent 只负责思考和决策，UI 逻辑必须留在前端。” * 状态同步机制 (Shared State)：它在 Agent 与前端之间建立了一个实时的、双向同步的状态对象（State Object）。Agent 可以直接通过指令修改状态（例如：`state.selectedItems = [...]`），前端框架（React/Vue）监听到状态变化后，以毫秒级速度更新本地组件。 * 动作触发 (Action System)：前端开发者向 Agent 暴露一组“能力函数”（Actions）。Agent 决定什么时候调用，但如何执行完全由前端代码定义。这保证了业务逻辑的安全性。 MCP UI 的底层逻辑是：“UI 应该像 API 一样被标准化。Agent 走到哪里，UI 就跟到哪里。” * UI 即资源 (UI as Resource)：在 MCP 协议中，UI 不再是前端预写的代码，而是由 Agent 动态提供的“资源”。Agent 通过 `ui://` 协议返回一个 URI（例如 `ui://analytics-dashboard/v1`）。 * 宿主中立 (Host Agnostic)：你写一个 MCP Server，它提供的 UI 可以在 Claude Desktop、ChatGPT、Cursor 甚至你自己的 App 中直接渲染，无需针对每个平台重写前端。（iframe） #### **三、Agentic Coding 构建之路: 从模型到框架——**崔泽宇（麻油）、罗长伟（山果） 阿里内部有很多个 AI Coding 工具，不同部门各搞各的，真的很像十年前的前端。 我就听了两场，Qoder 和 Qwen-Code。Qwen-Code更有意思些，fork 的 Gemini Cli，。 只记了两个观点，其它都是在介绍，感兴趣可以读仓库或者下一个玩玩。 Coding 之所以重要，本质在于它是一个“高可验证性”的任务场景。在很多任务中，生成内容很容易，但验证正确性却很困难（如写文章、主观判断），而 Coding 刚好相反：虽然生成难度较高，但可以通过编译、测试用例、评测系统等方式快速验证结果。这种“生成难但验证易”的特性，使得 Coding 成为 AI 最理想的优化对象，也决定了任务价值与可验证性高度相关。 ![image.png](https://km.sankuai.com/api/file/cdn/2752980249/228183240565?contentType=1) 提升模型 Coding 能力的核心路径是“三个规模化”：一是数据规模（大量高比例代码数据），二是上下文规模（支持 repo 级、长链路理解，如 256K context），三是高质量数据（通过合成数据不断提升训练质量）。三者结合，使模型可以在可验证反馈的闭环中持续进化，从而在工程级复杂任务中实现质的突破。 ![image.png](https://km.sankuai.com/api/file/cdn/2752980249/228162627358?contentType=1\&isNewContent=false) #### 四、**从上下文工程到 Harness Engineering——**周晓 周晓是众多分享者中技术见地上乘的，在用第一性原理冷静的分析。 字节的 Web Infra 公众号分享了实录，。 摘要： AI Coding 把“写代码”的效率提升了一个数量级，但交付并没加速，因为编码只占 30%，剩下 70% 是测试、排障、发布、沟通。只优化写代码，是典型的局部最优：代码更多，验证压力更大，人反而更累。 周晓用 Transformer 自回归、KV Cache、Prompt Cache、ReAct 这些“物理现实”做底座：上下文越长，Prefill 越贵、注意力越被稀释，幻觉越多；追加很便宜，中间修改很昂贵。所以上下文工程的本质，是保护前缀稳定，精心设计 Prompt 结构，而不是疯狂堆信息；把长对话过程压缩成 snapshot/AGENTS.md，外包给文件系统存储，而不是一味塞进上下文。 在这个前提下，工程师的角色要从“写代码的人”变为“设计环境和工具的人”：为 Agent 打造对它可读、延迟低、结构化输出、带痛觉反馈的工具链。传统面向人的 GUI、日志、图表，对 Agent 来说大多是噪音；好的工具应该是给 Agent 用的 API。MCP 提供原子动作，Skill 把成熟打法固化成 SOP 按需装载，Sub Agent 把长任务拆成多个独立沙盒，用结构化摘要通信，避免一个上下文里熵增到失控。 闭环上，不能停在“AI 写完我来 Review 代码”，而是让 Agent 接入 LSP、测试、沙盒 CLI，自证正确，再把变更范围、截图、测试方案打包成报告，人只审阅交付物，而不是追踪它每一步操作。Spec/Plan、人机协作、何时 AskUser，都是为了减少无谓试错，把人类的注意力留在定义目标、审查结果上。 整篇的核心结论是：模型是服从物理约束的函数，不是魔法。理解这些约束之后，工程师真正的护城河，不在于谁写更多行代码，而在于谁能设计出更好的 Harness——在有限上下文和工具能力下，让一群 Agent 和少量人组成可控、可验证、可扩展的工程系统。