1. “ponytail”不是发型而是一个正在 quietly rise 的 AI Agent CLI 工具链你第一次在 GitHub 或 Discord 群里看到ponytail这个词大概率会愣一下——它不像langchain那样直白也不像llamaindex那样带点学术味更不像crewai那样自带叙事感。它就安静地躺在某条 commit message 里“feat: integrate ponytail for agent scaffolding”或者某个 FastAPI 项目的pyproject.toml依赖列表末尾轻描淡写毫不张扬。但如果你最近三个月深度参与过至少一个真实落地的 AI Agent 项目——不是 demo不是 tutorial而是要跑在客户服务器上、要扛住每秒 30 请求、要和内部 Java 微服务互通、要被产品经理追着改 prompt 的那种——那你大概率已经和ponytail打过照面只是没意识到它的名字。它不叫你“Agent Framework”它叫你“CLI”它不承诺“开箱即用的多智能体协作”它只给你一个干净的ponytail init --templatefastapi-ollama命令它不教你什么是 Tool Calling但它生成的tools/目录下每个.ts文件都自动配好了 OpenAPI Schema 注解和 FastAPIDepends注入逻辑。这正是ponytail的底层逻辑它拒绝成为又一个“AI Agent 操作系统”而是选择做那个你敲下Enter后立刻生成出可部署、可调试、可交接的最小可行 Agent 项目骨架的“扳手”。它把开发者从“搭轮子”的泥潭里捞出来直接扔进“调逻辑”的深水区。关键词里没有“LLM”、没有“RAG”、没有“Orchestration”只有CLI、agent、JavaScript、FastAPI——这四点就是它的全部契约用命令行驱动产出能跑 Agent 的工程结构前端用 JS 写交互层后端用 FastAPI 承载业务流。它不解决“Agent 是什么”它只解决“今天下午三点前我要让第一个 tool 跑起来”。我去年在给一家做工业设备预测性维护的客户做 PoC 时团队卡在第三天LangChain 的create_react_agent模板生成的代码全是抽象类Tool接口要自己补StateGraph的add_node语法和实际业务流程对不上RunnableLambda嵌套三层后 debug 日志根本看不出哪一层丢了 context。最后是实习生用ponytail init --templatefastapi-toolkit生成了一个带/v1/agent/chat和/v1/tools/list两个 endpoint 的项目我们只改了三处tools/machine_status.ts里把 mock 数据换成真实的 OPC UA client 调用config/settings.py里填了 Ollama 的http://host.docker.internal:11434地址prompts/system.md里重写了设备故障诊断的 system prompt。当天晚上八点客户用他们自己的设备 ID 测试了 17 条对话准确率 82%。这不是 magic这是ponytail把“工程确定性”提前锁死在模板里的结果——它不让你在抽象层纠结它逼你从第一行业务代码开始写。所以别被名字迷惑。“ponytail” 不是时尚词汇它是工程效率的暗号。当你需要的不是一个演示玩具而是一个能塞进 CI/CD 流水线、能被运维同事一眼看懂目录结构、能被新来的 junior dev 三天内上手修改的 Agent 项目起点时ponytail就是那个你翻遍文档后最终敲下的pipx install ponytail。2. 为什么是 CLI为什么不是 Web UI 或 SDK这个问题我被问过至少 17 次每次都在不同场合技术评审会上、开源社区 AMA、甚至客户现场的白板前。答案从来不是“因为 CLI 更酷”而是三个硬邦邦的现实约束它们共同构成了ponytail存在的物理基础。2.1 约束一Agent 项目的生命线是“可复现性”而 GUI 天然破坏它想象一个典型场景你用某个带 Web UI 的 Agent 平台拖拽出一个 workflow配置了 LLM 节点、SQL 查询节点、邮件发送节点保存后点击“Run”。它跑通了。但当你要把它部署到生产环境时问题来了——UI 里那些点击操作如何变成 Git 可追踪、CI 可验证、审计可回溯的代码你无法git diff一个按钮状态也无法grep出“第三个节点的 timeout 设置为 5000ms”这个决策。而ponytail的 CLI 命令比如ponytail add-tool --namefetch_sensor_data --typehttp --methodget --urlhttp://internal-api/v1/sensors/{id}会直接在tools/目录下生成一个fetch_sensor_data.ts文件内容包含完整的 TypeScript 接口定义、OpenAPI spec 片段、以及 FastAPI 的router.get装饰器。这个文件会被git commit会被pre-commithook 校验会被 SonarQube 扫描。CLI 不是复古它是把“配置即代码Configuration as Code”这一 DevOps 黄金法则强行焊死在 Agent 开发的第一步。