AI 驱动的低代码平台-AI+低代码的思考与 CodeWave 的实践介绍
赞
踩
GPT 出现后，对于低代码产品的影响、冲击一直是一个悬而未决的问题。事实上 GPT 不仅不会干掉低代码产品，还可以帮助低代码产品做得更好。本文会详细讲解CodeWave平台结合AI能力的思考与实践。
GPT 出现后，对于低代码产品的影响、冲击一直是一个悬而未决的问题。事实上 GPT 不仅不会干掉低代码产品，还可以帮助低代码产品做得更好。
最近开始梳理网易 CodeWave 智能开发平台平台的 AI 方向，本文会从产品技术角度详细聊聊 AI+低代码结合的机会，以及 CodeWave 低代码平台如何通过 AI 能力，大幅降低低代码产品的开发门槛，提升产品竞争力的一些实践。
低代码的困境
低代码市场目前已经达到了50亿规模左右，并且以年30%的复合增长率高速增长，低代码产品也成了用户降本增效的重要选择之一。那对于市场上的诸多低代码产品，用户最看重什么呢？用户实际使用低代码产品的体验如何？
在我们的市场调研过程中发现，70%的用户会把“用户体验”作为重要的关注方向，用户会深入关注低代码产品的交互、操作等，并且直接会作为自己决策的依据之一。
同时，45.3%的企业用户觉得，目前采购的低代码平台并不好用，其中70%为中小型企业。
为什么会这样？说好的降本增效呢？我们来分析一下。
下面看这张图：
献丑了，这是 CodeWave 平台对接登陆的一个逻辑编排过程。我们可以看到需要做这样的一个登陆逻辑，需要对登陆的全流程、Http 基础知识、日志等功能模块、加密解密都非常熟悉，同时要熟悉低代码平台调用接口、赋值、设置 Header、打日志、解析数据等操作。一般来讲一个熟练的低代码教练可能要花费一天左右时间来完成这段逻辑的搭建，而对于一个完全不懂开发的人员来讲，他完全无法实现这块逻辑。
事实上，对于一个熟练的后端开发者来讲，用代码实现这段逻辑可能也就花费一个小时左右。这里暴露了低代码重要的一个问题：定制开发的使用门槛太高，效率太低。低代码产品进入到企业当中，首先要通过平台完成很多定制开发工作，以便跟企业自身it设施集成，这个过程一般通过低代码平台的逻辑编排或者流程编排能力，要求用户在熟悉编码能力的基础上使用平台进行搭建，其使用门槛相当高。
CodeWave 平台也经常会走进客户去了解客户实际的反馈。在一次调研中我们发现，逻辑编排这块反馈的问题非常多：
逻辑模块的问题中，最高频的问题问题逻辑阅读（69%），其次是逻辑编写（56%）
逻辑阅读
•在逻辑反馈问题中，超过9成用户反馈“复杂逻辑场景下，阅读之前的逻辑、他人的逻辑”遇到困难，
•在逻辑反馈问题中，约3成用户反馈“一个逻辑页面中承载的有效信息与我的预期有差距”（信息密度问题）
逻辑编写
•最高频的三项问题依次是：复杂逻辑的编写和实现（78%）、逻辑调试（debug）（67%）、复杂应用大量逻辑的管理（56%）
•用户反馈的其他问题：对于系统提供的 create，update 等集成逻辑没有日志或者调试机制，一旦发生未知异常，就很难定位问题。
所以，低代码在很多场景并不低。
另外则是一个老生常谈的话题：质量问题。 低代码产品能做核心系统吗？大部分低代码产品并没有考虑性能、高可用、安全、可观测性等核心 Web 应用不可或缺的部分，同时搭建者的良莠不齐，也无法保证逻辑、sql 、数据建模的低代码部分设计合理，没有性能问题。拥有因此很多客户选择低代码产品，只会构建他们认为不太重要的一些内部管理系统、项目管理系统等。很多低代码仍然无法解决核心应用的搭建问题。
那么作为发展历史有几十年之久的低代码厂商，会坐以待毙吗？答案是不会的。目前的厂商逐步开始往以下这两块方向努力：
•提升效率，通过一定的机制让用户使用的门槛更低，使用更高效
•提升质量，使用户搭建的产品能够达到基本的开发工程师的质量要求，保证线上不出问题
而随着人工智能技术的发展，很多低代码厂商逐步尝试将人工智能技术引入，用于解决以上的两个问题。
低代码&AI业内发展
Mendix & Outsystem 作为世界老牌低代码厂商，2018年就开始在自己的低代码平台中引入 AI 技术。Mendix 10 发布时，首次提出了 AI-ENHANCED APP DEVELOPMENT 概念。他们的主要思路为人工智能辅助开发（AIAD），他们会将下一代产品引入生成式人工智能（AIGC）。同时，生成式AI加入低代码和无代码开发平台，将会进一步降低使用低代码和无代码开发工具的门槛，并或将诞生新的智能开发技术。
