中场——Event Sourcing,Agent UI 的底层模型
正篇的中场。前六篇完成了 TUI 侧的完整深潜,这一篇先不往前冲,往上走一层:输出侧三篇暴露的所有麻烦,到底有没有一个统一的理论解释?
一、中场为什么有必要
回顾输出侧三篇的核心矛盾:
- 第 2 篇:终端没有 undo,增量 diff 依赖 8 个帧状态字段,一次 resize 全盘失效。为什么 TUI 的渲染正确性一定要绑在这么脆弱的状态上?
- 第 3 篇:Markdown 是“写完再解析“的语言,Agent 是“边想边输出“的过程。Stable Prefix Cache 有代码块盲区,表格需要 retreat 机制。为什么这些防御逻辑一个都不能少?
- 第 4 篇:Agent 输出是一棵树,工具调用乱序到达,thinking 中途穿插。稳定槽位队列 + shiftIndices 偏移追踪 + 有上限的 FIFO 通知队列,为什么渲染器要维护这么多索引?
答案藏在一个更根本的问题里:
Agent 的执行过程本身不是任何 UI 的“内部状态“。它是一组独立于界面的、按时间顺序发生的事件集合。TUI 的困境(脆弱的状态记忆、防御逻辑、索引追踪)根子不在“终端难用“,在“把事件树强行投影成线性输出“这个投影操作本身的结构性代价。
换一个投影方式(比如 GUI),这些代价也不会消失,只会以不同的形态重新出现。
二、Agent 的执行本质:一条事件流
如果你把 Agent 的一次完整执行记录下来,去掉所有 UI 相关的渲染细节,底层是什么?
type AgentEvent =
| { type: "message"; role: "user" | "agent"; content: string }
| { type: "tool.started"; toolCallId: string; tool: string; args: unknown }
| { type: "tool.output"; toolCallId: string; chunk: string }
| { type: "tool.finished"; toolCallId: string; status: "ok" | "error" }
| { type: "file.changed"; path: string; diff: string }
| { type: "permission.requested"; requestId: string; risk: RiskLevel }
| { type: "permission.resolved"; requestId: string; approved: boolean }
| { type: "task.plan.updated"; items: PlanItem[] }
| { type: "validation.started"; command: string }
| { type: "validation.finished"; result: ValidationResult }
| { type: "thinking"; content: string; isFinal: boolean }
| { type: "notification"; text: string }
这是一条 append-only 的事件流。Agent 的每一次推理、每一个工具调用、每一次权限请求、每一次文件变更,都只是这条流上的一个新事件。
这条事件流独立于任何 UI 而存在。 无论你用 CLI、TUI、GUI、IDE 还是 Web,底层都是同一件事:Agent 在做它的工作,产生事件。UI 的职责只是把这些事件投影到用户的感知空间。
这就是 Event Sourcing 在 Agent 领域的应用:Agent Runtime 是事件生产者,各种 UI 是事件消费者。不同 UI 是同一事件流的不同投影(projection)。
三、事件的三层分类
上面列的那些事件类型可以自然地分成三层:
| 层级 | 事件类型 | 特点 |
|---|---|---|
| 执行流 | tool.started / tool.finished / validation.* / task.plan.updated | 时间线核心,所有 UI 都必须处理 |
| 副作用流 | file.changed / tool.output | 可批量、可合并、可延迟投影 |
