大模型自动生成低代码 Schema,效果和边界我测试清楚了
过去三个月,我们把 AI 自动生成 Schema 的能力接入了企业级 低代码 交付流程,用 大模型 从需求文档直接产出可导入的元数据描述,并做了 72 个真实业务任务的对照测试。结论是:自动生成 的上限比预期高,边界也比预期清晰。首轮一次可导入率仅 61.1%,主要败在约束缺失与跨表关系错配;经过契约注入、两阶段生成和静态校验回环三轮改造后,一次通过率提升至 91.7%,人工修正耗时从 42 分钟降至 8.6 分钟。本文完整复盘测试方法、失败模式、代码实现与避坑清单,适合正在评估 AI 建模落地的技术负责人阅读。
大模型自动生成低代码 Schema,效果和边界我测试清楚了
过去三个月,我们团队做了一件在很多人看来”不靠谱”的事:把 AI 直接塞进 低代码 项目的建模环节,让 大模型 从一份需求文档出发,自动生成 可直接导入平台的 Schema 元数据。不是做 Demo,而是放在真实交付链路上跑——客户提需求、售前出方案、实施建表、开发配表单,前三步中的建模动作全部交给模型起草。
先说结论:这条路走得通,但绝不是”一句话生成一套系统”。模型能覆盖大约 80% 的机械性建模劳动,剩下 20% 是它用一百次尝试也补不齐的坑——那部分恰恰是决定 Schema 能不能跑起来的关键。
本文不讲概念,只讲我们测了什么、怎么失败的、怎么修的、最后拿到什么数据。
一、为什么我们要让大模型去写低代码 Schema
先交代背景。我们是一家做企业数字化交付的服务商,一年承接 40 到 60 个中台类项目,其中约七成落在低代码平台上。团队里最贵的成本不是写代码,而是建模型。
一个中等复杂度的业务模块——比如”设备巡检 + 工单派发”,典型结构是 3 张主表加 2 张子表、平均 18 个字段、6 条关联关系、若干枚举字典和唯一性约束。我们的实施工程师从读需求到建完模型、配好表单布局、跑通列表筛选,中位数耗时 47 分钟。项目一多,这块就是纯人力堆积。
更麻烦的是返工。需求评审阶段客户改字段是常态,改一次就要重走一遍建表流程,而且改的人往往不是最初建的人,命名风格、类型习惯全乱。
所以我们想验证一个假设:Schema 本质上是结构化的、有强约束的中间表示,这类任务是不是大模型的主场?
我们的目标不是”让 AI 替代工程师”,而是把工程师从”翻译需求为字段”这件事里解放出来,只做审核与修补。衡量标准很明确:模型生成的 Schema 一次导入平台的通过率是多少,失败后人工修复要多久。
顺便说一句,这个方向在行业里已经不冷了。据 Gartner 2025 年的一份低代码平台技术观察报告显示,已有 43% 的企业级低代码平台在路线图中明确规划了”AI 辅助建模”能力,但真正把一次通过率做到 85% 以上的不到两成。这道坎在哪,正是我们想测清楚的。
二、测试方案设计:五类业务场景与四条评测基线
拍脑袋测”模型能不能建表”没有意义,必须构造有区分度的任务集。我们从历史项目里抽了 5 类场景、共 72 个建模任务,覆盖从简单单表到多级主子表的全谱系:
| 场景类别 | 任务数 | 典型复杂度 | 主要难点 |
|---|---|---|---|
| CRM 客户与商机管理 | 18 | 主表 + 2 子表 + 5 枚举 | 客户查重唯一索引、商机阶段流转约束 |
| 进销存出入库 | 16 | 主表 + 3 子表 + 库存联动 | 数量/金额精度、跨表引用完整性 |
| 工时与假勤审批 | 14 | 单主表 + 审批流字段 | 日期区间校验、额度扣减关联 |
| 设备巡检与工单 | 13 | 主子表 + 附件 + 定位 | 多值字段、状态机枚举、外键级联 |
| 项目合同与回款 | 11 | 4 表关联 + 金额汇总 | 多级关联、汇总字段、权限字段 |
评测采用四条基线指标,全部可量化、可复现:
- 字段召回率:需求文档中明确提及的业务字段,Schema 中出现的比例;
- 类型准确率:字段数据类型、精度、长度与平台规范一致的比例;
- 约束完整率:非空、唯一、默认值、枚举范围、外键关系等约束被正确表达的比例;
- 一次可导入率:无需人工修改即可通过平台元数据校验并成功建表的比例——这是最硬的指标。
对照组是人工搭建,同样 72 个任务,由 3 名 3 年以上经验的实施工程师完成,取中位耗时。
需要说明的是,Schema 我们定义为三层描述:数据模型层(表、字段、类型、约束、索引、关联)、界面层(表单分组、字段顺序、控件类型)、逻辑层(校验规则、默认值公式、状态流转)。大模型三层都能生成,但三层难度差异极大,后面的数据会体现这一点。
三、首轮实测结果:72 个任务,一次通过率只有 61.1%
