大模型辅助低代码工具智能生成与优化研究

低代码开发通过可视化拖拽和预置组件降低开发门槛，但仍面临配置语言或规则学习成本高、业务需求转化耗时易错、生成配置缺乏优化机制等挑战。大语言模型在自然语言理解和代码生成方面的能力，可弥补低代码工具在页面编排和性能调优上的短板，推动软件开发进入"智能+低代码"的新阶段[1]。

1 研究背景

1.1 大语言模型在代码生成中的应用

大语言模型通过海量文本和代码的自监督预训练，掌握了编程语言的语法结构、编码范式及底层逻辑，其代码生成能力已从片段补全发展到可生成完整函数和小型应用。业界用 HumanEval 等测试评估功能正确性，但还需考量执行时间、内存消耗等非功能性指标。对大模型生成代码的评估正从“可用”向“优质”转变，这与本文要求低代码页面 DSL 既要语法正确，又需结构合理、符合最佳实践的目标一致。

1.2 自然语言到结构化数据的转换

将用户输入的非结构化自然语言，精确转换为 JSON、XML 或数据库模式等结构化数据，是大模型商业化落地的重要应用方向之一。然而，模型可能会存在幻觉，在生成过程中捏造不符合事实、不符合逻辑或与用户意图相悖的信息。对低代码工具而言，其页面 DSL 对格式和值的要求极为严格，任何微小的幻觉都可能导致页面渲染失败或功能异常。因此，如何抑制幻觉、确保输出的精确性，是大模型技术能否在低代码场景中实用的关键。研究表明，通过多轮对话形式让大模型进行需求澄清和细节追问，是提高结构化数据准确性的有效途径。

2 大模型在低代码工具智能化演进中的作用

2.1 从可视化辅助到自然语言驱动的范式革新

大模型的核心价值在于将低代码开发从“拖拽-配置”升级为“对话-生成”模式，它能深度理解用户模糊的业务意图，用户无需记忆配置规则，可直接描述需求，例如生成一个包含筛选区、状态颜色标识的设备巡检列表页面。大模型对该需求进行解析，将其分解为UI 组件、数据模型、交互逻辑和视觉表现，生成精确的页面定义 DSL。这不仅是交互方式的革新，更是开发流程的重塑，将开发焦点从"如何做"转向"做什么"，推动软件开发民主化[2]。

2.2 开发效率与软件质量的双重增益

大模型与低代码工具的集成，在提升开发效能方面展现出巨大潜力。首先，在开发效率方面，大模型通过自动化生成、智能推荐和快速原型验证，显著压缩了从需求到交付的周期，这种效率的跃升，使得企业能够更敏捷地响应市场变化；其次，在软件质量方面，大模型有助于从源头上降低缺陷率。大模型在训练过程中学习了海量的优质代码和最佳实践，在页面生成过程中，能够主动识别潜在的逻辑错误、配置疏漏和安全漏洞，对于保障低代码工具产出应用的健壮性和安全性具有重要价值。

3 大模型辅助低代码智能生成系统设计与实现

3.1 总体架构

系统总体架构分为用户层、AI 引擎层、系统层，形成一个交互式、迭代优化的闭环流程。系统通过在关键节点与用户进行多轮交互和确认来逼近用户的真实意图，从而最大化提升理解用户意图的准确率[3]。

1）用户输入：用户通过自然语言描述期望的页面功能，例如“我需要一个用户信息管理页面，包含姓名、年龄、邮箱和入职日期的表单，姓名是必填的，邮箱需要进行格式校验，点击新增按钮弹出新建对话框，数据提交后刷新列表”。

2）需求解析与信息补全：大模型解析出核心实体和用户意图，识别出与低代码相关的核心元素，并基于低代码知识库推断和补全缺失信息。

3）交互式决策与效果预览： 针对补全后的信息主动发起澄清式提问，用户可以审核、修改或确认，将效果以预览方式呈现给用户。

4）DSL 生成与多维度校验： 用户确认后，生成低代码页面 DSL，并进行语法和语义校验。

5）智能修复与闭环反馈： 若校验失败，启动智能修复；若成功，则将最终 DSL 转换成低代码页面，并将此次成功的交互作为高质量数据存入反馈库，用于持续优化；若存在无法修复的错误将重新启动新一轮的反馈迭代。