| 交互流 | permission.requested / permission.resolved | 阻塞型,需要 UI 在限定时间内给出响应 |
这三层只覆盖“执行相关“的事件。message、thinking、notification 不在其中,它们是内容流(对话内容、推理过程、系统提示),同样以事件形式被各端投影,但不参与执行流/副作用流/交互流的划分。
这个分类在学术上未必严谨(因为实际上就是我自己总结的),价值在于它解释了为什么不同 UI 对“同一套事件“的消费策略如此不同。
执行流是所有 UI 都要处理的基线。CLI/TUI 把它展平成线性文本,GUI 把它映射成卡片和状态动画。
副作用流在不同 UI 上的处理成本差异最大。TUI 里 file.changed 就是一行路径字符串;GUI 里它需要一个 diff 审查面板:并排对比、行级高亮、部分采纳/拒绝。同一个事件,投影成本差一个数量级。
交互流是最有意思的。CLI 里 permission.requested 是阻塞式 [y/n]:输入循环停下来,进程阻塞在 stdin 上等用户输入。GUI 里同一个事件可以是非阻塞 toast + badge counter,用户喝咖啡回来再处理。事件类型相同,但 UI 和事件之间的响应契约完全不同。 这就是为什么“先稳定事件协议,再谈 GUI 复杂交互“不是空话:事件协议里如果不区分“需要即时响应“和“可以延迟处理“,GUI 的优势就无从发挥。
四、两种极端说法的共同盲区
当前关于 Agent UI 的讨论里,有两种极端的说法。
说法一:CLI/TUI 只是早期原型,GUI 必然到来。 这个观点假设 CLI/TUI 和 GUI 是线性进化关系:卵 → 幼虫 → 成虫。但用 event-sourcing 的框架看,这不是进化,是共存。
SSH 到远程服务器跑 agent、在 tmux 里恢复一个跑了 3 小时的会话,这些场景里 CLI/TUI 不是“过渡方案“,是最优投影。GUI 在 diff 审查和多模态展示上有结构性优势,两者是分工关系。
再往下推一层:这个说法还隐含一个成本假设:GUI 的投影成本会随着框架成熟趋近于零,所以“替代“只是时间问题。但 Agent GUI 的成本大头跟“画界面“关系不大,贵在两个媒介基线差异带来的子系统数量:diff 审查面板、权限弹窗、多模态附件,每一个都是独立子系统(第 8、10 篇会逐一拆解)。这个成本由 Agent 场景的需求决定,不随框架成熟收敛。
说法二:GUI Agent 方向可能从根本上就是错的,Agent 就应该走 CLI 原生路线。 港大的 CLI-Anything 项目(2026.03)常被拿来当这一派的论据,它主张用 CLI 化的接口整体取代操作 GUI 的 agent。这个说法正确的一面是:为 Agent 设计结构化接口、输出 JSON 而非 UI 界面,确实比让 Agent 模仿人类操作 GUI 更可靠。但说法二错误的一面是:把“Agent 的核心接口应该是结构化的“和“用户界面应该全是 CLI“混为一谈了。event-sourcing 框架下,Agent 核心走结构化协议,用户界面走多端投影,这两件事不互斥。
CLI-Anything 回答的是“Agent 如何可靠地操作软件“,这是接口层的问题,结构化协议确实是正确答案。但“人如何可靠地监督 Agent“是另一个问题:审查 diff、批准权限、审计历史,这些事情的载体是视觉界面,不是 JSON。把接口层的正确结论外推到界面层,就是这个说法越界的地方。
两种说法的共同盲区:把 UI 当成了 Agent 的本体,而不是 Agent 的投影。
五、从 ForgeLoopTUI 的 CoreRenderEvent 到 GUI 的 diffable snapshot
第 4 篇详细拆解了 ForgeLoopTUI 的 CoreRenderEvent 枚举和 TranscriptRenderer 的索引追踪系统。回头看这套设计:
case operationStart(id: "A", header: "...", status: "...")
// → pendingTools.append((id: "A", lineIndex: 42))
case operationEnd(id: "A", isError: false, result: "...")