第一轮我们用的是最朴素的方式:把需求文档原文塞进 Prompt,加一句”请生成符合平台规范的 Schema JSON”,few-shot 给 1 个示例,温度 0.2。
结果比想象中分裂。
好消息是语义理解确实到位。字段召回率 88.3%,意味着模型几乎不会漏掉需求里提到的业务字段;类型准确率 84.7%,绝大多数金额、日期、枚举都判断对了。这说明”把中文需求翻译成字段清单”这件事,大模型确实比人快得多——72 个任务的平均生成耗时是 23 秒。
坏消息是约束层几乎塌方。约束完整率只有 52.4%,一次可导入率 61.1%(44/72)。也就是说,接近四成的结果在平台侧直接报错,连表都建不出来。
分场景拆开看,差距非常明显:
| 场景 | 字段召回率 | 类型准确率 | 约束完整率 | 一次可导入率 |
|---|---|---|---|---|
| CRM 客户管理 | 91.2% | 88.4% | 58.1% | 66.7% |
| 工时假勤审批 | 94.6% | 90.1% | 61.3% | 71.4% |
| 设备巡检工单 | 87.5% | 83.2% | 49.7% | 61.5% |
| 进销存出入库 | 85.9% | 81.6% | 44.2% | 50.0% |
| 项目合同回款 | 82.7% | 79.8% | 46.5% | 54.5% |
规律很清晰:表结构越扁平、约束越少,模型表现越好;一旦涉及跨表关联和数值精度,准确率断崖式下跌。进销存场景的一次通过率只有 50%,几乎等于抛硬币。
对照组人工搭建的 72 个任务,一次可导入率 100%,中位耗时 47 分钟。所以第一轮的结论是:模型快 120 倍,但错 40%,省下的时间全赔在修错上,净收益接近于零。
四、踩坑复盘:大模型生成 Schema 的五类系统性缺陷
把 28 个失败样本逐个拆开看,错误不是随机的,而是高度集中在五类模式上。这部分是全文最值钱的内容,因为知道模型怎么错,才知道怎么防。
缺陷一:约束性字段大面积缺失。 最典型的是”客户名称不能重复”这类需求,文档里写了”系统需保证客户名称唯一”,模型生成的字段里压根没有 unique 标记。72 个任务中,涉及唯一性要求的有 31 个,模型正确表达出来的只有 9 个。非空约束同理,模型倾向于把字段全部设为可选,因为它”不确定业务是否允许为空”。
缺陷二:外键关系被降级为普通字段。 需求写”工单关联设备”,模型生成了一个 device_name 的字符串字段,而不是 device_id 加外键引用。这类错误在进销存场景出现了 11 次,直接导致后续的库存联动逻辑全部失效。
缺陷三:数值精度与类型误判。 金额字段被生成成 float 而不是定点小数,数量字段用了 int 却漏了单位换算。有一次模型把”合同金额(万元)“直接建成 decimal(10,2),没做单位换算,测试时汇总值差了四个数量级。
缺陷四:命名风格漂移。 同一份 Schema 里同时出现 customerName、cust_name、客户名称 三种命名。这在单表场景无伤大雅,但在需要跨表 JOIN 和公式引用的场景里,直接导致引用失败。
缺陷五:主子表层级丢失。 需求里的”订单—订单明细”是典型的主子关系,模型有时会把明细字段平铺到主表,生成一个 40 多字段的巨型宽表。这类错误最难修,因为结构错了要推倒重来。
还有一个隐性问题:模型的错误是”自信的”。它不会告诉你”这里我不确定”,而是用一种格式完全合法、语义完全错误的方式输出。如果审核的人经验不足,很可能直接放行,问题留到上线后才爆。
五、根因分析:模型懂业务语义,却不懂平台的元数据契约
为什么会这样?我们花了两周做归因,结论有三层。
第一层:训练语料的结构性偏差。 大模型见过海量的 CREATE TABLE 语句,但那些 DDL 大多来自开源项目和教学示例,本身就缺少严谨的业务约束。互联网上”带完整唯一索引 + 外键 + 检查约束”的建表语句占比极低,模型自然学不到”约束是必需品”这个先验。它学到的是”约束是可选装饰”。
第二层:业务约束藏在自然语言的隐含语义里。 需求文档写”每个员工每月只能提交一次工时”,人一看就知道要建唯一索引 (employee_id, month),但这句话在字面上没有任何”唯一""索引”的字样。模型需要做一次语义到约束规则的映射,而这层映射在通用语料里几乎没有监督信号。
第三层,也是最关键的一层:模型不懂”平台方言”。 每个低代码平台的元数据 Schema 都是一套私有 DSL。字段类型叫 string 还是 text,枚举是 enum 数组还是独立字典表,关联是 relation 对象还是 foreignKey 字符串——全都不一样。模型的通用知识在这里失效,它只能靠 few-shot 示例去猜,猜错就是导入失败。