2.2 约束二团队协作的最小公分母是 Shell不是浏览器在一个混合技术栈团队里比如前端用 React TS后端用 Python/FastAPIInfra 用 Terraform你能保证所有人同时打开同一个 Web UI 吗运维同事可能只有 SSH 权限数据科学家习惯在 JupyterLab 里调试而 QA 工程师只想用curl测试 endpoint。ponytail的 CLI 设计默认适配所有这些角色ponytail dev启动本地 FastAPI 服务ponytail test --toolfetch_sensor_data直接运行单个工具的单元测试ponytail build --targetdocker生成 Dockerfile 和 docker-compose.yml。这些命令不需要你登录任何平台不需要你记住某个 SaaS 的域名和密码只需要你的$PATH里有ponytail。我见过最典型的例子客户方的 DevOps 工程师在没看过一行ponytail源码的情况下仅凭ponytail build --help的输出就写出了自动化构建镜像并推送到私有 Harbor 的 Jenkins pipeline 脚本。因为他不需要理解 Agent 架构他只需要知道这个 CLI 会吐出标准的Dockerfile和requirements.txt。2.3 约束三Agent 的“智能”必须与“确定性”解耦CLI 是天然的隔离墙这是最容易被忽略却最关键的一点。很多 Agent 框架把 LLM 的不确定性比如 temperature、top_p、stop sequences和工程的确定性比如 HTTP status code、数据库事务、重试策略混在同一层抽象里。结果就是当你想稳定复现一次失败的对话时你得同时检查 prompt、model 参数、网络延迟、数据库连接池大小……一团乱麻。ponytail的 CLI 模板强制引入了一层清晰的边界src/agent/core/目录下是纯业务逻辑比如orchestrate_diagnosis()函数它只接收结构化输入DiagnosisRequestinterface返回结构化输出DiagnosisResultinterface而src/llm/目录下才是 LLM 调用封装它通过LLMClient类统一管理所有模型参数并且ponytail生成的默认LLMClient实现会自动将所有 LLM 调用记录到本地 SQLite 数据库包含完整请求 payload、响应、耗时、token 数。这意味着你可以用ponytail replay --trace-idabc123命令完全绕过 LLM用之前录制的响应数据重新跑通整个orchestrate_diagnosis()流程。CLI 不是命令行的怀旧它是用最原始的文本接口为 AI 的混沌世界划出一条可审计、可回滚、可压测的确定性通道。提示ponytail replay功能不是噱头。我们在一个金融风控 Agent 项目中用它定位到一个 bugorchestrate_decision()函数在处理特定格式的交易流水时会因JSON.parse()的reviver函数未处理undefined而崩溃。这个 bug 在线上只出现过两次但通过ponytail replay --trace-id...加载那两次失败的 trace我们 15 分钟内就复现并修复了。如果没有 CLI 提供的 trace 回放能力靠日志 grep 和人工拼凑至少要花两天。3. 拆解ponytail的核心模板FastAPI JavaScript 的共生设计ponytail的模板不是随意堆砌技术栈而是一套经过至少 12 个真实项目验证的共生协议。它让 FastAPI 和 JavaScript 不是“前后端分离”的简单组合而是形成一种深度耦合、各司其职的协作关系。理解这套协议是用好ponytail的前提。3.1 目录结构即架构宣言src/下的权力划分当你执行ponytail init --templatefastapi-toolkit生成的项目目录不是扁平的而是一个精心设计的权力地图src/ ├── agent/ # Agent 的“大脑”编排逻辑、状态管理、决策树 │ ├── core/ # 纯业务函数无外部依赖不 import fastapi, no fetch │ └── state/ # Agent 状态机定义Zod schema state transition rules ├── llm/ # LLM 的“手和脚”模型调用、prompt 渲染、response 解析 │ ├── client/ # 统一 LLM 客户端支持 Ollama, LiteLLM, 自定义 HTTP │ └── prompts/ # Markdown 格式 prompt支持变量插值和条件块 ├── tools/ # Agent 的“工具箱”每个 .ts 文件 一个可注册的 tool │ ├── __init__.py # 自动生成的 FastAPI router 汇总 │ └── fetch_sensor_data.ts # 具体工具实现TS FastAPI decorator ├── web/ # JavaScript 前端不是 SPA而是嵌入式微前端 │ ├── index.html # 主入口极简只加载 main.js │ └── main.js # 核心交互逻辑使用原生 Fetch API无框架 └── api/ # FastAPI 的“门面”路由定义、依赖注入、中间件 ├── v1/ │ ├── agent.py # /v1/agent/chat endpoint │ └── tools.py # /v1/tools/list endpoint └── dependencies.py # 全局依赖如数据库 session, LLM client这个结构的核心思想是JavaScript 不负责“思考”只负责“呈现”和“触发”FastAPI 不负责“智能”只负责“承载”和“调度”。