点击按钮的时代结束了？用 Sierra 模式构建无界面 AI 智能体应用

“The era of clicking buttons is over.” — Bret Taylor, Sierra 联合创始人

当 Sierra 的联合创始人 Bret Taylor 说出这句话时，他不是在预测未来，而是在描述正在发生的现实。作为 former Google Docs 负责人和 Salesforce 前 CEO，Taylor 对软件交互的理解远超常人。今天，我们来深入探讨 AI 智能体如何颠覆传统 UI，以及开发者如何构建”无界面”应用。

为什么 UI 正在消失？

传统软件交互的核心问题是什么？认知负荷。用户需要：

1. 理解界面布局
2. 找到正确的按钮/菜单
3. 记住操作流程
4. 处理各种弹窗和确认

而 AI 智能体模式完全不同：用户只需用自然语言描述目标，智能体自动完成所有步骤。

传统 UI vs AI 智能体交互对比

维度	传统 UI	AI 智能体
学习成本	高（需熟悉界面）	低（自然语言）
操作效率	多步骤点击	一句话完成
适应性	固定流程	动态调整
可访问性	依赖视觉	多模态交互

Sierra 模式的核心架构

Sierra 的成功并非偶然，它建立在一套清晰的架构之上：

1. 意图理解层

from typing import List, Optional
from pydantic import BaseModel

class UserIntent(BaseModel):
    action: str  # 用户想要做什么
    entities: List[str]  # 涉及的对象
    constraints: Optional[dict]  # 限制条件
    confidence: float  # 置信度

def parse_intent(user_message: str) -> UserIntent:
    """
    使用 LLM 解析用户意图
    示例：'帮我预订明天下午 3 点与张三的会议'
    输出：UserIntent(
        action='schedule_meeting',
        entities=['张三'],
        constraints={'time': 'tomorrow 3pm'},
        confidence=0.95
    )
    """
    # 实际实现会调用 LLM API
    pass

2. 任务规划层

意图解析后，智能体需要将高层目标拆解为可执行步骤：

class TaskPlan(BaseModel):
    steps: List[dict]
    dependencies: List[tuple]  # 步骤间的依赖关系

def create_plan(intent: UserIntent) -> TaskPlan:
    """
    将意图转换为执行计划
    示例：schedule_meeting → [
        {'action': 'check_calendar', 'params': {'time': 'tomorrow 3pm'}},
        {'action': 'find_contact', 'params': {'name': '张三'}},
        {'action': 'send_invite', 'params': {'attendees': ['张三'], 'time': '...'}}
    ]
    """
    pass

3. 工具执行层

这是智能体与实际系统交互的地方：

class ToolExecutor:
    def __init__(self):
        self.tools = {
            'calendar': CalendarAPI(),
            'email': EmailAPI(),
            'crm': CRMAPI(),
            'slack': SlackAPI(),
        }
    
    async def execute(self, step: dict) -> dict:
        tool_name = step['action']
        tool = self.tools.get(tool_name)
        if not tool:
            raise ValueError(f"Unknown tool: {tool_name}")
        return await tool.run(**step['params'])

实战：构建一个客服智能体

让我们用 Sierra 模式构建一个电商客服智能体，能够处理退货、查询订单、修改地址等任务。

步骤 1：定义领域意图

from enum import Enum

class CustomerServiceIntent(Enum):
    CHECK_ORDER_STATUS = "check_order_status"
    INITIATE_RETURN = "initiate_return"
    UPDATE_SHIPPING_ADDRESS = "update_address"
    TRACK_PACKAGE = "track_package"
    CANCEL_ORDER = "cancel_order"
    CONTACT_HUMAN = "contact_human"

INTENT_EXAMPLES = {
    CustomerServiceIntent.CHECK_ORDER_STATUS: [
        "我的订单到哪了",
        "查询订单 12345 的状态",
        "什么时候能收到货",
    ],
    CustomerServiceIntent.INITIATE_RETURN: [
        "我要退货",
        "这个商品不合适，想退掉",
        "申请退款",
    ],
    # ... 更多示例
}

步骤 2：实现意图分类器

import openai

class IntentClassifier:
    def __init__(self, api_key: str):
        self.client = openai.OpenAI(api_key=api_key)
    
    def classify(self, user_message: str) -> CustomerServiceIntent:
        prompt = f"""
        你是一个电商客服意图分类器。将用户消息分类到以下意图之一：
        {', '.join([i.value for i in CustomerServiceIntent])}
        
        用户消息：{user_message}
        
        只返回意图名称，不要其他内容。
        """
        
        response = self.client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.1,  # 低温度保证稳定性
        )
        
        intent_name = response.choices[0].message.content.strip()
        return CustomerServiceIntent(intent_name)

步骤 3：构建任务执行器

class CustomerServiceAgent:
    def __init__(self, db_connection, shipping_api):
        self.db = db_connection
        self.shipping = shipping_api
        self.classifier = IntentClassifier(api_key="...")
    
    async def handle_request(self, user_id: str, message: str) -> str:
        # 1. 分类意图
        intent = self.classifier.classify(message)
        
