本文整理自《CBI 技术有聊》第八期直播栏目，嘉宾为葡萄城软件有限公司高级产品经理、低代码产业研究总监宁伟。

出品 | CBI传媒

编辑 | 宋慧

在人工智能技术迅猛发展的今天，企业数字化转型正面临新的抉择。当自然语言编程以更“原生”的 AI 开发方式出现，是否将取代已发展多年的低代码开发模式？智能体与低代码究竟是竞争还是互补？在企业级应用中，质量如何保障，界限如何重塑？这些不仅是技术路径的探讨，更关乎未来软件开发模式的演进方向。

2025 年 10 月，《CBI 技术有聊》第八期直播聚焦这一前沿话题，邀请西安葡萄城软件有限公司高级产品经理、低代码产业研究总监宁伟老师，为开发者们深入探讨了自然语言编程与低代码的关系、低代码与智能体的整合路径、质量评估体系、企业选型策略，以及技术发展对业务与技术边界的影响，为行业提供了极具价值的实践洞察与未来展望建议。

点击链接，观看直播回放：https://www.cbiwin.com/#/online/detail?id=7h32avbkvbz75buw

自然语言编程与低代码：非替代而是融合的技术路径

随着 AI 技术的快速发展，以自然语言编程为代表的 “原生” AI 开发方式逐渐走进开发者视野，不少人开始疑问：这种新的开发方式是否会取代以 “可视化拖拉拽” 为核心的低代码平台？在宁伟老师看来，这一问题的核心并非技术优劣的对比，而是软件开发全流程的成本核算 ——软件开发的成本远不止 “敲代码” 这一单一环节，而是覆盖需求理解、旧系统维护、复杂度解决、测试验证等全生命周期的综合投入。

从需求落地的全流程来看，自然语言编程的优势集中在 “次生复杂度” 的解决上。宁伟老师引用《没有银弹》中的观点，将软件开发的复杂度分为 “原生复杂度” 与 “次生复杂度”：原生复杂度源于业务本身的复杂性，如企业独特的业务规则、行业特有的流程逻辑，这类复杂度依赖对业务的深度理解，AI 尚无法独立突破；而次生复杂度则是技术引入带来的附加问题，如网络通信的异常处理、数据格式的转换适配，这类规则固定、知识范围明确的任务，自然语言编程能凭借 AI 的高效生成能力大幅提升效率。但从全流程来看，自然语言编程的价值会被稀释 —— 开发者仍需花费大量时间理解旧代码逻辑（尤其是 2.0、3.0 版本迭代时，读懂前人代码的成本往往高于重写），也需基于业务知识设计测试用例、验证功能准确性，这些环节恰恰是自然语言编程难以覆盖的。

与之相对，低代码平台的核心优势在于通过 “封装与复用” 降低全流程成本。可视化拖拉拽的设计并非简单的 “简化编码”，而是通过图形化呈现降低代码理解门槛 ——“一图胜千言” 的特性让开发者（无论是技术人员还是转型中的业务人员）能快速掌握系统逻辑，尤其在迭代维护时，图形化的架构比文字代码更易追溯；同时，低代码平台将通用功能封装为组件，开发者无需重复编写基础模块，只需聚焦业务核心的原生复杂度，既减少了代码量，也降低了调试与测试的成本。

宁伟老师强调，自然语言编程与低代码并非 “非此即彼” 的替代关系，而是面向不同场景的互补技术，未来更可能走向融合。一方面，AI 厂商已开始向可视化方向探索，如 OpenAI 在国庆期间推出的 Workflow 可视化编辑器，印证了 AI 技术对 “降低使用门槛” 的需求；另一方面，低代码厂商也在引入 AI 能力，如葡萄城的活字格低代码平台，尝试让 AI 辅助生成组件组装逻辑、自动生成测试用例，通过 “AI + 可视化” 的组合实现 “1+1>2” 的效果。这种融合的关键在于解决大模型对低代码组件接口的理解问题，虽然目前仍有技术障碍，但已是明确的发展方向。

