低代码与AI

搭建期：系统设计增强（Builder AI）

目标

降低系统建模与配置门槛

场景

1. AI 表单 / 页面生成
2. AI 公式 / 表达式 / 规则 / 低代码生成
3. AI 配置助手：AI 读懂你当前的 schema / flow / state
4. AI 权限 / 角色设计
5. AI 工作流 / 流程自动生成
6. 低代码编写
7. AI 业务建模

价值

• 降低“第一次上手”门槛
• 非技术用户极易感知价值

难点

1. 平台 DSL 的可理解性
   1. AI 不仅要“生成结构”，还必须理解平台的 Schema / Flow / Rule DSL 语义与约束，否则生成结果不可执行、不可维护
2. 组件能力与参数约束的结构化建模
   1. 各类组件存在复杂的参数依赖、互斥与默认规则
   2. AI 需要基于“结构化能力模型”生成配置，而非简单拼装字段
3. 文档、规范与实现的一致性问题
   1. 平台文档分散、版本演进快。如何保证 AI 获取的是与当前平台版本一致的真实能力描述
4. 动态上下文与增量生成能力
   1. AI 需要理解当前系统状态（已有 schema / flow / 权限配置）
   2. 并在此基础上进行局部补全、修改与优化
   3. 而不是每次“从零生成一套系统”
5. 生成结果的可解释性与可回退性
   1. AI 生成的配置必须可理解、可修改
   2. 支持版本对比与回滚，否则用户不敢在真实项目中使用

运行期：交互体验增强

目标

提升用户工作效率，不承担业务决策责任

场景

1. AI 运行期助手：用户在使用系统时，随时可调用的智能辅助能力，比如
   1. 表单填写辅助（字段补全、内容润色、格式校正）
   2. 操作指引与下一步建议
   3. 当前页面 / 业务对象的内容总结
   4. 数据含义解释与指标说明

价值

• 显著降低系统使用成本
  减少学习与记忆负担，非熟练用户也能快速完成复杂操作
• 提升复杂系统的可理解性
  将隐含在 schema、规则、数据中的信息转化为可读解释
• 高频、低风险，易于推广
  不进入业务决策链路，适合在真实生产系统中快速落地
• 作为运行时 AI 的用户认知入口
  帮助用户逐步建立对 AI 能力的信任，为后续更深度的 AI 能力铺垫

难点

• 运行时上下文的精准感知与建模
  • AI 需要理解当前页面、当前业务对象、当前操作阶段
  • 包括：schema、字段含义、状态、关联数据、用户角色等
  • 否则只能提供泛化、低价值的回答
• 动态上下文变化下的稳定输出
  • 用户操作、页面状态、数据内容实时变化
  • AI 需要基于最新上下文给出响应，而非静态回答
  • 对上下文失配极其敏感

• 只读理解 vs 写入辅助的边界控制
  • 运行期助手需要明确区分：
    • 哪些能力只是解释与建议
    • 哪些能力会修改数据或配置
  • 避免在无感知的情况下对业务数据产生副作用

• 性能与成本控制（高频调用场景）
  • 运行期助手调用频率高、响应要求快
  • 需要在上下文规模、模型选择与调用策略之间平衡体验与成本

运行期：业务能力增强

目标

在可控边界内引入 AI 决策能力

能力：

1. AI 作为流程节点
   1. AI 审核 / 预审节点：对业务对象进行风险评估与合规判断，输出建议与置信度
   2. AI 分类 / 归因节点：对文本、事件、工单等进行语义分类与归因，驱动后续流程分支
   3. AI 决策建议节点：在复杂业务场景下给出处理建议，不直接替代最终决策
   4. AI 内容生成节点：在复杂业务场景下给出处理建议，不直接替代最终决策
2. AI 数据理解 & 洞察：基于业务数据、历史记录与上下文，基于业务数据、历史记录与上下文，可作为流程节点的输入能力，也可服务于人工决策与复核。

用户场景

• 报销 AI 审核
  • 金额 3000 算不算异常？
  • 出差标准是多少？
• 合同 AI 审核
  • 哪些条款是高风险？
• 工单 AI 分类
  • “系统慢”是性能问题，还是网络问题？

AI节点

AI 节点是一个「领域能力容器」，而不是模型调用封装 = 企业规则 + 行业经验 + 组织习惯 运行时 AI 节点 ≠ 一个 prompt

每一个运行时 AI 节点都具备以下特征：

• 绑定明确的业务领域（Domain）
• 固定、可校验的输入结构（Input Schema）
• 固定、可消费的输出结构（Output Schema）
• 可配置、可审计的业务规则（Policy / Rules）
• 可解释的输出字段（Reason / Evidence / Confidence）

正确形态（领域约束 AI）：AI 在被约束的领域里推理。

{
  "domain": "expense_reimbursement",
  "policy": {
    "max_hotel_fee": 800,
    "travel_level": "manager"
  },
  "context": {
    "amount": 1200,
    "type": "hotel",
    "city": "Beijing"
  }
}

价值

• 在不牺牲可控性的前提下引入 AI 能力
  AI 参与决策，但不成为不可解释的黑盒
• 显著降低复杂流程中的人工判断成本
  特别适用于高频、重复、规则 + 经验混合的业务场景
• 使业务系统具备“语义决策能力”
  从“规则驱动流程”升级为“规则 + 语义协同驱动流程”
• 构建平台级护城河
  领域化 AI 节点难以被简单复制，具备长期复用价值

难点

• 业务领域知识的结构化建模
  • 将企业规则、行业经验、隐性习惯转化为 AI 可用的结构化约束
  • 而非依赖自由文本 prompt
• AI 决策边界与责任控制
  • 明确哪些节点是“建议型”，哪些可以“自动流转”
  • 需要支持置信度、阈值、人工兜底机制
• 可解释性与审计能力
  • AI 的每一次判断都需要“为什么”
  • 否则无法进入核心业务流程
• 流程级失败与降级策略设计
  • AI 不可用、结果不可信时
  • 流程必须可自动回退到规则或人工节点
• 领域复用与平台规模化能力
  • 如何在不同客户、不同系统中复用领域型 AI 节点
  • 是平台能否形成长期价值的关键