避坑:区分 AI 增强低代码和套壳大模型,底层架构完全不一样

5877 字
29 分钟
避坑:区分 AI 增强低代码和套壳大模型,底层架构完全不一样

过去一年我参与了 6 个企业级项目的 AI 技术选型评审,其中 3 个在 POC 后期翻车,根因高度一致:把套壳大模型的“聊天生成”当成 AI 能力,忽略了底层架构的根本差异。本文以一线复盘视角拆解两类产品的四层架构区别,给出同一报销单需求的完整双路线对比(首次可用率 41% vs 88%、平均耗时 3.5 小时 vs 42 分钟),并整理 8 个 5 分钟内可执行的验证动作,帮助技术决策者在AI与低代码选型中真正避坑。全文含架构示意、伪代码、元数据 DSL 与配置片段,可直接作为选型 checklist 使用。

避坑:区分 AI 增强低代码和套壳大模型,底层架构完全不一样#

一、需求方要的是“AI 生成应用”,供应商给的是“接了个大模型”#

过去 12 个月,我以技术顾问身份参与了 6 个中大型企业的 AI + 低代码 项目评审。几乎每一次,业务方在 Demo 现场都会被同一个画面打动:在对话框里输入“帮我做一个供应商准入审批流程”,屏幕上 20 秒内长出一张表单和一条流程图。掌声之后,问题来了——上线三个月,这套东西没人敢用。

这就是我今天想聊的核心:关于 AI、低代码、套壳、底层架构、避坑 这五件事,很多团队在 POC 阶段根本没分清楚。

先看一组背景数据。据国内某咨询机构 2025 年 Q2 发布的《企业低代码平台能力评估报告》,2025 年中国低代码市场规模约 128 亿元,同比增长 21.4%;在售产品中宣称具备“AI 能力”的比例,从 2023 年的 18% 猛增到 2025 年的 71%。但如果把“AI 能力”拆到引擎层去看——是否具备结构化输出约束、是否有元数据模型、生成物是否可编辑可回滚——真正做到的不足三成。

我把市面上自称“AI 低代码”的产品分成三类,你可以对照手里的选型清单自查:

形态典型实现AI 在系统中的位置生成物上线后风险
纯套壳侧边栏聊天框 + 透传大模型 API页面右上角的一个悬浮球一段 Markdown 或 JSON 文本不可维护、幻觉字段直接报错
半套壳大模型输出 + 固定模板填充Prompt 编排层预置模板的填空结果只能做简单表单,流程稍微复杂就退化
AI 原生增强大模型作为元数据生成器 + 约束校验 + 运行时引擎引擎层的一个编译前端可编辑的元数据模型(Schema)可校验、可回滚、可纳入版本管理

差别不在“有没有 AI”,而在AI 的输出到底喂给了谁。喂给文本框,那是套壳;喂给元数据编译器和运行时引擎,那才叫 AI 增强。


二、踩坑现场:三个真实项目里 AI 功能是怎么崩的#

抽象讲架构太远,我直接上三个我亲历的翻车现场。为了保护客户信息,公司名做脱敏,但数据是真的。

案例 A:合同审批流程,字段名幻觉引发 47 次运行时报错#

某快消企业要做合同审批流,选了某主打“对话式建应用”的产品。Demo 时输入“合同金额大于 50 万走三级审批”,生成成功。上线后三周内,流程实例报错 47 次,平均每次人工排查修复耗时 1.3 人时,累计 62 人时。

日志里的报错非常典型:

[ERROR] FlowEngine: variable 'contract_amount' not found in form schema
[HINT] available fields: ['contract_money', 'amount_total_cny']

根因一句话:大模型每次生成的字段标识符都不一样,第一次叫 contract_amount,第二次叫 contractMoney,第三次变成 合同金额。流程引擎的表达式解析器找不到对应字段,直接抛异常。没有 Schema 约束的情况下,这属于必然事件,不是偶发。

案例 B:制造企业表单生成,JSON 解析失败率 23%#

第二个项目是设备点检表单,要求“根据设备类型动态生成点检项”。厂商方案是把用户话术 + 字段清单拼成 Prompt,让模型直接返回 JSON,前端 JSON.parse 后渲染。

我在 POC 阶段跑了一轮压测,500 次生成的 JSON 解析失败率 23%(含尾逗号、缺引号、JSON 外裹了 ```json 代码块、返回中文全角标点等情况)。P95 响应时间 4.8 秒,因为每次打开表单页面都要现场调一次模型。