智能体：为 AI 应用“套上壳子”的关键载体

要实现低代码与智能体的深度整合，首先需要澄清 “智能体” 的本质定义。宁伟老师指出，智能体（Agent）的英文原意是 “代理”，其核心作用是为 AI 技术搭建 “操作壳层”—— 这一逻辑与关系型数据库的发展历程高度相似。上世纪 70 年代，关系型数据库将数据管理抽象为 “增删改查”，最初人们认为直接让用户编写 SQL 语句即可实现企业管理，但实践中发现，用户需要更友好的交互界面（即 “壳层”），于是管理软件应运而生，成为数据库与用户之间的桥梁。如今的智能体，正是 AI 技术的 “管理软件”：它将 AI 的自然语言交互转化为结构化操作，避免用户直接面对 AI 的不确定性，同时将 AI 的输出结果转化为可自动化执行的指令，让 AI 真正落地到业务场景中。

基于这一认知，低代码与智能体的整合可分为两个核心方向。第一个方向是低代码平台自身向 “智能体” 演进。当前的低代码平台仍以 “低 AI 含量” 为主，仅在辅助开发环节引入 AI 能力（如代码生成、组件推荐），而未来的低代码平台将逐步提升 AI 渗透率，成为 “能理解业务需求、自动生成开发方案” 的智能体。例如，开发者只需描述业务目标（如 “搭建一个客户订单审批系统”），低代码智能体即可自动推荐组件组合逻辑、生成可视化流程，并允许开发者通过少量调整完成开发 —— 这一过程中，低代码平台既是开发工具，也是 AI 与开发者之间的代理，降低了 AI 技术的使用门槛。

第二个方向是用低代码开发智能体，形成 “智能体开发智能体” 的闭环。智能体本质上是一款软件，而低代码作为高效的软件开发工具，天然适合智能体的快速构建。在实践中，企业可通过低代码平台开发面向不同场景的智能体：例如，为客服部门开发 “AI 客服智能体”，整合企业知识库与对话模型，通过低代码快速对接 CRM 系统与工单系统；为财务部门开发 “费用报销智能体”，通过可视化流程定义报销规则，结合 AI 自动识别发票信息、校验合规性。这种模式的优势在于 “快速迭代”—— 智能体作为创新型项目，需要根据业务反馈持续调整，低代码的可视化开发与快速部署能力，能大幅缩短智能体的迭代周期，让 AI 技术更快适配业务需求。

宁伟老师特别提到，这种整合并非简单的 “技术叠加”，而是需要解决 “知识传递” 的问题。低代码平台需要将自身的组件逻辑、流程规则转化为 AI 可理解的知识，AI 则需要将自然语言需求转化为低代码平台可执行的开发指令，这一过程涉及技术架构与模型训练的协同，需要厂商与企业共同探索。目前，葡萄城等低代码厂商已在这一领域展开实践，通过构建专属知识库，让大模型逐步理解低代码组件的接口与逻辑，为深度整合奠定基础。

低代码生成智能体的质量评估：关口前移，聚焦 AI 可行性与数据质量

非技术人员使用低代码生成智能体，是否会导致质量差异？宁伟老师的答案是：传统低代码开发的软件质量差异，本质上与 “技术 / 非技术人员” 无关，而取决于培训是否到位、需求理解是否准确；但智能体的质量差异，核心源于 AI 技术的固有特性，需要建立针对性的评估体系。

AI 技术与传统软件的最大区别在于 “非预设规则”—— 传统软件的输出结果由代码逻辑完全确定，而 AI 的输出基于概率模型，存在不确定性，这种特性直接导致智能体的质量评估需关注三个核心维度。第一个维度是 AI 的准确率，即使 AI 在 99% 的场景下输出正确结果，只要 1% 的错误发生在关键业务环节（如财务结算、订单确认），用户仍会判定为 “质量差”。因此，评估智能体质量的首要前提是 “AI 可行性”：判断业务场景是否能容忍 AI 的准确率偏差，若场景要求 “100% 确定性”（如核心交易系统），则不适合引入 AI，强行落地必然导致质量问题。

第二个维度是 AI 的响应速度。传统管理软件的用户对响应速度的容忍度极低（如点击按钮后 2 秒无响应即认为 “卡顿”），而 AI 生成结果往往需要 10-20 秒，即使通过 “流式输出”（逐段显示结果）提升用户体验，本质上仍未改变速度短板。因此，评估智能体质量时需结合场景容忍度：若场景为 “实时决策”（如客服实时回复），则需通过模型优化、缓存策略等方式提升速度；若场景为 “非实时分析”（如日报生成），则可接受较长响应时间。