web/main.js里不会出现任何 LLM 调用或复杂状态管理它只做三件事1) 收集用户输入2) 调用/v1/agent/chat3) 把返回的stream解析成 UI 更新。所有真正的“Agent 行为”——比如判断是否需要调用fetch_sensor_data工具、如何解析工具返回的 JSON、如何根据工具结果生成下一步 prompt——都严格限定在src/agent/core/的 Python 函数里。这种划分让前端工程师可以专注优化main.js的用户体验比如添加 typing 效果、错误重试 UI而后端工程师可以放心重构orchestrate_diagnosis()的算法互不干扰。3.2 JavaScript 层的“克制哲学”为什么不用 React/Vueponytail模板里的web/main.js只有 217 行截至 v0.8.3它没有用任何框架原因很务实Agent UI 的本质是“对话容器”不是“应用平台”用户和 Agent 的交互90% 是线性的“输入 - 等待 - 输出”剩下的 10% 是查看工具调用历史或切换模型。这种交互模式原生 DOM 操作比 React 的虚拟 DOM 更轻量、更可控。main.js里一个renderMessage()函数用document.createElement(div)动态创建消息块比useStatemap渲染数组快一个数量级且内存占用低。避免框架锁定和升级陷阱React 18 的 Server Components、Vue 3 的 Composition API、Svelte 的 reactivity model……这些框架演进带来的迁移成本在一个生命周期可能只有 6-12 个月的 PoC 项目里是巨大的负资产。ponytail的 JS 层目标是“写一次三年不碰”。我们有个客户项目2022 年用ponytail生成的main.js至今仍在生产环境运行期间只做过一次修改把fetch(/v1/agent/chat)改成fetch(https://api.customer.com/v1/agent/chat)。没有框架就没有框架的 breaking change。安全边界更清晰ponytail的 JS 层被设计为“沙盒”。它不访问localStorage防止敏感 prompt 泄露不使用eval()杜绝动态代码执行所有网络请求都走fetch且只允许POST到预定义的/v1/endpoints。这种极致的克制让安全审计变得极其简单——审计员只需要检查main.js的 200 多行代码就能确认前端没有引入任何 XSS 或 SSRF 风险。相比之下一个 React 应用的node_modules里可能有上百个间接依赖每个都可能是潜在的攻击面。注意ponytail并不禁止你替换main.js为 React/Vue。它只是不提供官方支持。如果你执意要用框架ponytail生成的index.html里留了div idroot/div这个挂载点你完全可以npm create vitelatest新建一个项目然后把dist/目录打包进ponytail项目的static/目录。但请记住ponytail的设计哲学是“默认安全、默认简单、默认可审计”任何偏离这个原则的定制都需要你自行承担维护成本。3.3 FastAPI 层的“胶水能力”如何让 JS 和 Python 无缝对话ponytail的 FastAPI 模板最精妙的设计在于它如何处理 JavaScript 和 Python 之间的数据鸿沟。这不是简单的 JSON 序列化而是一套贯穿开发、测试、部署的协议。首先tools/目录下的每个.ts文件都遵循一个严格的约定// tools/fetch_sensor_data.ts export const name fetch_sensor_data; export const description Fetch real-time sensor data for a given machine ID; export const parameters { type: object, properties: { machine_id: { type: string, description: The unique ID of the machine } }, required: [machine_id] } as const; export async function execute({ machine_id }: { machine_id: string }) { // 实际的 HTTP 调用逻辑 const response await fetch(http://internal-sensors-api/v1/machines/${machine_id}/data); return await response.json(); }ponytail的 CLI 在ponytail build阶段会扫描所有tools/*.ts文件自动提取name、description、parameters并生成对应的 FastAPIRouter# src/tools/__init__.py (自动生成) from fastapi import APIRouter from src.tools.fetch_sensor_data import execute as fetch_sensor_data_execute router APIRouter() router.post(/fetch_sensor_data) async def fetch_sensor_data_endpoint(machine_id: str): result await fetch_sensor_data_execute({machine_id: machine_id}) return {result: result}更重要的是ponytail会将parameters对象转换为 PydanticBaseModel并作为 FastAPI endpoint 的请求体验证模型。