——当 Aifei、JBoltAI、Spring AI 都在后端应用上不断更新，那谁来解决「AI 输出怎么看」的问题？

2026 年，后端 AI 框架已经如春天万物，各种方案层出不出，。

Aifei——由 JFinal 创始人瞻波打造的全球首个 AI 原生编程框架，用"Just Service"范式砍掉了 Controller、Dao、Mapper 全部中间层，3333 行零依赖代码，让 AI 写代码的 Token 消耗直降一个量级。主要是从底层架层上极致优化，使开发效率更稳更快，打开人工智 能大模型开发基座，

JBoltAI（向量空间）——深耕 Java 生态的企业级 AI 开发底座，服务 800+ 政企客户，覆盖 RAG 知识库、数字员工、智能体编排、私有化部署全场景，是国内大模型落地的现有主力军。

Spring AI——Spring 官方出品，零学习成本接入 AI，统一对接 OpenAI、豆包、通义千问、文心一言等主流模型，RAG 知识库搭建一行代码搞定，是 Java 开发者进入 AI 领域的最短路径。

三个框架，三条路线，但它们共同指向同一个未被解决的底层问题：

大模型能写代码、能画图表、能调工具、能做分析——但用户在对话框里看到的，依然是一堵缓慢铺开的文字墙。

这就是 TokUI 存在的意义。

一、TokUI 是什么：全球首个 For AI 的真流式 UI 描述与渲染引擎

一句话定义：

TokUI 是一套让 AI 用极少的 Token，流式生成富 UI 的底层协议与渲染引擎。它不是 HTML 的替代品，不是 Markdown 的升级版——它是为「AI 流式输出」这一全新场景专门发明的第三种 UI 表达介质。

核心架构三层贯穿前后端：

层 角色 能力
Builder（服务端） 链式 API 结构化数据 → 极简 DSL 字符串
Parser（前端） 字符级状态机 逐字符增量解析，首 Token 即渲染
Renderer（前端） 原生 DOM 引擎 零依赖，图表/高亮/主题全部自研 


js


// Aifei / JBoltAI / Spring AI 后端都可以这样输出：
const b = new TokUIBuilder();
b.card({ tt:'销售分析' }).chart({ t:'bar', d:'42,55,48,70,82,95' }).end();
// → [card tt:销售分析][chart t:bar d:42,55,48,70,82,95][/card]

// 前端 TokUI 流式渲染，首 Token 即开始画 DOM：
const tokui = new TokUI({ container: '#app' });
tokui.startStream();
tokui.feed('[card tt:');
tokui.feed('销售分析][chart t:bar d:42,55,48,70,82,95][/card]');
tokui.endStream();



150+ 组件，覆盖七大类：基础组件 / 表单控件 / 数据表格 / 可视化图表 / AI 对话专属组件（think 推理链、tool-call 工具卡片、agent 智能体状态、artifact 实时预览…）。


零 npm 依赖。前后端全部原生 API，图表纯 SVG 手绘，代码高亮自研 tokenizer，可直接 CDN 引入，不污染任何依赖树。




二、为什么它是未来：三大后端框架的共同 UI 缺口



 
  

   框架
   解决了什么
   没解决什么
  

 
 
  

   Aifei
   AI 写代码的效率问题
   AI 生成的内容怎么可视化呈现？
  

  

   JBoltAI
   企业 AI 应用的全链路落地
   Agent 思考过程、工具调用状态如何让用户「看见」？
  

  

   Spring AI
   Java 接入大模型的最后一公里
   RAG 检索结果、对话富 UI 如何摆脱纯文本？
  

 



答案只有一个：TokUI。


它不是某个框架的插件，它是所有 AI 后端框架的 UI 中间件——任何后端只要输出 TokUI DSL，前端就能渲染出可交互的富 UI。



 
  

   维度
   HTML
   JSON / A2UI
   Markdown
   TokUI DSL
  

 
 
  

   Token 成本
   极高
   高
   低
   极低
  

  