        # 2. 执行对应任务
        if intent == CustomerServiceIntent.CHECK_ORDER_STATUS:
            return await self._check_order_status(user_id, message)
        elif intent == CustomerServiceIntent.INITIATE_RETURN:
            return await self._initiate_return(user_id, message)
        elif intent == CustomerServiceIntent.UPDATE_SHIPPING_ADDRESS:
            return await self._update_address(user_id, message)
        # ... 处理其他意图
        
        return "抱歉，我没理解您的需求。我可以帮您查询订单、办理退货、修改地址等。"
    
    async def _check_order_status(self, user_id: str, message: str) -> str:
        # 提取订单号（如果用户提供了）
        order_id = self._extract_order_id(message)
        
        if not order_id:
            # 获取用户最近订单
            orders = await self.db.get_recent_orders(user_id, limit=1)
            if not orders:
                return "您还没有任何订单。"
            order_id = orders[0]['id']
        
        # 查询订单状态
        order = await self.db.get_order(order_id)
        if not order:
            return f"未找到订单 {order_id}"
        
        # 查询物流信息
        tracking = await self.shipping.get_tracking(order['tracking_number'])
        
        return f"""
订单 {order_id} 状态：{order['status']}
物流信息：{tracking['current_status']}
预计送达：{tracking['estimated_delivery']}
        """.strip()

步骤 4：添加对话记忆

好的智能体需要记住上下文：

from typing import Dict, List

class ConversationMemory:
    def __init__(self, max_turns: int = 10):
        self.sessions: Dict[str, List[dict]] = {}
        self.max_turns = max_turns
    
    def add_message(self, session_id: str, role: str, content: str):
        if session_id not in self.sessions:
            self.sessions[session_id] = []
        
        self.sessions[session_id].append({
            'role': role,
            'content': content,
            'timestamp': datetime.now().isoformat()
        })
        
        # 保持会话长度限制
        if len(self.sessions[session_id]) > self.max_turns:
            self.sessions[session_id] = self.sessions[session_id][-self.max_turns:]
    
    def get_context(self, session_id: str) -> List[dict]:
        return self.sessions.get(session_id, [])

最佳实践与技巧

1. 渐进式确认

对于高风险操作（如退款、取消订单），不要一次性执行，而是分步确认：

async def _initiate_return(self, user_id: str, message: str) -> str:
    order_id = self._extract_order_id(message)
    order = await self.db.get_order(order_id)
    
    if not order:
        return "未找到订单，请提供正确的订单号。"
    
    # 第一步：确认退货商品
    items = order['items']
    confirm_msg = f"""
您要为订单 {order_id} 申请退货，包含以下商品：
{chr(10).join([f"- {item['name']} (¥{item['price']})" for item in items])}

请回复要退货的商品编号，或说"全部退货"。
"""
    return confirm_msg
    # 等待用户确认后继续下一步

2. 优雅降级

当智能体无法处理时，平滑转接人工客服：

async def handle_request(self, user_id: str, message: str) -> str:
    try:
        intent = self.classifier.classify(message)
        # ... 正常处理
    except Exception as e:
        # 记录错误
        logger.error(f"Intent classification failed: {e}")
        
        # 转接人工
        ticket_id = await self._create_support_ticket(user_id, message)
        return f"""
抱歉，这个问题我需要人工客服协助您。
已为您创建工单 #{ticket_id}，客服将在 24 小时内联系您。
        
您也可以直接拨打客服热线：400-XXX-XXXX
        """

3. 多轮对话状态管理

使用状态机管理复杂流程：

from enum import Enum

class ReturnFlowState(Enum):
    INITIAL = "initial"
    CONFIRMING_ITEMS = "confirming_items"
    CONFIRMING_REASON = "confirming_reason"
    CONFIRMING_ADDRESS = "confirming_address"
    COMPLETED = "completed"

class ReturnFlowManager:
    def __init__(self):
        self.states: Dict[str, ReturnFlowState] = {}
    
    def transition(self, session_id: str, current_state: ReturnFlowState, 
                   user_input: str) -> tuple[ReturnFlowState, str]:
        # 状态转移逻辑
        if current_state == ReturnFlowState.INITIAL:
            # 解析用户要退货的商品
            items = self._parse_items(user_input)
            self.states[session_id] = ReturnFlowState.CONFIRMING_ITEMS
            return self.states[session_id], self._confirm_items_message(items)
        
        # ... 其他状态转移

工具推荐

构建 AI 智能体应用，以下工具值得考虑：

• LangChain – 流行的 LLM 应用开发框架，提供链条、代理、记忆等组件
• LlamaIndex – 专注于数据索引和检索，适合 RAG 场景
• AutoGen (Microsoft) – 多智能体协作框架
• CrewAI – 基于角色的智能体编排
• Sierra – 企业级客服智能体平台（商业方案）

结语

Bret Taylor 的预言正在成为现实。作为开发者，我们面临两个选择：

1. 继续构建传统的点击式 UI
2. 拥抱自然语言交互，构建智能体优先的应用

对于新应用，尤其是内部工具、客服系统、数据分析等场景，智能体模式往往能提供更好的用户体验。关键在于：

• 从用户目标出发，而非功能列表
• 设计清晰的意图分类体系
• 实现可靠的任务执行层
• 提供优雅的人工兜底方案

点击按钮的时代或许还未完全结束，但倒计时已经开始。

---

参考资源：

• Sierra 官网
• Bret Taylor 访谈：The era of clicking buttons is over
• LangChain 文档
• Microsoft AutoGen