欧美成人精品手机在线观看_69视频国产_动漫精品第一页_日韩中文字幕网 - 日本欧美一区二区

文 / 招商銀行信息技術部副總經理? 陳曦

招商銀行信息技術部? 楊勉  任軻  王玖華

招商銀行在低代碼領域的實踐與建設，主要經歷了三個階段。

1.早期探索

招商銀行在早期的諸多業務系統建設中，就已體現了“可視化”“組件化”等設計思想。通過各領域組件的沉淀及復用，有效提升了業務系統的開發效率。此做法可視為招商銀行在低代碼領域的早期實踐。

2.企業級低代碼開發平臺建設

自2019年起，招商銀行啟動了企業級低代碼開發平臺（以下簡稱低代碼平臺）的建設工作。經過5年發展，低代碼平臺已成長為組織級的基礎開發平臺之一，上線應用數過萬。低代碼平臺同時支持零代碼開發與低代碼開發兩種模式，滿足業務與IT用戶不同層次的需求。當前，業務用戶占比達50%以上。

3.低代碼和大模型融合

2023年，招商銀行開始探索低代碼與大模型的融合，利用大模型的新特性為低代碼平臺在開發輔助、應用生成、運營問答、交互體驗等方面帶來顯著提升。

在尋找低代碼與大模型的融合點上，我們從以下兩個方向相向而行。

從低代碼開發的全旅程去分析：在需求分析、數據表設計、界面設計、流程編排、測試上線這些環節上，有大量節點可借助大模型降低開發門檻和簡化流程。

從大模型的典型應用模式去分析：智能問答、知識檢索、文本生成、總結摘要等大模型典型應用模式，能夠為開發帶來效率和質量的提升。

當對這兩條路徑進行矩陣式交叉分析后，一系列可供探索的場景便隨之呈現出來。通過對這些場景的價值與優先級進行排序，我們確定了以下重點場景并付諸實踐。

我們依據以上思路，將重點聚焦在“低開Copilot”“低開應用生成”“低開運營”這三大場景之中（如圖1所示）。

圖1? 三大場景實踐

1.低開Copilot

（1）前端開發Copilot：JS和CSS生成。低代碼平臺通常提供了默認操作和樣式，若要改動默認操作或樣式，則需要開發者具有一定JS和CSS技能。

在實踐中我們發現，低代碼平臺的一類典型用戶為后端開發者，他們往往對JS語法不熟練，不會使用CSS的情況也很普遍。

因此，在前端頁面的開發中利用Prompt生成JS和CSS代碼，能夠極大簡化定制過程。該功能上線一周便迅速躍居平臺所有功能使用量前三，有效提高了應用開發效率。

（2）后端開發Copilot：數據表創建和業務編排生成。低代碼平臺能生成低代碼應用的核心是DSL。DSL是抽象描述業務功能邏輯和交互規則的一種領域語言。數據表和業務編排都是通過DSL進行描述的。

大模型加入后，后端數據表的創建過程由原來的“界面交互生成DSL”轉變為“通過自然語言描述生成DSL”：即通過自然語言描述其包含的字段，大模型提取出這些字段生成建表的DSL。業務編排也是類似的，通過自然語言描述編排流程，大模型提取到流程的各種節點，生成業務編排的DSL。

上述工作的關鍵在于生成有效的DSL。由于DSL是低代碼的私域知識，不在基礎模型的知識范圍內。而低代碼平臺配套的用戶手冊里僅能描述其規則，而無法窮盡其組合。所以讓大模型生成隨場景變化的DSL具有一定難度。

在解決這個難點上，我們在Prompt中傳入了從私域知識庫中召回的與問題相關度最高的知識樣本，利用Few-shot learning方法讓大模型能夠基于給定的知識樣本生成內容。這在部分場景上可以生成符合標準的DSL。

上述方案也有一定局限性，例如有每次要帶入上下文、Token傳入過長、無法記憶的限制等。下一階段我們計劃通過微調來解決這些問題，進一步提升在DSL生成方面的準確度。

