专题演讲嘉宾：姜天意

大模型技术出现后，很多人更关注大模型如何落地，同时大模型是否会代替低代码以及传统的软件研发体系也一直处于激烈的争论中。作为国内较早大规模使用大模型能力并落地产品的技术团队，本次演讲会从低代码产品本身的痛点出发，剖析大模型的机会点以及落地的难点，并从 AI 友好的语言设计出发，结合大模型的 agent 能力，介绍低代码融合自然语言生成、辅助编程、D2C 等 AI 能力的产品设计和实现方案，以及对应的模型训练方案。

演讲提纲：

1. 背景：为什么 AIGC跟低代码是天作之合

• 低代码行业的发展和产品痛点分析
• 业内对 AI +低代码的探索介绍
• 为什么 AI 辅助编程难以代替低代码

2. 低代码结合 AIGC 的基座：基础语言设计

• 为什么 AI 友好需要崭新的语言设施支持
• 自研语言 NASL 的设计和实现

3. 如何实现低代码产品的 AI 加持

• 自然语言生成代码技术的实现
• 如何解决 GPT 的私有化部署问题，选择和训练自己的私有化模型
• Agent 架构的原理和实现
• RAG 能力对资产管理和代码生成的提升
• 低代码编程助手的产品思路和实现细节
• D2C 技术的进化：多模态模型的引入和技术实现

4. 总结与展望

• 总结：低代码落地 AIGC 技术的核心：实现 AI 原生
• 展望未来

听众收益：

• 大模型 AIGC 落地的应用实践
• 如何设计一门 AI 友好的编程语言
• 如何针对性训练自己的低代码代码生成模型

内容亮点：

AI 跟低代码结合，不是生硬的用 AI 生成代码或传统的 json schema，而是先将低代码变成“AI 友好”，通过自研 NASL 语言抽象低代码中的业务成本，有效降低 AI 训练成本，提升 AI 生成质量，从而更好的落地大模型 +AIGC 能力

方案痛点：

• AI 私有化成本较高，需要较好的硬件支持，同时开源模型良莠不齐，选型困难
• 用户持续使用低代码 +ai 能力后，如何根据他们沉淀的物料，增强已有的模型能力，目前没有低成本的再训练方案