第三个维度是数据质量。AI 的输出质量依赖输入数据的准确性、完整性与实时性 —— 企业若缺乏高质量的业务数据，即使智能体的逻辑设计再完善，AI 也无法生成可靠结果。例如，开发 “客户画像智能体” 时，若 CRM 系统中的客户数据存在大量缺失（如未记录客户购买偏好），AI 生成的画像必然与实际需求偏差较大，这种质量问题并非低代码或智能体的逻辑问题，而是数据基础的缺陷。

基于这三个维度，宁伟老师提出 “质量评估关口前移” 的原则：智能体的质量保障不应依赖测试阶段的修复，而应在立项时就完成三大评估 —— 首先评估业务价值，确认智能体是否能解决实际业务痛点；其次评估 AI 可行性，判断场景是否容忍 AI 的不确定性；最后评估数据质量，确保输入 AI 的数据满足需求。这一原则已成为葡萄城服务客户的最佳实践，许多企业的教训表明，若跳过前期评估直接启动项目，后期往往因 AI 准确率不足、数据缺失等问题导致项目停滞，反而增加成本。

企业选型策略：分场景适配，将 AI 项目视为创新探索

面对低代码与智能体的多样选择，企业该如何制定选型策略？宁伟老师从 ToB（企业业务）与 ToD（开发者）两个维度给出了具体建议。

从 ToB 维度来看，企业选择智能体时应优先考虑 “可定制开发” 的方案，而非直接采用成品软件。这是因为 AI 技术的迭代速度快，企业对 AI 的预期差异大 —— 成品软件的 AI 功能往往固化，若业务需求发生变化（如调整客户分层规则），成品软件难以快速适配，导致智能体无法持续创造价值。同时，宁伟老师强调，所有带 AI 的应用项目都应视为 “创新型项目”，而非成熟的标准化项目：企业不应向业务部门承诺 “100% 可用”“无故障运行”，而应通过 “小步快跑” 的方式迭代 —— 先开发最小可行版本（MVP），收集业务反馈后逐步优化，既降低项目风险，也能让 AI 技术逐步贴合业务需求。

从 ToD 维度来看，企业选择低代码平台时需区分 “零代码” 与 “狭义低代码” 的适用场景。零代码平台以 “完全可视化、无需编码” 为核心，适合解决临时性、简单化的业务需求，如问卷调研、数据采集、简单审批流程等 —— 这类场景无需与其他系统深度集成，对数据长期存储的要求较低，非技术人员通过简单培训即可上手。而狭义低代码平台（面向专业开发者）则适合构建企业核心业务系统、长期数字化基础设施，如 ERP 系统、客户管理系统等 —— 这类场景需要与现有系统（如 SAP、Oracle）深度集成，对性能、安全性、可扩展性有较高要求，需要技术人员通过编码扩展功能，充分发挥低代码 “高效开发” 与 “灵活扩展” 的双重优势。

为帮助企业更系统地完成选型，宁伟老师推荐了其著作《这就是低代码：数字化转型加速器》，书中详细覆盖了低代码平台从立项、选型到组织转型、团队建设、项目交付的全流程，提供了可落地的 “操作手册”。例如，在选型环节，书中建议企业从 “组件丰富度”“集成能力”“扩展灵活性”“安全合规性” 四个维度评估平台，避免陷入 “唯功能论” 的误区；在组织转型环节，书中提出 “业务 - 技术协同团队” 的构建模式，让业务人员参与开发过程，减少需求传递的偏差。

未来展望：开发分工将继续细化，并产生新机会

在展望未来时，宁伟对“业务与技术界限模糊”的流行观点提出了不同见解。他从马克思主义分工理论出发，认为技术进步不会消除专业分工，反而会促使其更加细化。“人类社会的进步是靠分工驱动的，这个规律在 AI 时代不会改变，只会强化。”

马克思曾指出，人类社会的进步源于分工 —— 分工让个体专注于特定领域，通过协作放大价值。在数字化领域，这一规律同样适用：早期的数字化人才仅分为 “业务人员” 与 “技术人员”，而如今人社部已将数字化人才划分为三类 ——“数字化创建者”（技术人员，负责开发数字化工具）、“数字化使用者”（业务人员，通过数字化工具开展工作）、“数字化辅助人员”（负责数字化落地的运营、维护、支持）。这种分工细化的趋势，在 AI 与低代码融合后将更加明显。