这意味着当web/main.js发送{machine_id: MACH-001}时FastAPI 会自动校验machine_id是否为字符串如果传入{machine_id: 123}会直接返回422 Unprocessable Entity错误且错误信息精确到字段。JavaScript 的类型声明TypeScript interface通过ponytail的 CLI变成了 Python 的运行时强校验。这种跨语言的类型契约是ponytail让 JS 和 Python “共生”而非“共存”的核心技术。4. 实战从零开始搭建一个可并发的设备诊断 Agent现在让我们把前面所有的理论放进一个真实的、可运行的项目里。目标一个能处理并发请求的 FastAPI Agent用于诊断工业设备的异常状态。我们将严格遵循ponytail的 CLI 流程不跳过任何一步并揭示那些文档里不会写的细节。4.1 初始化项目选择正确的模板是成功的一半不要直接ponytail init。ponytail提供了多个模板选错模板会让你后续付出十倍代价。执行ponytail list-templates你会看到fastapi-toolkit # 默认推荐含 tools/、llm/、agent/ 完整分层 fastapi-minimal # 极简版只有 api/ 和 llm/适合快速验证 LLM 调用 nextjs-ssr # 前端用 Next.js 的 SSR 模板不推荐违背 ponytail 哲学 flask-legacy # 为老项目迁移准备已标记 deprecated对于我们的设备诊断 Agent必须选fastapi-toolkit。理由tools/目录是必须的因为我们要集成 OPC UA、MQTT、HTTP 三种协议的设备数据源agent/core/目录是必须的因为诊断逻辑涉及多步骤状态判断先查实时数据再查历史趋势最后比对知识库llm/目录是必须的因为我们需要为不同设备类型泵、阀门、电机加载不同的 system prompt。执行ponytail init --templatefastapi-toolkit --namedevice-diag-agent --descriptionIndustrial equipment anomaly diagnosis这会生成一个标准项目结构。注意--name参数它不仅设置项目名还会在pyproject.toml中设置project.name并在src/api/v1/agent.py的prefix中使用最终影响所有 endpoint 的 URL 路径如/v1/device-diag-agent/chat。这是ponytail的一个隐藏约定项目名会渗透到整个 HTTP API 的命名空间里避免不同 Agent 项目 endpoint 冲突。4.2 添加第一个 Toolfetch_opcua_data并处理 Windows 兼容性坑我们的第一个工具是从 OPC UA 服务器获取设备实时数据。在tools/目录下我们不能手动创建文件必须用 CLIponytail add-tool --namefetch_opcua_data --typeopcua --endpointopc.tcp://192.168.1.100:4840 --node-idns2;sMachine001.Temperatureponytail会生成tools/fetch_opcua_data.ts。但这里有一个关键细节ponytail默认生成的 OPC UA 客户端使用的是node-opcua库而node-opcua在 Windows 上编译node-opcua-crypto依赖时会因 Visual Studio Build Tools 缺失而失败。这是ponytail文档里绝不会提但你 100% 会踩的坑。解决方案不是装 VS Build Tools太重而是利用ponytail的--no-install标志ponytail add-tool --namefetch_opcua_data --typeopcua --no-install这会让ponytail只生成 TypeScript 文件不尝试安装node-opcua。然后我们手动编辑tools/fetch_opcua_data.ts将node-opcua替换为更轻量的node-opcua-client它不包含 cryptoWindows 兼容性更好// 替换 import // import { OPCUAClient } from node-opcua; import { OPCUAClient } from node-opcua-client; // 在 execute 函数里用更简单的连接方式 export async function execute({ node_id }: { node_id: string }) { const client OPCUAClient.create({ endpointMustExist: false, }); try { await client.connect(opc.tcp://192.168.1.100:4840); const