深度融合AI的低代碼平臺低代碼的核心概念邏輯編排構建業務邏輯讀寫（通過可視化、組件化、模板化等形式降門檻和提效）邏輯編排構建業務邏輯構建用戶界面流程編排構建企業流程流程編排構建企業流程接口編排構建接口服務可視化編輯器（領域特定，結構化）編譯器/解釋器編譯器/解釋器邏輯編排構建交互行為邏輯編排構建交互行為生成、解釋執行生成、解釋執行傳統編程語言和框架傳統編程語言和框架模型編排模型編排構建數據模型低代碼本身的問題解決方案2:AI在編程領域的現狀傳統編程領域：傳統編程領域：AIGC產業賽道火熱，AI編程工具已經成為行業的重要發展方向多模態技術為主編程輔助工具多模態技術為主擅長解決局部場景問題重新定義IDE智能體編程重新定義IDE目前距離國內客戶落地還有一段距離低代碼編程領域：國內低代碼低代碼編程領域：國內低代碼+AI的產品相對較少，大部分還在實踐探索以AI推薦、AI架構分析能力為主的行業低代碼獨角獸（OutSystems、Mendix）傳統編程+AI會取代低代碼嗎大模型的優勢是解決非確定性問題，低代碼解決的是確定性問題，兩者并不完全排斥低代碼是基于傳統軟件工程思想，專家從傳統編程語言和框架抽象出更少量的確定性的上層概念，大量利用生成式復用和組裝式復用的方式，達到提效而大模型是通過大量的文本和代碼數據訓練一個黑盒的神經網絡模型來實現代碼生成，它具有非確定性，提供了像人一樣創造力。傳統編程大模型生成的代碼始終是面向專業開發者的，只能提效，無法跨越式降低門檻（如編程輔助工具和智能IDE）軟件開發不是一個一次性的過程。軟件迭代和維護需要繼續補充和修改，AI生成的代碼有時也存在問題。使用AI工具的人需要基本懂AI生成的這門語言和框架，至少要有判斷力。而低代碼通過DSL設計減少概念減少學習成本，通過可視化設計提供所見即所得的能力，從而降低了使用者的門檻。自然語言具有模糊性。并不能精確描述最終需求的所有細節（全自動智能體有這個問題）自然語言是人類溝通的媒介，他的特點就是模糊性，而計算機語言才是程序精確運行的必要條件。傳統編程大模型擅長解決局部問題，但對全棧和項目整體的把握能力差，無法感知隱形的開發規范、架構設計和領域知識應用開發需要面臨多種領域語言、框架銜接的問題，也要面臨了解團隊規范、架構設計和領域知識的問題。而低代碼利用DSL，封裝了底層的開發規范和架構設計，向上提供了統一的開發基座和最佳實踐。低代碼平臺天然實現和集成了一系列成熟的軟件開發設施比如應用管理、資產管理、集成能力、運維能力等。而傳統編程工具特別是智能IDE，面臨與各種企業和團隊的技術體系對接，要想發揮出更大的效果還有一段路要走。依賴庫管理連接器管理應用/局部模板管理CodeWave的技術架構與AI結合的思路依賴庫管理連接器管理應用/局部模板管理AI服務 自然語言生成代碼補全D2C代碼解讀代碼分析…資產中心頁面設計器增刪改查撤銷重做復制粘貼邏輯設計器數據定義設計器數據查詢設計器流程設計器可視化設計器t!導入導出資產中心頁面設計器增刪改查撤銷重做復制粘貼邏輯設計器數據定義設計器數據查詢設計器流程設計器可視化設計器LanguageServer靜態補全靜態補全類型檢查類型檢查查找引用查找引用批量重命名批量重命名實時編輯實時編輯發布/導出源碼/鏡像基礎語言 生成器生成器備份還原分支管理多人協作代碼升級全棧統一的DSL備份還原分支管理多人協作代碼升級全棧統一的DSL收斂技術棧成熟的IDE底座和周邊設施JS源碼代碼倉庫Java源碼 靜態資源/鏡像部署企業運維體系代碼倉庫Java源碼 靜態資源/鏡像部署企業運維體系應用管理多租戶管理多環境管理集成信息管理平臺服務應用管理多租戶管理多環境管理集成信息管理運維管理運維管理多智能體協同、多階段靈活組裝的智能體編程9解決自然語言的模糊性問題-多智能體協同的AI生成架構工程+AI多階段的生成提升健壯性和正確率以自然語言生成可視化邏輯為例：由于自然語言的模糊性，大部分問題的粒度比較粗需求澄清→代碼生成恰當上下文和few-shot用戶需求+代碼生成所必需的上下文+CodeWaveDSL規范時，模型一次生成的效果并不理想見錯誤以及不符合規范的內容做代碼優化代碼優化時可能會發生注意力偏移、優化不完整、一次生成效果已經可以不需要二次優化等問題增加規則檢測：針對代碼生成階段的時，拼接對應的few-shot和成本又提高優化效果進一步進一步SaaS和私有化AI服務的架構統一保證SaaS和私有化的AI功能，通過一套架構方便維護，同時也可以盡可能地復用各種模型優化策略，提升整體的可用性。數據驅動的低代碼語言模型訓練解決自然語言的模糊性問題-多智能體協同的AI生成架構剛上線后用戶體驗感覺效果不佳，我們只有一個采納率的指標，不知道是模型問題、工程問題還是交互問題，不知道該往哪些方向優化。自然語言生成代碼的產品形態太單一自然語言生成代碼能夠有效降低使用門檻，對于新用戶和對某些新功能不熟悉的用戶上手比較友好，但是對于日常開發的老用戶來說提效不明顯對低代碼+AI的正確率等訓練效果難以度量在AI技術日新月異和產品的快速迭代過程中，提示工程、模型訓練、模型切換經常會發生，低代碼+AI的效果缺乏一個統一的評測標準，行業內也沒有類似的標準。