更难受的是:同一个表单,用户刷新两次,字段顺序和校验规则会变。这在制造业的合规审计里是硬伤。

案例 C:集团客户数据问答,越权返回了薪酬字段#

第三个最严重。某集团做“自然语言查数据”,模型拿着数据库表结构直接生成 SQL 执行。安全审计时发现:一个只有 HRBP 角色的账号,通过提问“帮我看看部门平均薪资”,成功返回了超出其数据权限范围的字段。

根因:套壳方案里不存在权限上下文注入这一层。模型只看得到表结构,看不到行级/列级权限,自然也不会做过滤。

三个案例,三种崩法,但底层是同一个问题:AI 被放在了系统之外,而不是系统之内。


三、根因拆解:套壳大模型到底套在哪一层#

要避坑,先得知道坑长什么样。我画一个文字版架构示意,这是绝大多数套壳产品的真实结构:

┌─────────────────────────────────────────┐
│ UI 层:聊天侧边栏 / 悬浮球 / 输入框 │
├─────────────────────────────────────────┤
│ Prompt 编排层:系统提示词 + 用户话术拼接 │
├─────────────────────────────────────────┤
│ 模型调用层:透传 OpenAI / 通义 / 文心 API │
├─────────────────────────────────────────┤
│ 结果渲染层:Markdown 直接 innerHTML │
└─────────────────────────────────────────┘
↑ 与业务系统之间只有"字符串"这一条弱连接

这套结构的致命点,全在“没有的那几层”上:

缺失能力直接后果我在项目里见过的表现
无元数据模型生成物不可编辑、不可版本化想改一个字段校验规则,只能重新对话生成
无 Schema 校验幻觉字段直接进入运行时流程表达式找不到变量,实例崩溃
无权限上下文模型不知道谁在问跨部门、跨层级数据泄露
无事务与回滚生成一半失败就是脏数据表单建了一半,页面白屏
无确定性约束同一输入两次输出不同刷新页面字段顺序变了
无调用编排每次渲染都打一次模型P95 4.8s,Token 成本随使用量线性涨

我在某项目上把这套方案的成本算过一遍:日均 3000 次页面渲染 × 平均 1800 tokens × 0.008 元/千 tokens ≈ 43 元/天,一年 1.5 万元,钱不多;但如果这个调用在关键路径上,一次模型超时就等于一次业务中断。这才是真正的成本。

一句话总结:套壳的问题不在于“用了大模型”,而在于大模型的输出没有被编译成系统能理解的结构。它永远停在字符串层面。


四、真正的 AI 增强低代码:三层架构缺一不可#

那原生方案长什么样?我把成熟产品的架构拆成三层,外加一层治理层:

┌───────────────────────────────────────────────────┐
│ ① 元数据模型层(Schema Registry) │
│ 表单Schema / 流程定义 / 权限策略 / 页面协议 │
├───────────────────────────────────────────────────┤
│ ② AI 编排层(编译前端) │
│ 意图识别 → 上下文注入 → 结构化输出 → 约束校验 │
├───────────────────────────────────────────────────┤
│ ③ 运行时引擎层 │
│ 渲染引擎 / 流程引擎 / 规则引擎 / 权限引擎 │
├───────────────────────────────────────────────────┤
│ ④ 治理层:审计日志 / 版本快照 / 灰度回滚 / 成本计量 │
└───────────────────────────────────────────────────┘

关键差别在 ② 这一层做的事完全不同:

  • 套壳的 Prompt 层,目标是“让模型说人话”;
  • 原生编排层,目标是“让模型产出符合 Schema 的合法结构”。

后者至少要干四件事:

1)上下文注入:把当前租户的字段字典、已有实体名、权限策略、命名规范一并注入 Prompt,让模型在受约束的词汇表里选词,而不是自由发挥。

2)结构化输出约束:用 JSON Schema / Function Calling / 语法约束解码(Grammar-Constrained Decoding)把输出空间压缩到合法子集。我实测过,加上强约束后,结构合法率能从 77% 提升到 99.2%。

3)二次校验:模型输出到落库之间必须有一道校验器,检查字段引用是否存在、表达式语法是否合法、循环依赖是否存在。

4)确定性沉淀:生成结果一次性写成元数据并持久化,运行时不再依赖模型。这一步是性能分水岭——某项目改造后,表单首次渲染 P95 从 800ms 降到 120ms,因为运行时路径上已经没有任何 LLM 调用。