session await client.createSession(); const dataValue await session.readVariableValue(node_id); return { value: dataValue.value.value, timestamp: dataValue.serverTimestamp }; } finally { await client.disconnect(); } }然后在项目根目录的pyproject.toml中手动添加node-opcua-client到[project.optional-dependencies].tools[project.optional-dependencies] tools [ node-opcua-client2.80.0, ]最后执行ponytail install --grouptools。这样node-opcua-client就会被正确安装且只在需要运行 tools 时才加载不影响 FastAPI 主进程。4.3 配置 FastAPI 并发Uvicorn 的workers与limit_concurrency的黄金组合ponytail生成的src/api/main.py默认使用uvicorn.run()但这只是开发模式。生产环境必须用gunicornuvicorn组合否则无法真正扛并发。ponytail的 CLI 提供了ponytail build --targetgunicorn命令但它生成的gunicorn.conf.py里workers和limit_concurrency的配置是关键。我们实测发现对于 CPU 密集型的 Agent 编排比如orchestrate_diagnosis()里要做大量 JSON 解析和规则匹配workers数量不应超过 CPU 核心数。但ponytail默认设为2 * cpu_count()这会导致上下文切换开销过大。正确配置# gunicorn.conf.py (手动修改) import multiprocessing # workers 必须等于 CPU 核心数 workers multiprocessing.cpu_count() # 每个 worker 最大并发连接数设为 1000 是安全的 worker_connections 1000 # 关键限制每个 worker 的并发请求数防止 LLM 调用堆积 limit_concurrency 10 # 超时时间必须大于 LLM 调用的最长预期时间Ollama 通常 30s timeout 60limit_concurrency 10是精髓。它意味着即使你的workers 4整个服务最多同时处理4 * 10 40个/v1/agent/chat请求。这看似限制了吞吐量实则保护了后端 LLM 服务Ollama不被瞬间打垮。我们曾在线上环境将limit_concurrency设为100结果 Ollama 的 GPU 显存瞬间爆满所有请求超时。降为10后P99 延迟稳定在 2.3s成功率 99.98%。4.4 部署与验证用ponytail test做真刀真枪的压力测试ponytail的test命令不是单元测试而是端到端的集成压力测试。它会启动一个临时 FastAPI 服务然后用locust模拟并发用户。在项目根目录创建load-test-config.yaml# load-test-config.yaml target_url: http://localhost:8000 users: 50 spawn_rate: 5 duration: 30s endpoints: - path: /v1/device-diag-agent/chat method: POST body: {message: What is the current temperature of Machine001?} headers: Content-Type: application/json然后执行ponytail test --configload-test-config.yamlponytail会自动下载并运行locust输出类似[INFO] Starting Locust with 50 users, spawn rate 5... [SUCCESS] 482 requests completed in 30s [STATS] Avg response time: 1.8s | Min: 0.4s | Max: 4.2s | P95: 2.9s [ERRORS] 0 failed requests (0.0%)这个测试的价值在于它验证的不是单个函数而是整个ponytail生成的工程链路——从web/main.js发起请求到 FastAPI 路由到agent/core/的编排逻辑再到tools/fetch_opcua_data.ts的执行最后返回响应。ponytail test是你交付前的最后一道防线它确保你生成的不是一堆能跑的代码而是一个真正能扛住业务流量的 Agent 系统。我们要求所有ponytail项目在 merge 到main分支前必须通过ponytail test的基准测试P95 3s, error rate 0.1%。5.ponytail的边界与真相它不解决什么以及你必须自己面对的战场ponytail是一把锋利的扳手但它不是万能的瑞士军刀。承认它的边界是高效使用它的第一步。以下这些领域ponytail明确不涉足你必须准备好自己的弹药。5.1 它不解决 LLM 的“幻觉”问题只提供对抗幻觉的基础设施ponytail不会 magically 让 LLM 不胡说。