你的 AI Pipeline 应该拥有比 `print()` 更好的方案

Source: Dev.to

最后一英里问题

你一定有这种体会。你已经花了三天时间搭建 LLM 流水线。提示工程已经调校完毕，检索速度快，输出真的很棒——结构化分析、精美报告、可操作的摘要。你的模型正在产生真实的工作成果。

然后，你碰到了最后一英里。

print(result)

仅此而已。这就是输出层：终端里一大堆文字。也许你会写点花活，把它写入文件：

with open(f"output_{datetime.now().isoformat()}.md", "w") as f:
    f.write(result)

现在 outputs/ 文件夹里已经有 47 个 markdown 文件，产品经理问你：“能直接给我一个链接吗？”

我们都经历过。尽管有数十亿美元流入 AI 基础设施，AI 输出的最后一英里仍然是用胶带粘合的。

胶带分类法

我见过团队用越来越有创意（也更绝望）的方式解决这个问题：

这些方案的共同根本问题在于：你在搭建展示输出的基础设施，而不是在构建生成输出的东西。展示层本身就成了一个独立的项目，而它从来不是任何人的优先事项。

Source: …

三行代码

下面是最终实现的样子：

from surfacedocs import SurfaceDocs, DOCUMENT_SCHEMA, SYSTEM_PROMPT

docs = SurfaceDocs()
result = docs.save(llm_output)
print(result.url)  # https://app.surfacedocs.dev/d/abc123

这就是 SurfaceDocs – pip install surfacedocs。三行代码，即可获得即时可分享的 URL。无需任何基础设施。

你的 LLM 输出会生成一个永久、已渲染、可分享的文档——不是文件、不是截图、也不是会消失在虚空中的 Slack 消息。一个可以交给任何人的 URL。

SDK 实际使用

SDK 自带 SYSTEM_PROMPT 和 DOCUMENT_SCHEMA，直接传给你的 LLM：

from openai import OpenAI
from surfacedocs import SurfaceDocs, DOCUMENT_SCHEMA, SYSTEM_PROMPT

client = OpenAI()
docs = SurfaceDocs()

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user",   "content": "分析 Q4 销售数据并生成执行摘要"}
    ],
    response_format=DOCUMENT_SCHEMA
)

result = docs.save(response.choices[0].message.content)
print(result.url)

LLM 输出结构化内容，SurfaceDocs 能够将其美观地渲染。标题、表格、提示框、指标——全部在查看器中以格式化且交互的方式呈现。兼容 OpenAI、Anthropic、Gemini、Ollama 等，只要能遵循 schema，就能使用。

无需 React 应用。无需数据库。无需 CSS。无需托管。你负责构建流水线，SurfaceDocs 负责输出。

介绍 SurfaceDocs Pro

自从推出 SurfaceDocs 以来，人们已经构建了我们未曾预料的东西：

• 一个每日市场分析代理，每天早上发布新文档。
• 一个客户支持摘要流水线，每天创建数百份文档。
• 一个自主研究代理，在进行中发布其发现，形成 AI 生成分析的实时文档记录。

免费套餐（每月 10 份文档，保留 90 天）足以试用，但团队很快就会超出其容量。他们需要生产级基础设施，而不是玩具。

这就是我们推出 SurfaceDocs Pro，月费 $19 的原因。以下是您将获得的内容以及每项功能的重要性：

使用 SurfaceDocs Pro，您将获得一个 面向生产的输出层，可随需求扩展，让您保持永久且可搜索的归档，并且无需构建和维护自定义前端。

入门

pip install surfacedocs

from surfacedocs import SurfaceDocs, DOCUMENT_SCHEMA, SYSTEM_PROMPT
from openai import OpenAI

client = OpenAI()
docs = SurfaceDocs()

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user",   "content": "Summarize Q4 sales data for the executive team"}
    ],
    response_format=DOCUMENT_SCHEMA
)

doc = docs.save(response.choices[0].message.content)
print("Shareable URL:", doc.url)

就这么简单。无需额外服务器、CSS 或数据库——只为每个 AI 生成的输出提供一个干净、可共享的 URL。 🚀

更大的图景

以下是我认为实际发生的情况，以及我们为何要构建它的原因：

代理时代需要一个输出层。

目前，AI 代理在完成工作方面表现得越来越好。它们可以进行研究、分析、摘要、生成、审查。但每个代理框架——LangChain、CrewAI、AutoGen、你的自定义方案——都有同样的盲点：输出会怎样处理？

代理会产生工作成果：报告、分析、摘要、建议、代码审查、数据拆解。如今，这些工作成果要么消失在日志中，要么被塞进并非为其设计的格式里。

想象一下这将走向何方。六个月后，你会看到代理自主运行，每天产出数十份文档：

• 研究代理发布研究结果。
• 监控代理生成事件报告。
• 销售代理创建客户简报。

每一种都需要一个落地的地方——结构化、可共享、持久且人类和其他代理都能访问的空间。

SurfaceDocs 就是这个地方。AI 流程的输出层。

我们并不是在构建文档编辑器。我们也不与 Notion 或 Google Docs 竞争。我们在构建 AI 工作成果的存放地——AI 所写内容的读取层。

# This is the future: agents that publish their work
agent = ResearchAgent(topic="competitor analysis")
findings = agent.run()

docs = SurfaceDocs()
result = docs.save(findings)

# Share with the team, feed to other agents, build a knowledge base
notify_team(result.url)
knowledge_base.index(result.url)

架构刻意保持简洁：

• Python SDK → FastAPI on Cloud Run → Firestore → React viewer
• 快速入口、可靠存储、清晰渲染。
• 复杂性应存在于你的流水线中，而不是输出层。

开始使用

免费层仍然可用：

• 每月 10 篇文档
• 90 天保留期
• 默认私有，可选择公开共享

足以构建真实项目并验证想法是否可行。

当你的原型演变为流水线，流水线再升级为生产环境时——这时 Pro 方案才有意义。

$19 / 月 可获得额外配额、更长的保留期以及细粒度访问控制。

pip install surfacedocs

from surfacedocs import SurfaceDocs, DOCUMENT_SCHEMA, SYSTEM_PROMPT

docs = SurfaceDocs()
result = docs.save(your_llm_output)
print(result.url)  # 就是这样。这就是输出层。

在 app.surfacedocs.dev 免费开始 →

SurfaceDocs 是 AI 流水线的输出层。我们致力于打造 AI 工作成果的存放地，让你专注于构建生成这些成果的 AI。