一、实践背景：

随着低代码赛道的蓬勃发展，越来越多的低代码产品如雨后般春笋涌出开始进入市场，面对市场的考验，低代码平台也在面临两大问题：

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。

另外则是老生常谈的话题：质量问题。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，搭建者的良莠不齐，也无法保证低代码部分设计合理，没有性能问题。因此很多客户只会通过低代码构建不太重要的一些内部管理系统，无法搭建核心应用。

目前市场上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

（前往文档阅读全文：点击跳转）



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，用于解决问题。

同时代码生成技术以及智能体编程技术出现后，不少公司开始大规模落地AIGC编码技术（ai copilot），但实际落地时发现只能解决线下开发的一部分问题，究其原因有以下的几点：​

1.程序设计语言是人用来指挥计算机干活的，是人与计算机的一种协议。自然语言是人类沟通的媒介，他的特点就是模糊性，很难精确跟需求幂等。​

2.随着复杂度上升，软件开发需要通过组件、服务的封装以屏蔽细节，需要依赖业务背景知识的输入构建逻辑。由于 AIGC 依赖大模型无记忆，缺少现有 IT 资产和领域知识的输入，很难在高度封装的基础上启动开发。

3.需要稳定运行的系统需要很多的周边设施，如中间件、存储、运维等。AIGC 技术目前只能有限的解决一些代码生成问题。​

4.基于各类评测，AIGC 仍然难以完成复杂度高、专业度高的编码工作，甚至在一些简单场景的表现都较差。

究其原因传统开发方式自由度过大，上下文复杂且不标准，概念太多，不利于 AI 构建能够收敛的应用，往往用户第一次描述的需求是模糊和发散的，代码生成无法实现用户最终意图。同时 AIGC 的编码产品缺少所见即所得的能力，也很难让用户进行需求的更改。编码是很复杂的事情，从需求转换成应用本身需要设计很多模块，编码者需要具备的问题拆解和规划能力 AI 是很难具备的。

那如果有什么机制或工具能够快速生成代码，既能够从语言层面保证AI生成代码的收敛和可维护性，又能借助现有的工具和库，还能完成应用从开发到上线托管的全流程，是否就可以解决问题？

——这便是 CodeWave 低代码平台+AIGC 的实践。

二、实践内容：

CodeWave 的低代码平台是一个围绕自研 NASL 语言的智能开发平台。 NASL 是网易数帆 CodeWave 智能开发平台用于描述 Web 应用的领域特定语言。它主要包含两部分：基础语言和 Web 应用特定领域（如数据定义、数据查询、页面、流程、权限等）的子语言集合。他通过一套基础的语言系统（例如类型、常量变量、表达式等）支撑了各种 Web 应用的领域语言，做到了一套语言就可以描述 Web 应用开发的方方面面。





基于这样的设计，我们只需要构建能够生产 NASL 的低代码平台，并将生成的 NASL 转换为应用实际运行时的前后端代码，就可以完成应用从开发到构建部署的全流程了。因此 CodeWave 提供了多种设计器来生产 NASL，并提供了 language server 能力做类型检查，保证用户开发产物的质量，最终通过翻译器，在发布阶段把 nasl 转换为 java 和 js 代码。产品架构如下：





通过 Nasl 来定义编程语言，并以此设计低代码平台架构的优势，主要体现在三点：​

•产品上限高。 能够通过丰富的表达能力来表达 Web 开发中的各种场景，包括页面、数据查询、逻辑、流程等，并且可以根据业务的需求定制翻译能力

•质量可控。尽可能减少专业概念的数量，通过类型检查、静态、动态分析和排错来降低用户写出低质量代码的可能性。

•AI友好。通过统一的 NASL 语言及可扩展的定义，可以方便的对大模型进行训练后让其生成，不需要让大模型生成各种语言框架，这点是 CodeWave 平台区别于其他低代码平台的重要因素：一颗大心脏。只有架构本身对 AI 友好， 才能更好的结合 AIGC 能力。



基于这样的架构设计，我们就推出了一系列的 AI 能力：

•自然语言生成NASL（NL2NASL）：利用AI生成技术，将用户的自然语言描述转换成产品代码。用户可以通过文字描述，自动化生成页面、逻辑、实体等。

•AI Coach-智能编程助手：在用户搭建业务逻辑的过程中，提供智能编程的帮助：

1. 推荐能力：推荐用户合适的逻辑组件

2. 解读能力：将逻辑进行自然语言解读

3. 架构优化能力：提供对制品应用性能、安全、架构等方面的智能分析，帮助用户改善通过低代码平台制作的产品的质量

•D2C-设计稿转低代码页面：通过深度学习和计算机视觉等技术，自动识别设计稿元素，将Sketch、Figma和masterGo的设计稿自动生成页面布局和组件

•D2C-图片转低代码页面：通过深度学习和计算机视觉等技术，支持对图片格式的设计稿进行智能解析，生成页面布局和组件

•AI 知识库：针对客户自有的文档，通过 RAG 技术进行内容检索和摘要，实现智能文档问答



NL2NASL-自然语言生成 NASL

1、产品思路

我们很容易就能够发现，如果把原来的编辑器通过用户输入代替，就能够给低代码平台带来各类自然语言的辅助功能。因此我们直接规划了一系列的自然语言生成的场景：





但根据用户的调研，我们认为用户迫切要解决的，是逻辑的编写和使用效率提升，如下图所示：





根据之前调研的结果，本着 AIGC 真正给用户提效的原则， 我们优先上线了自然语言生成逻辑的功能。CodeWave 智能开发平台的开发者在使用低代码平台编写逻辑时，首先需要深入理解业务逻辑，并将其转化为可视化逻辑片段。他们需要能够高效、高质量地编写逻辑，避免操作复杂、重复编写的问题。有些开发者缺乏传统代码开发经验，因此逻辑开发上手门槛较高，难度较大。为了解决这个问题，我们提供开发辅助，降低逻辑编写门槛，帮助开发者快速上手，提高逻辑开发效率。

在技术调研时我们考虑了 LangChain 和 Agent 框架等，并确定了基于 LangChain（JS/TS版）框架的方案。

代码生成的 AI agent 整体架构如下（LogicChain 为例）：





其分为三个阶段：

•对话阶段：澄清需求、定位组件、判断操作。大模型根据用户输入的需求做意图识别和任务拆解，用户确认后，将执行计划，上下文生成的 ts 代码，以及通过 RAG 技术检索出的平台资产上下文（包括扩展逻辑和组件逻辑等），组装成 Prompt 传递给大语言模型。

•实施阶段：大语言模型按限定要求生成 ts 代码，然后通过 ts2nasl 的 transformer 解析并转换成 nasl json 格式。再结合原来用户操作的上下文路径，在编辑器中组合执行。

•优化阶段：对大模型返回的代码进行后处理，修正组件名和页面组件重复，修正不符合要求的接口签名，处理多组件组合情况的一些问题。

采用对话式操作流程，开发者可以在编写逻辑的过程中随时向 AI 助手提问，并通过多轮对话详细描述意图。AI 助手会分析开发者的意图并向开发者反馈，开发者可以根据分析内容选择是否执行，如果不执行，可以持续进行对话。AI 助手可以自由展开或收起，随时提问，随时开启新对话。



因为内容过多，论坛阅读体验不好，感兴趣可以点击前往文档阅读： https://docs.popo.netease.com/lingxi/05e99ffec7134c8c83f43a746fb5e9ae

更多高质量内容获取：扫码关注【网易CodeWave】公众号