这也是我在做选型时反复强调的一个判断标准:问供应商一个问题——“断网、断掉大模型 API 之后,已经生成的应用还能不能正常跑?” 能跑,说明 AI 在编译期;不能跑,说明 AI 在运行期,那就是套壳。

以 JNPF 为例,它的做法是把 AI 生成结果落到统一元数据模型里,生成完成后表单、流程、权限都是普通的元数据对象,可以直接在可视化设计器里改,也可以导出做版本 diff。运行时引擎完全不感知 AI 的存在。这个设计思路值得作为选型时的参照系。


五、元数据驱动 vs 文本生成:一个字段的完整旅程#

我把“用户说一句话”到“数据真正落表”,拆成 6 个环节做对比,差别一目了然。

环节套壳路线元数据驱动路线
① 输入“加一个合同金额字段,大于 50 万走三级审批”同左
② 理解直接拼 Prompt 给模型意图分类:create_field + create_rule
③ 生成模型返回一段 JSON 字符串模型返回符合 Schema 的字段对象
④ 校验无(直接 parse)类型校验 + 命名冲突检查 + 表达式语法树校验
⑤ 落库前端渲染,不入元数据写入元数据表,生成版本快照
⑥ 运行时每次渲染再调模型读元数据,引擎直接渲染,零模型调用

第 ④ 步是分水岭。我贴一段校验器伪代码,你看逻辑就明白了:

def validate_field(field: dict, schema: Schema) -> Result:
# 1. 类型合法性
if field["type"] not in ALLOWED_TYPES:
return Err(f"unsupported type: {field['type']}")
# 2. 命名唯一性(这是套壳方案 90% 崩掉的地方)
if schema.has_field(field["key"]):
field["key"] = schema.dedupe(field["key"]) # 自动改名并记录
# 3. 表达式引用校验
for ref in extract_refs(field.get("rules", [])):
if not schema.has_field(ref):
return Err(f"dangling reference: {ref}")
# 4. 循环依赖检测(流程节点场景)
if creates_cycle(schema, field):
return Err("circular dependency detected")
return Ok(field)

再看生成物本身。原生方案的产物是可读、可 diff 的元数据,比如:

{
"entity": "contract",
"fields": [
{ "key": "contract_amount", "type": "decimal", "precision": 2,
"label": "合同金额", "required": true }
],
"rules": [
{ "id": "r_001", "when": "contract_amount > 500000",
"then": "route('approval_l3')" }
],
"version": "v20250612_03"
}

这段 JSON 可以进 Git、可以做 Code Review、可以回滚到上一版。而套壳方案给你的,是一段只有模型自己看得懂的散文。

顺便说一个我踩过的坑:不要相信“结构化输出”这四个字写在 PPT 上就算数。一定要让供应商现场演示“生成 → 手工修改 → 再生成”,看第二次生成会不会覆盖你手改的内容。会覆盖的,说明它没有元数据版本概念。


六、实战对比:同一个报销单需求跑两条路线#

空谈架构不如跑一遍。我拿一个真实需求做过双路线对照实验。

需求:员工报销单,含 12 个字段、3 级审批(金额 > 5000 加一级)、发票号唯一性校验、按部门走不同审批人。

路线 A:套壳方案#

Step 1 用户输入需求描述
Step 2 Prompt = 系统提示词 + 需求 + "请输出 JSON"
Step 3 调用模型 → 返回文本
Step 4 json.loads() → 成功率 77%
Step 5 失败重试(最多 3 次)→ 累计成功率 88%
Step 6 渲染到页面
Step 7 用户发现:审批人配置是硬编码的部门名,与实际组织架构不符
Step 8 手工在页面上改 → 但改的是渲染结果,不是模型
Step 9 第二天重新生成 → 手改内容全部丢失

实测数据:首次生成可用率 41%,平均最终交付耗时 3.5 小时(含反复对话调优和手工修补),重试次数均值 2.7 次。

路线 B:元数据驱动方案#

Step 1 意图解析:create_form + create_flow
Step 2 注入上下文:租户字段字典、组织架构树、已有实体清单
Step 3 模型输出(受 Schema 约束)
Step 4 validate_field() × 12 → 全部通过
Step 5 审批人节点不写死部门名,改为绑定 org_tree 引用
Step 6 写入元数据,生成 v1 快照
Step 7 打开设计器微调(改的是元数据,不是渲染结果)
Step 8 发布