   流式友好
   否
   否（需完整）
   部分
   是（逐字符）
  

  

   可交互
   是
   依赖运行时
   否
   是（原生）
  

  

   AI 生成成本
   高
   中
   低
   低
  

 





三、TokUI 的六大核心使用场景：AI 信息可视化的完整答案


场景一：AI 对话产品的富 UI 回复（主场）


Aifei / JBoltAI / Spring AI 的 AI 接口返回的不再是纯文本，而是一组流式渲染的对话组件：




[bubble role:ai model:"GPT-5.2"]
  [think tt:思考过程]用户问的是销售数据，需要先查询再可视化…[/think]
  [tool-call name:"sales_query" status:success]
  [chart t:line tt:"近6月销售" d:"42,55,48,70,82,95" area]
  [msg-actions copy regenerate like dislike]
[/bubble]



AI 不再只是回答问题，而是在对话中实时构建一个可操作的工作台。




场景二：AI Agent 全流程可视化（JBoltAI 核心场景）


JBoltAI 的长流程智能体，通过 TokUI 流式渲染分层任务清单：


    
 
  • 推理面板可折叠展开，业务人员自由查看 AI 思考细节
    • 
 
  • [upd id:call_001 status:done] 实时更新已渲染组件状态
    • 
 
  • 工具调用卡片、任务步骤随推理进度分段弹出
    • 



告别 Agent 运行状态不透明的行业痛点。




场景三：RAG 知识库的溯源可视化（Spring AI + TokUI）


Spring AI 做检索，TokUI 做呈现：




[source n:1 tt:"2026 Q2 销售报表" u:"https://..."]
[source n:2 tt:"ERP 采购流程手册" u:"https://..."]
[md 根据以上资料，近6月销售趋势如下：]
[chart t:bar ...]



文献来源卡片、匹配文本片段随模型输出同步展示，满足政务、金融行业对 AI 回答溯源、合规留痕的硬性要求。




场景四：数据分析与 BI 报告流式生成


指标卡先到 → 图表逐根长出 → 表格逐行刷入 → 结论最后弹出：




[card tt:"2026 Q2 销售分析"]
  [row]
    [col span:3][stat tt:"总营收" v:"¥1.2亿" trend:up "18%"][/col]
    [col span:3][stat tt:"同比增长" v:"18%"][/col]
  [/row]
  [chart t:bar tt:"分渠道营收" c:"4f46e5,10b981,f59e0b" ...]
  [callout t:success tt:"结论" tx:"线上渠道增长强劲，建议加大投放"]
[/card]



边生成、边加载、边渲染，数据报告动态生成、实时更新。




场景五：Aifei + TokUI：AI 原生应用的 UI 闭环


Aifei 的"Just Service"范式让后端极简，TokUI 让前端极简——两者组合，构成AI 原生应用的完整闭环：



 
  

   层
   Aifei
   TokUI
  

 
 
  

   后端
   Just Service，零多余层
   Builder 链式输出 DSL
  

  

   前端
   —
   零依赖流式渲染
  

  

   通信
   SSE / WebSocket
   SSE / WebSocket
  

 



不需要 React，不需要 Vue，不需要任何前端框架。 AI 写后端逻辑（Aifei），AI 生成 UI（TokUI），人类只需要定义业务。




场景六：跨语言后端统一 UI 协议（未来方向）


TokUI 的 DSL 是语言无关的 UI 中间层：



 
  

   后端
   状态
  

 
 
  

   Node.js
   ✅ 已实现
  

  

   Java（JBoltAI）
   ✅ 已实现
  

  

   Python
   🚧 规划中
  

  

   Rust / Go / C#
   🚧 规划中
  

 



无论你用 Aifei、JBoltAI 还是 Spring AI，只要输出 TokUI DSL，前端一行不改。




四、它解决的不只是 UI，是 AI 交互的范式转移



 
  

   传统范式
   TokUI 范式
  

 
 
  

   开发者预先写死界面
   AI 在对话中流式生成 UI
  

  