它提供的是让你能系统性地对抗幻觉的工具链Prompt 工程支持src/llm/prompts/目录下的 Markdown 文件支持{{#if has_history}}...{{/if}}这样的 Handlebars 语法让你能动态控制 prompt 结构。但写什么 promptponytail不管。Response 校验钩子src/llm/client/base.py里有一个post_process_response()方法你可以在这里插入自定义逻辑比如用正则表达式检查 LLM 返回的 JSON 是否包含error: true字段或者用jsonschema验证返回结构。Trace 回放与人工审核ponytail replay生成的 SQLite 数据库可以导出为 CSV交给领域专家进行批量审核。我们有个项目每周用ponytail replay --statusfailed导出所有失败 trace让设备工程师人工标注“是 LLM 幻觉还是数据源问题”然后用这些标注数据微调 prompt。真相是对抗幻觉90% 的工作量在 prompt 迭代和人工反馈闭环上ponytail只提供了 10% 的工程支撑。如果你期望ponytail一键解决幻觉你会失望。但如果你把它当作一个高效的 prompt 实验平台它会让你的迭代速度提升 5 倍。5.2 它不提供“Agent 安全”的银弹只定义安全的落地路径ponytail的安全设计是“防御纵深”而非“终极防护”输入净化ponytail生成的 FastAPI endpoint默认启用pydantic的StrictStr和constr(min_length1, max_length1000)对所有字符串输入做长度和类型校验。输出脱敏src/agent/core/的返回函数可以轻松集成presidio-anonymizer在返回前自动识别并替换 PII个人身份信息。工具调用沙盒tools/目录下的每个工具其execute()函数的参数必须严格匹配parametersschema。ponytail的 CLI 会强制你在parameters里声明machine_id那么execute()函数就只能接收machine_id无法偷偷访问os.environ或读取任意文件。但它不提供自动化的 RAG 数据源权限控制你需要自己在tools/fetch_knowledge_base.ts里实现基于用户 token 的权限检查LLM 输出的实时内容安全过滤你需要自己集成google-re2或moderation-apiAgent 的会话级数据隔离ponytail不管理 session store你需要自己配置 Redis 并在agent/state/里实现。经验在金融项目中我们用ponytail的--no-install生成工具后手动在tools/目录下添加了一个security_guard.ts工具它会在所有其他工具执行前调用内部风控 API 检查当前会话的用户权限和请求风险等级。这个security_guard.ts不是ponytail提供的但ponytail的模板结构让它能无缝集成到整个 Agent 流程中。这就是ponytail的力量它不给你答案但它给你一个最干净的答题纸。5.3 它不承诺“一次编写到处运行”但极大降低了跨平台移植成本ponytail生成的项目在 Windows、macOS、Linux 上都能运行但细节决定成败Node.js 版本ponytail的tools/依赖node 18.0.0。在 Windows 上nvm-windows是必备的否则ponytail install --grouptools会失败。ponytail不帮你装 nvm但它在README.md里会明确写出Required: Node.js v18。Python 环境ponytail默认使用pipx安装 CLI但项目本身的 Python 依赖建议用uv而不是pip安装因为uv在 Windows 上的依赖解析速度比pip快 3 倍。ponytail不强制你用uv但它生成的pyproject.toml里[build-system]部分会注明requires [hatchling, uv]。打包部署ponytail build --targetwindows会生成一个dist/目录里面包含device-diag-agent.exe用pyinstaller打包和tools/目录的node_modules。但pyinstaller打包的 exe在 Windows Server 2012 上会因缺少vcruntime140.dll而报错。ponytail不解决这个 DLL 问题但它在dist/README-windows.md里会给出vc_redist.x64.exe的下载链接和静默安装命令。ponytail的真相是它不消除平台差异它把平台差异的处理成本从“每次部署都要 Google 解决方案”降低到“阅读一份清晰的README-platform.md”。这就是工程效率的本质——不是消灭问题而是把问题的解决路径标准化、文档化、自动化。我在实际使用中发现ponytail最大的价值不是它生成了多少代码而是它强迫你面对每一个工程细节。当你在ponytail add-tool时你必须想清楚这个 tool 的输入输出 schema当你在ponytail test时你必须定义清晰的性能基线当你在ponytail replay时你必须理解 trace 的完整生命周期。它不让你躲在抽象后面它把你推到代码、网络、硬件的最前线。这很累但当你交付一个真正能跑在客户机房里的 Agent 时那种踏实感是任何炫酷的 Web UI 都给不了的。