实测数据:首次生成可用率 88%,平均交付耗时 42 分钟,重试次数均值 0.4 次。其中第 5 步是关键——生成的是引用而不是值,部门调整后流程自动跟着变,不需要重新生成。

把这组数据放进表格更直观:

指标套壳方案元数据驱动方案提升
首次生成可用率41%88%+114.6%
平均交付耗时3.5 小时42 分钟-80%
平均重试次数2.7 次0.4 次-85.2%
手改内容留存丢失持久化—
运行时依赖模型是否—
组织架构变更后维护成本需重新生成自动跟随—

需要说明的是,路线 B 的 88% 不是极限。我在第二轮优化里加了“字段字典强制注入 + 命名规范化后处理”,可用率进一步到 94%。剩下 6% 集中在跨实体关联这类复杂语义上,目前仍需人工介入——这点我不打算美化,AI 生成复杂业务模型还没到全自动的程度。


七、8 个验证动作:5 分钟把套壳平台筛出来#

这一节是我每次做选型评审都会用的清单,全部是当场可执行、不需要供应商配合改代码的动作。建议直接抄进你的 POC 评分表。

#验证动作怎么操作套壳的典型表现原生的典型表现
1断网测试生成完应用后,断开模型 API 或断外网,重新打开应用页面白屏/报错正常渲染运行
2二次生成覆盖测试手工改 3 个字段后,再对话生成一次手改内容被覆盖丢失生成新版本,可 diff 对比
3同名冲突测试连续生成两次“客户名称”字段出现两个同名字段或直接报错自动去重并提示
4幻觉字段压测输入“加一个不存在的表里的字段”直接生成,运行时崩校验拦截并给出提示
5权限穿透测试用低权限账号让 AI 查高权限数据返回敏感字段拒绝或自动脱敏
6确定性测试同一句话连续生成 5 次,比对结果5 次结构都不一样结构一致,仅细节差异
7元数据导出测试要求导出应用的结构定义只能导出文档/无导出导出 JSON/YAML 元数据
8表达式引用测试生成含计算规则的字段,然后重命名字段规则失效,报变量不存在引用自动跟随重命名

第 6 项“确定性测试”最容易被忽略,但它的杀伤力最大。我在一个项目上连测 5 次,同一句需求生成了 5 种不同的字段命名风格(驼峰、下划线、中文、拼音、混合),这说明背后的 Prompt 层没有任何命名规范约束——而命名规范是元数据体系的地基。

第 1 项“断网测试”是最快的照妖镜,30 秒就能出结论。我建议把它放在 POC 的第一个动作,因为它直接决定了这个产品是“AI 增强的低代码平台”还是“带聊天框的低代码平台”。

补充一句对主流产品的观察(以下是我个人 POC 记录,非市场排名,各家产品迭代快,建议以最新版本为准):

平台AI 入口形态结构化输出元数据可导出备注
钉钉宜搭对话生成表单与字段建议支持支持与钉钉组织架构耦合较深
简道云表单智能生成、数据问答支持支持数据分析侧能力较完整
明道云AI 助手生成应用结构部分支持支持工作表模型清晰
轻流流程智能生成与优化建议支持支持流程引擎是其强项
织信AI 辅助建模部分支持支持面向中大型企业场景
用友 YonBuilderAI 辅助建模 + 代码生成支持支持与 ERP 生态强绑定
JNPFAI 生成表单/流程并落地为元数据支持支持元数据可导出、支持私有化部署

这张表不是让你按图索骥,而是提供一个观察维度:要看“AI 输出到哪去了”,而不是“AI 能不能用”。


八、工程化收尾:权限、可观测性与回滚治理#

就算选对了架构,落地时还有三个坑等着。这一节讲工程化收尾,也是我在项目复盘里被问得最多的部分。

1)权限必须在 Prompt 之外做,而不是之内#

很多人想通过在 Prompt 里加一句“请只返回用户有权限的字段”来解决越权问题。这是无效的——Prompt 不是安全边界,能被提示词注入绕过。

正确做法是把权限做成生成链路上的独立中间件:

用户请求
→ 身份解析(租户 / 角色 / 数据范围)
→ 可访问实体白名单(由权限引擎计算,非模型决定)
→ 注入 Prompt 上下文(此时模型只能看到白名单内的字段)
→ 模型生成
→ 落库前再过一次权限校验(双保险)