二是會導致交付困難。很多項目客戶會問我們，你們低代碼AI怎么樣才能給我們驗收？低代碼+AI對用戶的提效等實際價值難以度量客戶除了關心具體效果，也會思考低代碼+AI能夠帶來的價值。之前每當客戶問，低代碼+AI到底提升了我們多少效率？我們難以應答。●修煉NASL大模型內功，提升高頻場景的正確率●增加更多提效AI功能：如代碼補全等●建立統一的低代碼Benchmark（面向技術線下訓練，評測AI的基礎能力）●建立低代碼AI的指標體系和量化標準（面向產品線上觀測，評測AI的服務價值）Ifyoucan’tmeasureit,youcan’timproveit–建立低代碼AI功能Benchmark體系NL2頁面邏輯NL2服務端邏輯NL2頁面邏輯NL2服務端邏輯NL2UICodeWavebenchmark=生成合理且能運行通過的樣本數/總樣本數頁面邏輯服務端邏輯邏輯匯總正確率（早期）45.8%正確率（語言和工程優化后）91.2%評判語言能力-以HumanEval為切入點通過率（正確率）pass@1=一次生成編譯和運行都通過的樣本數/總樣本數通過率/gpt4o-ts通過率工程修復+補充語言能力后70.01%基于基座模型進行微調80.07%語言能力補齊和模型訓練還在繼續推進，有上升空間Cove=生成成功且給用戶展示出來的次數/AI功能觸發次數=AI生成的代碼在某段時間后還剩余的比例（NASLCove=生成成功且給用戶展示出來的次數/AI功能觸發次數=AI生成的代碼在某段時間后還剩余的比例（NASL根據語法樹節點單元數綜合計算）=AI生成的節點單元數/總的應用節點單元數注意：要滿足不等式E>0（對用戶有提效），可以推導出兩個結論：?X>A/M，即采納率（線下用正確率估算）的閾值。如果X不滿足這個條件，AI功能就沒有手工編程提效，甚至比手工編程效率還低。該公式很適合用于產品線下評測模型上對用戶的價值。展示率綜合采納率留存率@1分鐘自然語言生成邏輯（早期）91.11%64.04%自然語言生成邏輯（語言和工程優化后）98.65%92.63%①①①①AI生成代碼且用戶確認的時長（正常采納時長，A）=用戶思考自然語言的時長+AI生成時長+用戶確認時長=用戶設計和編寫代碼的時長①①=AI生成代碼且用戶確認的時長+純手工開發時長=采納次數/AI功能觸發次數*(留存率@1分鐘)（用戶采納后，可能還有部分修改的情況，引入留存率來綜合統計）AI功能對用戶的平均耗時（T）=正常采納時長*綜合采納率+用戶返工時長*(1-綜合采納率)=(純手工開發時長-AI功能對用戶的平均耗時)/純手工開發時長①①微調自己的低代碼語言模型模型：基座模型評判微調自己的低代碼語言模型-微調過程令生成對應的NASL代碼，以構造用于訓練的數據對；設計了案合成，利用gpt4o等高性能模型生成代碼，循環使用NASL過濾模塊：總結分析模型評測過程中發現的問題，定位到訓練集中的錯誤數據樣本，設計使用規則對其快速過濾，提升訓練集質量。組裝模塊：同時根據實際使用的場景，對已有數據進行重新SFT過程，使用初始構造的數據集訓練得到初始模型，再基于訓練后的模型做拒絕采樣，利用指令構造指令構造語言運行沙箱語言運行沙箱答案合成答案合成數據后處理數據后處理監督微調監督微調偏好對齊偏好對齊熱切換服務部署AI交互輸入各類設計器CodeWaveIDENASL存儲操作棧存儲時間棧存儲NASL代碼倉庫應用上下文AI網關智能代碼生成智能代碼解讀設計稿轉頁面截圖轉頁面智能代碼分析CodeWave平臺AI服務智能編程助手指標統計批跑測試數據回流模型的線上切換與災備AI工程化平臺支撐評測體系-加速AI產品功能迭代熱切換服務部署AI交互輸入各類設計器CodeWaveIDENASL存儲操作棧存儲時間棧存儲NASL代碼倉庫應用上下文AI網關智能代碼生成智能代碼解讀設計稿轉頁面截圖轉頁面智能代碼分析CodeWave平臺AI服務智能編程助手指標統計批跑測試數據回流模型的線上切換與災備AI網關配置模塊模型切換模型配置災備監控Benchmark模塊單元測試批跑測試業務AI網關配置模塊模型切換模型配置災備監控Benchmark模塊單元測試批跑測試業務benchmark基礎benchmark數據回流指標統計模塊指標大盤指標查詢指標統計模型訓練模塊模型訓練模塊模型服務化模型服務GPU適配容量評估壓測部署升級文檔模型處理模型選型提示工程微調訓練預后處理數據準備數據收集數據合成數據校驗數據分類數據回流模型評測數據同步數據上報數據同步數據上報數據回放數據回放數據中心數據升級數據讀取數據下載1.Benchmark有利于幫助產品識別出模型技術的基礎效果和能力邊界，從功能使用層面調整產品設產品匹配）的有力舉措。2.上線后，產品和技術觀測線上用戶數據和指標進行分析，將真實數據分批回流到模型訓練集、驗證3.產品AI功能升級時，包括prompt、模型或工程方案等技術方案的調整，都需要經過Benchmark補全的一些技術細節采納率平均提效率通用場景代碼補全47.89%24.98%特定場景代碼補全61.34%Y用戶操作用戶確認觸發補全代碼展示展示和防抖