   完整页面一次性渲染
   首 Token 即渲染，边推理边展示
  

  

   纯文本 / Markdown 文字墙
   可交互的富 UI 工作台
  

  

   JSON 必须完整到达才能解析
   字符级断点续读，任意位置切断均可恢复
  

  

   依赖 React/Vue 重型技术栈
   零依赖，原生 API，CDN 即用
  

 





五、工程级安全：政企落地的底线


AI 动态输出的 XSS 风险，TokUI 用三层防护从架构上杜绝：



 
  

   防线
   机制
  

 
 
  

   ① 事件安全
   事件处理器仅支持前端预注册命名函数，DSL 不携带任何可执行代码
  

  

   ② DOM 安全
   自动过滤 onclick 等危险属性
  

  

   ③ 渲染安全
   仅在代码、Markdown 可信模块受控使用 innerHTML
  

 



完全满足政企私有化部署的数据安全与合规要求。




六、写在最后


2026 年，AI 后端框架已经就位：


    
 
  • Aifei 让 AI 写代码更高效
    • 
 
  • JBoltAI 让企业 AI 落地更完整
    • 
 
  • Spring AI 让 Java 接入 AI 更简单
    • 



但它们都缺同一块拼图：AI 生成的内容，如何以最自然、最经济、最安全的方式呈现给用户？


TokUI 的回答是：



 
From Token to UI. 让 AI 用极少的 Token，流式生成富 UI。




这不是一个前端组件库。这是大模型时代的 UI 协议层——是 AI 信息可视化的终局方案，是所有 AI 后端框架都需要的那块 missing piece。





 
  

   项目
   地址
  

 
 
  

   开源协议
   MIT
  

  

   npm
   npm install tokui
  

  

   GitHub
   github.com/tokui/tokui
  

  

   文档站
   tokui.dev/docs
  

 





bash


git clone https://github.com/tokui/tokui.git
cd tokui && npm run build



AI 的下一个十年，不只是「能做什么」，而是「用户能看见什么」。


TokUI，让看见成为可能。🚀
 
  

        # 状态模式
      
  
 
 Logo 
亚马逊云科技技术品牌专区
 
 
 
  
更多推荐
  
 
open-code-review Codex 插件教程：对话式调用评审技能指南
 
本文是一份面向新手的 **open-code-review Codex 插件教程**，教你在 Codex 中通过对话式方式调用 open-code-review 的 AI 代码评审技能。open-code-review 是阿里巴巴开源的 AI 代码评审工具，采用"确定性流水线 + LLM Agent"混合架构，内置多语言评审规则（NPE、线程安全、XSS、SQL 注入等），可在 Codex 里用一
 
avatar 亚马逊云科技技术品牌专区
 
 
OBS Studio 完整指南：免费开源录屏与直播软件从零上手
 
想做一场像模像样的直播，或者把屏幕内容录成教程视频，但一想到商用软件的订阅费就有些犹豫？其实你不需要花一分钱。OBS Studio 是一款免费开源的直播与录屏软件，支持 Windows、macOS 和 Linux，采集、混音、编码、推流、录制，一条流水线全包了。## 先搞清楚 OBS Studio 是什么OBS Studio 是一个"场景化"的采集合成工具：你把摄像头、窗口、浏览器、图片、
 
avatar 亚马逊云科技技术品牌专区
 
 
如何用MediaCrawler爬取小红书抖音数据？7大平台爬虫从安装到实战完整指南
 
MediaCrawler 是一个支持小红书、抖音、快手、B站、微博、百度贴吧、知乎的开源自媒体数据采集工具。它能按关键词、按帖子、按创作者主页三种方式抓取笔记/视频内容、评论甚至二级评论，并把结果存成 JSON、CSV、Excel 或数据库。适合做市场调研、竞品监控、内容选题的运营人员，以及想要现成爬虫框架而不想从零写 JS 逆向的开发者。## 从一次"手动抄数据"说起想象这个场景：你负责
 
avatar 亚马逊云科技技术品牌专区