// → 定位 lineIndex 42,替换状态行
// → shiftIndices 偏移后续所有引用
pendingTools 其实是一个在内存中维护的事件关联索引:它把分散到达的 operationStart 和 operationEnd 重新配对,让渲染结果在视觉上连续。
现在把这个思路映射到 GUI。在 UICollectionView 或者 LazyColumn 的世界里,你不需要手写 shiftIndices。你需要的是:
event stream → diffable data source → snapshot → cell 复用
operationStart → 插入一个新的 tool card cell(pending 状态)。operationEnd → 找到对应 cell,更新为 done/error 状态,触发局部重绘。框架帮你处理索引偏移,这是 UICollectionViewDiffableDataSource 的内置能力。
同一个数据结构,不同的投影成本。TUI 要手写 200 行索引追踪;GUI 框架内置。但反过来,GUI 要为“tool card 的 pending → running → done 状态动画“写一套完整的 cell 生命周期管理,TUI 只需要换一行文本。
这套 cell 生命周期管理拆开看并不轻松。状态迁移要走批量更新才能保证动画连贯,不能这个 cell 已经翻牌、那个 cell 还在旋转;内容高度随流式更新不断变化,每条事件都可能触发一次局部 relayout;cell 被回收复用时必须完整重置:进度动画、展开状态、错误样式,漏重置一个,就是“新消息显示上一条的旋转图标“这种经典 bug。TUI 侧的对应物是第 2 篇那 8 个帧状态字段,集中在一处、错一处全盘可见;GUI 侧的对应物是分散在每个 cell 里的状态机,单点错、局部错,但排查时要面对的是几十种 cell 类型各自的生命周期。
投影成本不会消失,只是换了形态。
六、append-only event log 的长期价值
事件流不只是渲染层的技术选型,在 Agent 产品的几个方面都有长期价值:
恢复。
用户关闭客户端、Agent 继续执行。重连时,客户端从 event log 的最后一条已知事件开始消费,所有状态重建,不需要存储“当时的 UI 状态“,只需要回放事件。第 2 篇讲的帧状态记忆(8 个字段、resize 全盘失效)之所以脆弱,正是因为 TUI 存的是“渲染结果“而不是“事件源头“。
审计。
想知道 Agent 昨天在哪个文件上做了什么改动?查 event log,file.changed 事件带时间戳、路径和 diff,不需要翻聊天记录。
协作。
两个用户看同一个 Agent 会话,Web 端看到富文本 diff 面板,IDE 端看到行级采纳/拒绝按钮。同一个事件流,两个投影,不需要为每个端单独维护状态。
回放。
调试 Agent 行为时,回放 event log 比复现对话快得多。
已有开源实践在走这条路:Zacp 通过 ACP 协议把多个 CLI Agent 的事件流转发到 WebUI,是多端投影的一个雏形。
七、这个框架不能解决什么
Event Sourcing 解释了结构,但有两个问题它不能替你回答。
第一,事件的粒度应该多细? 太粗:file.changed 包含整个文件的 diff,GUI 上的 diff 面板没法做行级高亮。太细:每个 token 都是一个事件,事件量爆炸,storage 和 replay 成本不可接受。粒度的答案不来自理论,来自具体 UI 的交互需求。
第二,交互流的响应契约怎么设计? permission.requested 是阻塞还是非阻塞?超时时间多少?哪些权限可以批量预批,哪些必须逐个确认?这些不是事件类型的字段问题,是产品设计问题。Event Sourcing 能告诉你“这里需要一个 permission 事件“,但不能告诉你“这个事件应该在 UI 上存活多久“。
八、总结
这一篇想说明一件事:
Agent UI 的问题和 CLI/TUI、GUI 的形态之争关系不大,要解决的是如何为一条不确定、乱序、可中断的事件流设计多端投影。
前五篇(02–06)的 TUI 深入研究,展示的是“线性投影“这种特定投影方式的完整成本。接下来三篇(08–10)转向 GUI,展示同一套事件在像素世界里的投影成本:同样的结构性矛盾,不同的表现形式。
一条事件流,多种投影。
参考与延伸
- 本文的 event-sourcing 框架部分受 ForgeLoopTUI 的 CoreRenderEvent 设计和 Zacp 的 ACP 多 Agent WebUI 架构启发。
- 港大 CLI-Anything 项目:https://github.com/HKUDS/CLI-Anything。