2.低代碼應用生成

當建立了前文所述的一系列“點”上的智能能力，我們再加入工作流將這些單點進行串聯，進而形成“端到端的解決方案”。

低代碼應用開發的一個大類需求來自于“原手工臺賬工作的線上化及系統化”。在這類場景中，大量需手工整理的數據以“Excel表”或“紙質圖表”的形式存在。為了提高這類需求的開發效率，我們推出了端到端的應用生成“Excel生成應用”和“圖片生成應用”（如圖2所示）。

圖2? 智能應用生成

“Excel生成應用”，用戶僅需上傳本地Excel數據表，即可構建出具備全套CRUD功能的應用，并生成表單和表格兩種交互視圖。“圖片生成應用”相較于Excel生成更進一步，能夠先識別紙上的圖片，提取關鍵表格要素，進而生成應用。

端到端生成應用的要解決兩個難點：難點一是能夠有效識別Excel或圖片中的實體，并判斷實體對應字段類型。若僅采用大模型，判斷準確率并不滿足工程要求；我們實踐中把大模型和傳統工程數據字典相結合，準確率提升到95%以上；難點二是要實現實體到數據表、頁面組件及方法的正確綁定。為了提高綁定的準確性，我們建立一系列應用模板，并由模板引擎去選擇合適的模板來生成應用。通過模板固化資源綁定，最終實現應用的準確渲染。

端到端應用構建的功能上線后，開發一個完整應用的時長從小時級壓縮至分鐘級。我們后續還會陸續推出“多輪對話創建應用”“需求文檔創建應用”等端到端解決方案。

3.低代碼運營

低代碼平臺的主知識庫主要由產品文檔和幫助文檔構成。隨著運營的推進，逐漸積累了豐富的問答QA、解決方案、匯報材料等文檔。然而，運營人員常常存在知識盲區，在處理較為復雜的問題時，提供的解決方案有時質量欠佳。

而大模型RAG技術可有效解決上述問題。例如，當用戶向運營同事咨詢應用中的SQL異常應如何解決時，由于運營同事并非SQL方面的專家，所以較難快速準確地定位SQL異常問題的原因。基于RAG的低開運營小助手投產后，其不僅能夠為用戶指出SQL中存在的問題，還可以直接給出優化后的SQL供用戶復制使用。

目前，利用大模型運營的應答準確率已達到75%左右。

1.數據飛輪

招商銀行的低代碼平臺歷經幾年發展，當前上線應用數量過萬，涉及的DSL片段超過百萬，沉淀了大量的低開資產。項目組利用規模龐大且具有私域特性的數據，持續對大模型微調，來提升大模型的表現。

為提高私域數據清洗、標注的效率和質量，我們采用“AI自動標注+人工復檢”的方案。利用規則引擎工具，低代碼平臺基于大模型構建了AI自動標注機器人，通過定時任務和跑批的模式對語料進行標注。然后，將這些標注后的語料以任務形式下發給數據標注人員，采用“作業即標注”的方式對自動標注的語料進行校正。校正后的數據用作大模型微調的語料進一步提升模型的表現，實現了數據自動化的閉環。

2.約束大模型的幻覺

在大模型應用過程中生成的DSL片段，少則幾百個字符，多則上萬字符，極易產生“一本正經胡說八道”。如何確保大模型輸出內容的穩定有質量，約束大模型的幻覺，是低代碼平臺所面臨的技術難題。

項目組對DSL片段進行數據分析后發現，同類場景下生成的DSL其主體內容變化有限。例如最為常見的“查詢表單”和“帶CRUD的表格”所對應的DSL片段80%是不變的。基于此，我們對變化部分的DSL進行場景化的分類，構建了其場景化的生成邏輯，限制大模型生成DSL內容變化的范圍。同時生成時采用了反思、思維鏈等模式以提高準確率。通過以上技術改造，顯著降低了大模型產生幻覺的概率，使得生成的DSL片段能夠被平臺所使用。

當前，招商銀行在低代碼與大模型的實踐方面，已取得初步的成果。基于AI能力，如何不斷升級低代碼平臺并助力數字招行的建設，依然任重道遠。未來，我們將進一步拓展大模型在低代碼領域應用的邊界，通過模型的不斷微調構建更精準的DSL，并挖掘更多的端到端場景。同時，在多模態方面深入探索，借助文本、圖像、語音等多種交互方式，打造更為卓越的用戶體驗。

（此文刊發于《金融電子化》2024年9月下半月刊）