前言
本文记录了学习gmtc-前端智能化过程中的所有笔记。
-
怎样理解前端智能化这一新浪潮?
-
前端智能化关注的领域更偏向于生产效率的提升。指的的是前端开发智能化。
-
2015,2016年淘宝开启“达芬奇”(imgcook前身)
-
代码分析工具DeepCode,基于GPT-3的代码生成工具Copilot,还有野心非常大的从自然语言到代码生产的NL2Code,都扩展了我们对前端智能化的认知
-
前端智能化目前所做的工作:组件编辑工具,DSL转化方案,识别模型的优化,具体的视觉算法
-
落地难点:场景限制(目前集中在电商,运营等领域,难以扩张到其他方向),认知(和业务的粗放增长对立,接入有阵痛期,效果是一个开口向上的二次曲线),协作(需要多团队的合作)
-
D2C,P2C的价值:解放生产力。辅助设计人员产出规范的设计稿,减少开发人员的工作量,帮助产品/运营人员快速落地想法
-
前端智能化的新花样:全链路,全流程,从需求描述到demo生成,可参考“在线试妆”里的“妆容迁移”一样
-
京东自研设计稿转代码平台Deco技术揭秘-京东
-
前端智能化:AI和机器学习的能力拓展前端能力圈
-
生成静态代码,根据视觉稿生成D2C Schema,然后结合规则系统,计算机视觉,智能布局,深度学习对D2C Schema 进行处理(DSL解析器),最后生成多端代码
-
schema转化代码会经过布局算法引擎-空间布局,投影布局,背景图布局,特征布局,坐标布局,样式计算
-
Deco样式大部分布局采用flexbox,特殊情况用绝对定位
-
Deco最终得到的是可以二次开发的代码
-
使用深度学习中的目标检测与分类算法识别设计稿中的已有组件
-
组件库识别映射整体处理流程是,针对输入的设计稿图片,先基于视觉算法进行合理切割,在对切割后的图片识别出图片中包含的UI区块,然后将UI区块映射到schema JSON中的节点信息中去,而后再对区块通过分类算法识别出最有可能的组件类型,再将识别信息写入到schema JSON
-
如果生成的代码有误差,可以通过可视化编辑器进行调整
-
从产品设计到发布的全链路智能化方案-百度
-
业务组织扩张,造成的协作效率下降,通过项目管理的手段梳理流程,降低了风险,但拉长了整体流程
-
全链路流程图
-
设计令牌(design token):一种执行标准,将设计语言代码化,提供给设计师,开发者
-
design token的设计难度图 适合tailwindcss和windicss(原子化css工具),需要去组合生成alias token
-
设计师通过design token,设计语言,产生component token ,提供给前端 非ai的方式(设计工程化)
-
token:global token(和业务无关,通用token-tailwindcss和windicss),alias token(业务token,如text颜色),component token(开发可用),production token
-
image to code 流程图 重要 引入ai
-
智能设计定义图(素材自动设计)
-
智能化展望-prd to code
-
二次生成能力加持下的 UI 智能生成实践-抖音
-
ALYX的简化流程图
-
提取循环项使用并集的方式
-
设计稿的逻辑使用业务组件来实现,逻辑生成=业务组件转换
-
组件识别:YOLOv5(对象检测模型)
-
数据比模型更重要
-
组件转换:基础转换(DSL/JSON),深度转换(在运行时拦截了render函数)
-
99%的准确率也不够
-
针对错误的二次调整的流程图
-
智能布局的流程图
-
引入人工调整,对机器生成的中间页面进行打标/所见所得调整
-
转转智能代码平台神笔马良的研发与实践-转转
-
国内智能代码起源2019年,受微软的sketch to code 启发
-
开发者诉求图 重要
-
目标 生成开发者喜欢的代码
-
结构/样式相似度算法
-
UI组件库识别:组件特征(结构/样式相似度),提取算法
-
样式代码简化
-
UI还原度自动化测试
-
行业现状,58已开源,但效果一般。重要
-
后续可能会有标准方案
-
ToB 业务场景下中后台智能化开发体验与实践-阿里
-
低代码:宜搭,腾讯云微搭。开箱即用:飞冰,Antd Pro,智能化:imgcook,蓝湖
- 接入可视化引擎,给用户提供可视化干预能力,类似头条
-
ai的生产/调用的流程介绍 重要
- 代码生成链路流程图 重要
- 可编程cdn