图 1 总体架构

3.2 基于领域知识的需求解析

需求解析是将用户非结构化输入转化为机器可理解的半结构化意图表示。

● 实体与意图识别：识别关键实体。在上述例子中，实体包括：页面类型（用户信息管理页面）、UI 组件（表单）、数据字段（姓名、年龄、邮箱、入职日期）以及约束条件（姓名是必填项、邮箱需要进行格式校验）。

●领域知识库融合：仅靠通用大模型无法生成适配低代码工具的可运行页面，解析时需依赖低代码领域知识库，将用户需求描述映射为具体的低代码组件。

3.3 结合上下文的智能补全

融合RAG 机制解决通用大模型在专业领域语义映射的偏差问题，通过结构化知识约束生成方向，动态检索领域知识库智能实现属性补全。具体实现：

● 数据类型推断：字段名“入职日期”→自动补全"format"： "YYYY-MM-DD"；

● 交互逻辑注入：需联动的字段添加事件处理函数；

● 校验规则生成：必填字段自动添加 required 属性和错误提示。

3.4 交互式决策与效果预览

这是确保生成质量、避免幻觉的关键环节，系统不会直接生成最终 DSL，而是先通过交互确认用户意图并直观呈现结果。● 主动澄清与交互式决策：系统会识别智能补全的配置项，主动询问用户确认，如：“将'年龄'字段设为 0-120 岁是否合适？”或“默认添加了'编辑'和'删除'按钮，需要'查看详情'按钮吗？”，赋予用户决定权。

● 效果预览：在多轮交互确认后，系统通过低代码解析器将结构化DSL 实时转换为可视化 UI 效果，供用户预览验证是否满足需求。

图 4 效果预览

3.5 DSL 生成与多维度校验

用户确认需求后，大模型将结构化信息编译为低代码 DSL 数据，并进行三重校验：语法校验确保 DSL 结构合法；模式校验依据 Schema 和领域知识检查组件、属性及值的合法性；逻辑校验检测字段间依赖关系（如日期范围需 min/max 成对）。

司 经过校验，您的JSON配置存在以下几个问题需要修正。以下是详细的错误信息和修复建议：1.错误：字段名拼写错误·问题描述：·在fi1ter部分，邮箱字段的nane属性同样为emi1，也需更·修复建议：将所有eni1字段改为enail。2.错误：日期组件类型不匹配

3.6 智能修复与闭环反馈图 5DSL 校验

针对校验出现的问题进行智能修复，形成"生成-校验-修复-迭代"闭环：

● 根据校验错误（如缺失必填校验），从知识库检索相关修复方案进行局部修正。

● 修复后重新校验，失败则循环修复/测试；无法自动修复时触发交互反馈，提供错误详情及建议供用户决策。

● 用户的任何修改、校验发现的无法自动修复的错误都将触发交互式反馈机制，通过闭环迭代确保结果与意图一致。

图 6DSL 修复

4 总结

本文针对低代码开发中存在的效率和易用性瓶颈，提出了一种通过大模型辅助低代码工具智能生成与优化框架。通过融合 RAG、多轮交互、自动校验和智能修复的迭代流程，实现了从自然语言需求到高质量、可部署低代码页面 DSL 的端到端转换。研究表明，将先进的大模型技术与严格的软件工程校验相结合，是解决当前低代码开发挑战的有效路径[4]。

参考文献：

[1]李衍，陈永辉，钟瑛. 大模型与低代码赋能的企业 ERP 模拟经营教学平台建设[J].信息与电脑，2025，37（07）：15-19.

[2]于潇，孙立生，孙梦椰，等. 低代码开发平台对用户体验、个性化定制能力提升的创新研究[J].科技创新与应用，2025，15（09）：13-16.DOI：10.19981/j.CN23-1581/G3.2025.09.004.

[3]刘冬平，陈建爔，吕涵嫣. “低代码+AI”模式谱写金融科技产品用户体验管理新篇章[J].中国金融电脑，2024，（12）：51-54.

[4]姜元，乔奇超，陈杰浩，等. 基于生成式人工智能的工业软件自主创新路径探索[J].智能制造，2023，（06）：42-46.

者简介：胡迪新（1987-），男，汉族，天津人，本科学历，现任职研发负责人，专业研究方向：架构设计、人工智