未来，“数字化创建者” 可能进一步细分：一类是 “AI 模型开发者”，专注于大模型的训练、优化，掌握 Python 及相关机器学习框架；另一类是 “智能体开发者”，专注于用低代码等工具将 AI 模型落地为业务场景的智能体，需要同时理解 AI 能力与业务需求。对于智能体开发者而言，低代码是 “高效工具”—— 智能体作为创新项目，需要每月甚至每周迭代，低代码的快速开发能力能大幅降低迭代成本，而其 “牺牲极限性能、界面精细化” 的劣势，在创新场景中可被容忍（AI 本身的响应速度已成为瓶颈，低代码的性能差异影响较小；创新场景对界面的要求低于成熟产品）。

“数字化使用者” 的角色也将发生变化：用户需要学会与 AI 协作，通过准确描述需求、反馈结果偏差，帮助智能体持续优化。这要求用户以开放心态接纳 AI 的不确定性 —— 正如火车刚出现时，人们认为其 “不如马车灵活”，但最终火车重塑了交通格局。用户对 AI 的包容，将加速智能体的落地，而智能体的优化也将反哺用户体验，形成正向循环。

“数字化辅助人员” 则将涌现更多新职业：如 “AI 数据标注师”，负责整理、标注训练数据，提升 AI 模型的准确率；“AI 质量评测师”，负责测试智能体的输出结果，建立质量评估体系；“AI 运营师”，负责监控智能体的运行状态，及时处理异常情况。这些职业无需深厚的技术背景，但需要掌握 AI 的基础逻辑与业务场景知识，为就业市场提供了新的机会。

宁伟老师强调，AI 与低代码的融合并非 “让所有人都能开发”，而是 “让不同角色在分工中找到自身价值”—— 技术人员通过低代码与 AI 提升开发效率，业务人员通过智能体提升工作效率，辅助人员通过新职业参与数字化进程。这种分工细化带来的，不是边界的模糊，而是更高效的协作与更丰富的机会，最终推动企业数字化从 “工具应用” 走向 “价值创造”。

结语

在这场直播中，宁伟老师以深厚的行业经验与清晰的逻辑，为开发者与企业解答了低代码与 AI 智能体领域的核心疑问。从 “自然语言编程与低代码的融合” 到 “智能体与低代码的整合路径”，从 “质量评估的关口前移” 到 “企业选型的场景适配”，再到 “分工细化的未来展望”，每一个观点都基于实践经验，既有理论高度，又有落地指导意义。

对于企业而言，低代码与 AI 智能体不是 “选择题”，而是 “组合题”—— 通过低代码降低智能体的开发门槛，通过智能体释放 AI 的业务价值，两者的融合将成为企业数字化转型的 “加速器”。对于开发者而言，无论是专注于 AI 模型、智能体开发还是辅助支持，都需拥抱技术变化，在分工细化中提升专业能力，抓住数字化浪潮中的新机会。

未来，随着技术的持续迭代，低代码与 AI 智能体的融合将走向更深层次，但 “以业务价值为核心、以分工协作为基础” 的原则不会改变。正如宁伟老师所说，人工智能的意义在于 “科技平权”—— 让每一个角色都能通过技术提升价值，让企业的数字化转型真正落地到业务的每一个环节，这也是低代码与 AI 智能体发展的最终方向。

附：

《CBI 技术有聊》（CBI TALK）是 CBI 传媒针对 IT 技术开发者推出的在线深度技术分享视频栏目。这里是前沿 IT 技术的会客厅，也是开发者思维碰撞的实验室。栏目聚焦创新开发技术、开发者技术生态、研发未来趋势。我们以“有聊”的形式打破技术壁垒，用轻松但不失深度的对话，连接开发者、架构师、产品经理与技术爱好者，共同探讨 AI、开发语言、操作系统、云、大数据、基础架构等核心议题。无论你是深耕技术的实践者，还是渴望开拓视野的探索者，《CBI 技术有聊》都将带你走进技术背后的逻辑与故事，一起用分享与对话探索技术未来。