走进AI新时代：织信低代码的实践与启示

最近 AIGC 很火，在各个领域都玩出了一些新花样。

比如在“低代码”领域，可以通过 AI 自动生成一个网站门户。

• 但这会带来开发效率的提升吗？
• 如果 AI 能快速开发网站、APP等业务应用，那么 AI 生成能否完全取代低代码的可视化配置？
• 如果 AI 不能开发整个网站，那么在什么场景下使用 AI 效果最好？

相信大家或多或少都有类似的疑虑，今天织信就带着大家一起把这些统统都弄明白。

自 ChatGPT 出来后，织信团队便率先接入了 AI 技术，希望通过 AI 进一步提升低代码的开发效率。

织信低代码作为一款面向企业的低代码开发工具，初衷就是要解决企业内部管理应用的开发效率问题，而 ChatGPT（下文简称 AI）的能力让我们看到了一种新的开发方式，能否通过人与 AI 对话的方式来完成业务管理应用的开发？考虑到 AI 的不确定性，要怎样接入 AI 才能达到更好的提效？

基于这些问题，织信团队探索了一年多的时间，目前已有了些阶段性的进展。

下文将按照 “接入AI 之前” ➜ “局部接入 AI” ➜ “全场景接入 AI” 的方向，介绍织信低代码逐层接入 AI 的过程。

一、接入AI之前，织信搭建应用的方法

在低代码平台上开发应用，常规的方式是先拖拽组件，然后再数据绑定。而织信低代码则提供另一种开发思路，先建立数据模型。这种“磨刀不误砍柴工”的保守思想在开发系统中显得尤为关键。

在接入AI之前，织信在开发应用前还需要先以表格的形式制作一份模块清单，然后批量导入数据并构建功能模块。这一前期工作的巧妙处理，为后续的开发奠定了坚实基础。

二、局部接入AI后，织信功能的实践探索

2023年初，自AI技术逐步成熟并推向市场后，织信平台开始进行局部的AI接入实践。

场景一：智能建模

首先尝试的就是构建数据模型。原先以表格形式去构建一份数据模块清单的工作，现在都可以交给AI去做。下面我们来看看实践效果。

基于AI强大的自然语言理解能力，快速生成专业科学的数据表业务模型，辅助开发人员实现模型快速构建。

场景二：逻辑定制

虽说织信提供了现成的一整套图形化编程环境，但有些页面逻辑的实现，仍需要使用者具备一定的编程逻辑，来编写少量的代码来实现相关功能，这种构建方式虽然代码规模很少，技术要求也不高，但难点在于要学习织信的产品文档。

而如果把这块的业务逻辑需求交给AI来做，会怎么样呢？

AI联动织信【自动化】引擎，通过语料命令直接完成业务逻辑的智能化构建，大幅降低复杂业务场景的开发门槛。

场景三：AI绘图

上面两个场景中，通过AI辅助可以降低低代码平台的使用门槛和开发效率，但还不够。织信在前期进行AI局部测试后，织信团队还衍生了一个其他低代码产品所有没有的功能，那就是AI绘图。并且在这块，我们也进一步进行了多种示例的尝试。

比如：电商主图快速设计

通过假人模特拍照后，使用AI功能进行人的替换。（最终效果图如下）

此外，我们还通过AI训练，对AI模特的姿势、角度、背景进行了多轮测试，效果都很赞。

通过使用controlnet姿态控制，就可以让AI生成不同姿势的效果：

还有很多其他的业务场景，比如：海报设计、产品设计、与业务场景深度结合等等。这块此前已做过分享，这里就不过多赘述。具体可查找文章“织信低代码再放大招！集成Stable Diffusion实现“AI绘图+信息化系统”深度整合”查看。

三、全场景接入AI后，部分场景下的超实用功能！

目前织信在各类场景都引入了AI功能，其中最实用的功能主要体现在前端页面构建方面。比如：

AI秒级智能建站：

AI图片识别：

AI批量修改组件：

有人曾说“万物皆可AI”，但我只想说“AI还不是唯一”。

根据前面的场景案例，AI无论是后台业务逻辑方面，还是前端应用设计方面，都有不错的表现力，低代码将AI技术无缝融入到开发环境中，可以显著提升使用者整体的开发效率与创新能力。

但是就现阶段而言，AI 也不一定是最高效的方法，这主要归结于两个方面的因素决定：

（1）使用场景

对于一个非常具体的小场景，比如在数据建模环节“根据现有的“用户数据表”生成一个列表”，因为“用户数据表”的数据结构已经完全固定，低代码平台有很多方案可以实现一键生成它对应的列表组件，这时候使用AI反而会更鸡肋；但是如果需求换成 “根据“用户数据表”统计用户的来源占比”，这时候需要一定的思念成本，低代码无法自动化，这时候引入AI来理解自然语言、并生成SQL，就能吊打低代码；

再比如“把数据表模块中的表单项标签，由 name 改成 '名称'”，让AI来处理，它会先寻找表单项、获取表单项的信息、最后才是设置标签值，但是对于一个稍微熟悉低代码的开发者来说，单击一下配置框直接输入“名称”两字就完事了，这样跟AI对比，人工操作更快更准。但是如果重复的操作量增大，比如“把整个表单的所有标签都翻译成中文”，这时候让AI来循环操作就非常合适。

所以，适合AI的场景：具备一定的“思考成本”或者“操作体量大”。

（2）AI的成熟度

幻觉问题是大预言模型的致命问题，我们可以通过 “提示词工程” 逐步优化 AI，使它的回复更符合预期。但是无法避免的是某些场景下它会“抽风”，让我们的“苦苦等待”得到了错误的答复，如此重复的输入指令并验证AI的返回也会带来更大的时间成本。

所以，AI的输出不一定是 100%准确，在未来很长一段时间，AI和人工是共存的。一方面，我们可以先人工再AI，使用织信的“组件设计器”，快速生成APP或网站，然后配合AI完成细节调整；另一方面，我们也可以先AI再人工，用AI快速生成一个可用的 Demo，然后再通过低代码的可视化配置能力进行修正。

最后，织信低代码的AI之路会继续走下去，目标不仅仅是借助AI来提效，更是要让AI成为织信低代码构建程序应用环节的一个实用工具；将低代码和AI融合一体，相辅相成，共同推动企业的效率革命。