Mendix 的思路以 AI 辅助编程为主（AI Low-Code App Development Platform | Mendix）。举例来讲，由于他们拥有一个强大的 IDE ，他们的 AI assist 能力首先考虑用户的编辑器体验。对于低代码编辑器使用者来讲，最头疼的就是如何在一大堆组件和逻辑中快速选择想要的了，所以 Mendix 从 IDE 的基本体验出发，参考代码补全和代码推荐的方式创造性地提出了节点推荐的方式:（如图所示）
这种做法有效解决了“选择困难症”。AI 会根据用户上下文计算推荐需要的内容，并计算权重用来排序，很类似搜索引擎的工作。同时类似的工作还有著名数据可视化平台 Tableau 的 Show Me 功能：
show me 则通过一系列的规则和数据类型的嗅探，智能的给用户提示需要的图表，有效的治疗了用户在数据可视化场景的“选择困难症”。
对于后起之秀来讲，OutSystems 则从质量出发，推出了 OutSystems AI Mentor System
这个产品另辟蹊径，通过提示和改善用户搭建应用的质量，来提升低代码产品的可用性。
此类产品的思路更加贴近开发者，最重要的是能够有效的提升搭建出来产品的质量。AI Mentor System 会自动分析产品内的技术债务并给出优化建议，维度包括性能、安全、可维护性、架构设计等。同时产品会扫描目前的代码，判断里面是否会存在不合理性。
目前 CodeWave 产品 language server 的一些检查也属于此类。通过一系列的代码扫描和规则检测，能够有效避免用户搭建不合理的代码，构造不合理的架构，也利于企业IT能力的提升。
D2C 技术的发展
由于在低代码搭建和日常编码中，前端的还原效率一直被诟病，D2C 技术在近几年也得到了长足的发展。通常的做法是解析设计稿中的 DSL 转换为代码，此种方式存在很多问题，比如边界条件的处理，需要手动标注等，因此一直没有得到大规模的应用。
2017年论文 Pix2Code 首次提出使用深度学习技术实现 UI 截图生成 UI 结构描述，是人工智能技术结合前端的一次飞跃，也是首次“前端一丝论”的诞生。随之而来 2018年微软 AI Lab 开源了草图转代码工具 Sketch2Code，2019年阿里巴巴开源 Imgcook，都是端智能技术蓬勃发展的写照。
大模型的热潮：AIGC 技术
从2022年3月 openai 悄然 beta 他们的开放 api 开始，到9月份 Stable Diffusion 的横空出世，一直到12月 chatGPT 的发布，每个程序员都经历着日新月异的变革和是否会被代替掉的恐惧。
AIGC 技术的本质是通过自然语言交互增强原先的人机交互，主要解决各种场景的使用门槛高、容易出错、学习成本高的问题，因此 AIGC 主要分为以下的几个方向：
办公协同与内容创作
办公协同的代表作为 office copilot，以及国内做办公协同的 WPS、飞书、葡萄城等产品。此类产品通过自然语言驱动办公软件自动化生成产物，提升办公效率。内容创作的代表则是 Stable Diffusion、Jasper 等一众通过自然语言创造文本音视频的产品。这两类由于大家接触的很多，并且跟本文关系不大就不赘述了。重点讲讲另一块 AIGC 技术： AI 代码生成与智能体编程技术。
AI代码生成与智能体编程技术
AI代码生成底层技术的代表代表为一众开源闭源代码大模型，国外代表为 Code llama，StarCoder 等，国内代表为 Codegeex，PanGu-Coder 等。此类技术竞争非常激烈，有官方的排名(sota humaneval）。产品代表当然是我们耳熟能详的 Github copilot 以及网易的 Codemaker 了。
而智能体编程技术我们会在后面的 AI 架构部分详细展开，这个概念被大众所熟知来源于6月23日，OpenAI 专家提出了 《LLM Powered Autonomous Agents》概念，将智能体的通用架构明确阐述出来。LLM 并不是无所不能的。在这种情况下，以插件等形式对大语言模型进行能力拓展逐渐成为了一种有效形式。工具/插件的使用极大地拓宽了大语言模型的能力和应用边界。通常将 LLM 和工具的组合系统称为“智能体”（又称 Language Agents）。
因此基于智能体的编程框架如火如荼的出现了，智能体内包含需求理解和一系列代码生成插件，通过“一句话需求”，智能体框架就可以生成完整的可运行的全栈代码以及项目工程。智能体框架在23年得到了蓬勃发展，由于其借助一些 Prompt 技巧让 LLM 拥有了任务调度能力，从而产生了过于玄幻的效果，被称作 AGI (通用人工智能)的前夜 https://www.wpsshop.cn/w/笔触狂放9/article/detail/890639