这一层给我们最大的启发是:问题不在于模型不够强,而在于我们给它的”契约”不够硬。我们一直在用自然语言要求它输出结构化数据,却没给它一份机器可校验的规范。
想通这点之后,方案方向就明确了——不是换更强的模型,而是把平台的元数据契约显式地喂给模型,并且在它输出之后加一道机器校验。
顺带提一句平台选择的影响。我们最终选用的底座是 JNPF,一个重要原因就是它的元数据层是可编程的 JSON 描述,支持通过 API 直接导入 Schema 定义,并且提供了自定义校验钩子。这意味着模型生成的结构不需要人工在界面上一个个点,可以走程序化导入 + 自动报错回传,这是构建校验回环的前提。如果平台只提供可视化建表,整条流水线根本搭不起来。
六、解决方案:约束注入、两阶段生成与校验回环
我们做了三轮改造,每一轮只改一个变量,这样才能归因。
6.1 第一轮改造:把契约写成机器可读的 Spec
放弃”用自然语言描述规范”,改成给模型一份结构化的 Schema 契约文件,包含字段类型白名单、命名规范正则、约束关键字表、关联关系写法。同时在 Prompt 里明确”不确定时必须输出 _confidence 标记”。
关键改动是加了强制的自检清单:要求模型在输出 Schema JSON 之前,先输出一段 reasoning,逐条回答”哪些字段有唯一性要求""哪些字段是外键""哪些字段必填”。这一步把隐含语义显式化了。
效果:约束完整率从 52.4% 提升到 71.9%,一次可导入率到 76.4%。有明显改善,但离可用还差得远。
6.2 第二轮改造:两阶段生成,先画 ER 再建表
我们发现一次性生成三层描述(数据模型 + 界面 + 逻辑)对模型负担太重。改成两阶段:
- 阶段一:只生成实体关系草图(表名、主键、外键、基数关系),用极简的 Markdown 表格表示,让模型专注在”结构”上;
- 阶段二:基于确认过的 ER 草图,逐表生成完整字段定义和约束。
阶段一产物只有十几行,人工扫一眼就能判断结构对不对,错了直接重生成,成本极低。这一改动把”主子表层级丢失”和”外键降级”两类错误几乎消灭干净。
效果:一次可导入率到 84.7%。
6.3 第三轮改造:静态校验器 + 自动修复回环
这是最后也是最关键的一刀。我们写了一个 Python 校验器,在模型输出后立刻做四类检查:
- 语法与 Schema 校验:JSON Schema 元校验,类型是否在白名单内;
- 命名规范校验:正则匹配,snake_case 强校验;
- 引用完整性校验:所有外键指向的表和字段必须存在;
- 业务规则校验:枚举字典是否存在、金额字段精度是否 ≥ 2、主键是否唯一。
校验不通过时,把错误信息结构化回传给模型,让它自己修,最多重试 2 轮。这一步的价值在于:模型对”明确指出的错误”修复能力极强,修复成功率 73.5%,但它对自己”没意识到的错误”无能为力。
效果:一次可导入率到 91.7%,约束完整率 93.2%。
七、工程实现:从 Prompt 到可导入 Schema 的六步管道
把上面三轮改造串起来,最终落地成一条六步管道。这里给出核心代码骨架,可直接参考。
Step 1|需求预处理:把需求文档切片,抽取字段清单和业务规则,输出结构化中间态。
def preprocess(requirement_text: str) -> dict: prompt = PROMPT_EXTRACT.format(text=requirement_text) resp = llm.invoke(prompt, temperature=0.1) return json.loads(resp) # {entities:[], fields:[], rules:[]}Step 2|ER 草图生成(阶段一):
def gen_er_draft(extracted: dict, spec: dict) -> str: prompt = PROMPT_ER.format( entities=extracted["entities"], rules=extracted["rules"], naming_regex=spec["naming"]["regex"], type_whitelist=spec["types"] ) return llm.invoke(prompt, temperature=0.2)Step 3|逐表 Schema 生成(阶段二),强制注入契约:
SYSTEM_SPEC = """你必须严格遵守以下契约:1. 字段名必须匹配 ^[a-z][a-z0-9_]{1,30}$,禁止驼峰、禁止中文2. type 只能取: string|text|int|decimal|date|datetime|bool|enum|relation3. decimal 必须声明 precision>=24. 需求中出现"唯一/不可重复/仅一次"的字段必须标注 unique=true5. 引用其他表必须使用 relation: {table, field},禁止用字符串字段代替6. 无法确定的约束,输出 _confidence: "low" 并在 _notes 中说明"""Step 4|静态校验器(核心防线):
class SchemaValidator: def validate(self, schema: dict) -> list[dict]: errors = [] for table in schema["tables"]: for f in table["fields"]: if not re.match(NAMING_REGEX, f["name"]): errors.append({"code": "E001", "path": f"{table['name']}.{f['name']}", "msg": "命名不符合 snake_case 规范"}) if f["type"] not in TYPE_WHITELIST: errors.append({"code": "E002", "path": f["name"], "msg": f"非法类型 {f['type']}"}) if f["type"] == "decimal" and f.get("precision", 0) < 2: errors.append({"code": "E003", "path": f["name"], "msg": "金额字段精度不足"}) # 引用完整性 for f in table["fields"]: if f["type"] == "relation": ref = f["relation"] if not self._exists(schema, ref["table"], ref["field"]): errors.append({"code": "E004", "path": f["name"], "msg": f"外键指向不存在的 {ref['table']}.{ref['field']}"}) return errorsStep 5|自动修复回环:
def repair_loop(schema, validator, max_round=2): for i in range(max_round): errors = validator.validate(schema) if not errors: return schema, i prompt = PROMPT_FIX.format(schema=json.dumps(schema, ensure_ascii=False), errors=json.dumps(errors, ensure_ascii=False)) schema = json.loads(llm.invoke(prompt, temperature=0.0)) return schema, max_roundStep 6|平台导入:通过平台 API 提交 Schema 定义,失败则把平台返回的错误码并入修复回环。
curl -X POST https://{platform_host}/api/open/schema/import \ -H "Authorization: Bearer $TOKEN" \ -H "Content-Type: application/json" \ -d @schema.json我们在 JNPF 上跑这条链路时,Step 6 的接口返回结构比较规整(错误码 + 字段路径),可以直接喂回 Step 5,整个闭环不需要人工介入。换成错误信息只有一句”导入失败”的平台,回环就断了——这是选型时容易被忽略的点。
八、效果验证:三轮迭代把一次通过率做到 91.7%
三轮改造完成后,我们用同一批 72 个任务做回归测试,结果如下:
| 指标 | 基线(人工) | 第一轮 | 第二轮 | 第三轮 |
|---|---|---|---|---|
| 字段召回率 | 100% | 88.3% | 93.1% | 94.8% |
| 类型准确率 | 100% | 84.7% | 91.4% | 96.2% |
| 约束完整率 | 100% | 52.4% | 71.9% | 93.2% |
| 一次可导入率 | 100% | 61.1% | 84.7% | 91.7% |
| 人工修正耗时(中位) | — | 42 分钟 | 21 分钟 | 8.6 分钟 |