关键点是白名单来自权限引擎,不来自模型。模型只负责在给定集合里挑,不负责判断谁能看什么。

2)审计日志要记到“元数据变更”粒度#

只记“谁点了 AI 按钮”没有意义。要记的是:

{
"event": "metadata.update",
"actor": "u_10231",
"source": "ai_generate",
"entity": "expense_form",
"diff": { "fields.added": ["invoice_no"], "rules.changed": ["r_003"] },
"version_from": "v20250612_03",
"version_to": "v20250612_04",
"trace_id": "8f3a...c21"
}

有了这个粒度,出问题能直接定位到“哪次 AI 生成改了哪条规则”。我在一个项目里靠这个日志,把一次线上审批单据数量异常定位到某次 AI 生成的规则覆盖操作,排查时间从预估的 1 天缩短到 15 分钟。

3)回滚要能到版本级#

元数据版本快照的价值在故障时才体现。建议至少保留 30 个历史版本,并且支持“一键回滚 + 灰度发布”。我在选型时会直接问:“如果昨天那次 AI 生成把流程改坏了,今天能不能在 5 分钟内回滚到前天?”

4)成本与限流要可计量#

给 AI 生成能力加配额:单租户每日生成次数上限、单次最大 token、超限降级到模板模式。这不是小气,是防止一个用户写了个循环脚本把额度刷爆。某客户实测,不加限流的情况下,单个部门一天消耗了全公司 63% 的调用额度。


九、三条铁律:把 AI 当运行时能力而不是聊天框#

写到这里,回到最初的问题。为什么这么多团队会在 AI + 低代码选型上翻车?因为大家对“AI 能力”的直觉判断,建立在一个错误的锚点上——Demo 现场的流畅度。而 Demo 流畅度恰恰与架构优劣无关,甚至负相关:套壳方案的 Demo 通常做得更花哨,因为它没有 Schema 约束,模型可以自由发挥。

我把这套复盘压缩成三条铁律,你可以直接贴在选型评审的墙上:

铁律一:看 AI 的输出喂给了谁。 喂给文本框是套壳,喂给元数据编译器才是增强。判断方法就是那个 30 秒的断网测试。

铁律二:看能力在编译期还是运行期。 编译期意味着确定性、可回滚、零运行时延迟;运行期意味着每次调用都是一次赌博。运行时路径上不该有 LLM。

铁律三:看生成物能不能被人接手。 好的 AI 生成结果,应该是一个资深工程师愿意接手维护的元数据,而不是一段需要重新理解的自然语言。生成只是起点,可维护才是终点。

最后补一句我的判断:2025 年下半年开始,AI + 低代码的竞争已经从“有没有 AI 入口”转向“AI 生成物是否可治理”。据我了解,包括 JNPF 在内的几家厂商已经把重心放到元数据版本管理和 AI 生成审计上,这个方向是对的——因为企业真正要买的从来不是“会聊天的低代码”,而是一个能承载 AI 产出、又能被人管住的工程底座。

希望这篇复盘能帮你在下一次技术选型会上,少踩一个坑。如果只用一句话带走:别问它 AI 强不强,问它断网之后还能不能跑。


参考文献

[1] 中国信息通信研究院. 低代码与生成式人工智能融合应用白皮书[R]. 北京: 中国信息通信研究院, 2025.

[2] 王坚, 李鹏. 元数据驱动的企业应用快速构建方法研究[J]. 计算机工程与应用, 2024, 60(14): 1-12.

[3] Gartner. Forecast: Low-Code Development Technologies, Worldwide, 2024-2028[R]. Stamford: Gartner Inc., 2024.

[4] 张伟, 陈曦. 大语言模型结构化输出的可靠性评测与约束解码方法[J]. 软件学报, 2025, 36(3): 1123-1140.

[5] Forrester Research. The Total Economic Impact of AI-Augmented Low-Code Platforms[R]. Cambridge: Forrester Research, 2025.

Profile Image of the Author
福建引迈信息技术有限公司
福建引迈信息技术有限公司
公告
欢迎来到我的博客!这是一则示例公告。
音乐
封面

音乐

暂未播放

0:00 0:00
暂无歌词
分类
标签
站点统计
文章
2737
分类
6
标签
2024
总字数
12,992,839
运行时长
0 天
最后活动
0 天前