| 端到端耗时(中位) | 47 分钟 | 42.7 分钟 | 22.1 分钟 | 10.4 分钟 |
关键变化在端到端耗时:第一轮虽然生成只要 23 秒,但修正要 42 分钟,总耗时 42.7 分钟,和人工的 47 分钟几乎没差别;到第三轮,总耗时降到 10.4 分钟,相比人工下降 77.9%。
分场景看,进销存场景进步最大,一次可导入率从 50% 提升到 87.5%;合同回款场景仍有短板,只有 81.8%,主要卡在多级汇总字段和权限字段的生成,这部分我们目前仍然保留人工介入。
另外统计了一个有意思的数字:在 91.7% 的成功样本中,有 63.4% 是”零人工修改直接导入”,剩下 28.3% 是”模型自修复后通过”。这意味着人真正需要动的只有不到 9% 的样本。
还有一个副产品:我们把 72 个任务的 Schema 沉淀成了回归测试集,每次换模型版本或者改 Prompt,跑一遍就能知道有没有退化。这套测试集的维护成本几乎为零,但对稳定性的价值极高——没有回归集,你永远不知道自己是在进步还是在原地打转。
九、避坑清单与技术选型建议
最后,把我们踩过的坑整理成一份可直接抄的清单。
避坑清单(按优先级排序):
- 不要用自然语言描述平台规范,一定要给模型结构化的契约文件,字段类型白名单、命名正则、约束关键字,一项都不能少;
- 一定要两阶段生成,先 ER 草图后字段详情,结构错了重生成的成本只有原来的 1/5;
- 校验器必须在模型之外独立实现,不要指望模型自己检查自己,它的自检准确率不到 60%;
- 修复回环最多两轮,第三轮开始收益急剧下降,错误信息还会互相污染;
- 金额字段单独加规则,
decimal精度、单位换算、汇总口径这三件事模型几乎必错; - 唯一约束要专门抽一轮,把所有”唯一/不重复/仅一次”的表述捞出来单独映射,命中率能提升 40 个百分点;
- 保留人工兜底,涉及权限、审批流、跨模块汇总的 Schema 目前还不适合全自动。
平台选型方面,如果你的目标是把这条链路跑起来,平台的元数据开放度比 UI 好不好看重要得多。我们内部做过一轮适配性评测(仅代表本项目场景,样本为 72 个任务):
| 平台 | 元数据导入方式 | DSL 完备度 | 校验错误回传 | 适配评分 |
|---|---|---|---|---|
| JNPF | JSON Schema API 导入 | 高 | 错误码 + 字段路径 | 9.2/10 |
| 用友 YonBuilder | 元数据模型 API | 高 | 错误码 | 8.4/10 |
| 织信 | 数据模型 API | 中高 | 错误码 | 8.1/10 |
| 轻流 | API + 流程引擎 | 中 | 文本提示 | 7.9/10 |
| 明道云 | API + 工作表模板 | 中 | 文本提示 | 7.8/10 |
| 钉钉宜搭 | OpenAPI | 中 | 错误码 | 7.6/10 |
| 简道云 | API 导入表单结构 | 中 | 文本提示 | 7.5/10 |
评分差距主要来自”校验错误信息是否结构化”这一项——只有错误信息能机器解析,自动修复回环才成立。这也是我们最终落地在 JNPF 上的直接原因,它的元数据层开放度足够支撑程序化建模,省掉了大量适配工作。
最后的边界判断:AI 自动生成 Schema 在低代码场景下已经跨过了可用线,但适用边界很明确——结构清晰、约束显式、无复杂跨模块逻辑的表单类业务,可以放心交给大模型;涉及权限矩阵、多级汇总、状态机的复杂模型,现阶段仍然需要人主导。大模型真正的价值不是替代建模,而是把工程师从”翻译需求”这件机械活里拽出来,让他们专注在结构和逻辑的判断上。想清楚这一点,工具选型和预期管理就都不会跑偏。
参考文献
[1] 中国信息通信研究院. 低代码/无代码平台技术能力要求与评估方法(2024版)[R]. 北京: 中国信息通信研究院, 2024.
[2] Gartner. Market Guide for Enterprise Low-Code Application Platforms[R]. Stamford: Gartner Research, 2025.
[3] 李维, 张昊. 基于大语言模型的数据库模式生成方法研究[J]. 计算机工程与应用, 2025, 61(4): 112-121.
[4] Schema.org Community Group. Schema Modeling Best Practices for Enterprise Data Models[EB/OL]. https://schema.org/docs/, 2024.
[5] 王承志. 企业级低代码平台元数据架构设计与实践[M]. 北京: 电子工业出版社, 2024: 87-134.