在之前的文章中多次提到我們在開發(fā)一款低代碼平臺，主要面向 ToB 企業(yè)，幫助企業(yè)完善信息化建設(shè)，給企業(yè)的數(shù)字化轉(zhuǎn)型貢獻一份力量。

數(shù)字化轉(zhuǎn)型的目標(biāo)是降本增效，同樣，效率對我們來說也至關(guān)重要，主要體現(xiàn)在：售前能快速提供原型和客戶溝通、實施過程中能高效交付、售后遇到的各種問題能立馬找到答案。

最近，ChatGPT 持續(xù)火熱，每天在推上都能發(fā)現(xiàn)新的應(yīng)用，那么 ChatGPT 和我們的低代碼產(chǎn)品能結(jié)合嗎？或者說這種大語言模型的思路能給低代碼帶來怎樣的效率提升？

其實一些巨頭已經(jīng)這樣做了。

Salesforce 宣布推出新產(chǎn)品 EinsteinGPT，這是一種基于 LLM 技術(shù)的產(chǎn)品，它與 Salesforce 的主要網(wǎng)絡(luò)應(yīng)用程序集成，利用 OpenAI ChatGPT 模型來幫助跟蹤銷售人員聯(lián)系潛在客戶的頻率，并自動編寫營銷電子郵件，無需手動編寫電子郵件。

另一方面，微軟也宣布將 ChatGPT 技術(shù)擴展到 Power Platform 平臺上。Power Platform 是微軟的一款低代碼產(chǎn)品，在《最近看了兩本低代碼的書》中有介紹。這意味著 Power Platform 上的 Power 虛擬代理和 AI Builder，都已經(jīng)更新了 ChatGPT 編碼功能，使用戶可以在很少甚至不用編寫代碼的情況下，開發(fā)自己的應(yīng)用程序。

Salesforce 將其應(yīng)用在業(yè)務(wù)能力上，微軟則在平臺能力上進行了增強。對我們來說，售前和實施中需要的是能快速搭建應(yīng)用，售后需要快速解決問題，所以有兩個方向可以去做：

1、應(yīng)用搭建效率的提升。

2、構(gòu)建智能問答系統(tǒng)。

目前項目實施的步驟如下：

• 需求分析師和客戶溝通完后，整理出需求文檔。
• 需求分析師對搭建工程師和開發(fā)進行需求宣講。
• 可以通過配置實現(xiàn)的部分由搭建工程師進行搭建配置，其他部分由開發(fā)人員進行定制開發(fā)然后和平臺進行集成。

讓低代碼產(chǎn)品集成了 ChatGPT 的能力后，系統(tǒng)就會變成這樣：

• 系統(tǒng)具備理解自然語言的能力。
• 需求分析和客戶聊完形成的文檔本身就是自然語言描述的。
• 在系統(tǒng)中有聊天對話框和進行交互。
• 在對話框輸入需求描述，能夠識別關(guān)鍵信息，關(guān)鍵信息包括接口識別、參數(shù)提取。
• 調(diào)用平臺接口進行應(yīng)用的創(chuàng)建，或者局部功能調(diào)整。
• 就這樣聊著天把系統(tǒng)給做完了。

例如：在對話框中輸入，將當(dāng)前列表的項目名稱這一列寬度調(diào)整到 500 ，這時就需要能識別參數(shù)：項目名稱和寬度 500，而且知道需要調(diào)用調(diào)整列寬的接口。

現(xiàn)有的低代碼平臺在后臺做完各種配置后，點擊保存后，前端收集所有數(shù)據(jù)傳遞給接口，接口的顆粒度比較粗，一次性會存儲很多內(nèi)容，但上面例子中調(diào)整一個列的列寬設(shè)置就需要一個接口，這就需要接口的顆粒度非常細(xì)，所以，改造接口顆粒度是實現(xiàn)智能化的第一步。

上面說結(jié)合 ChatGPT 的能力，并不是直接對接 ChatGPT 的接口，所以說要實現(xiàn)還是相當(dāng)有難度的。不過一個新的技術(shù)興起到完全在 ToB 市場中普及，是有一個時間周期的，只要方向沒錯，完全有這個準(zhǔn)備的時間。

目前在項目實施過程中存在幾個問題，這也是為什么一個智能問題系統(tǒng)很重要的原因：

• 因為平臺功能多、非常靈活，以至于同樣的需求不同的人去實現(xiàn)，方法和途徑是不一樣的，工作量可能有好幾倍的差距；
• 實施過程中遇到的各種產(chǎn)品問題，需要找熟悉的同事詢問，或者咨詢產(chǎn)品團隊。

現(xiàn)在的方式就是通過文檔搜索，這些年也沉淀了非常多的文檔，比如：業(yè)務(wù)場景案例、操作手冊、實施常見問題手冊等，不過是基于關(guān)鍵字搜索的，用關(guān)鍵字搜索有幾個問題：

• 很多時候不知道怎么提取關(guān)鍵字。
• 搜索的結(jié)果非常多，不能精準(zhǔn)匹配，隨著文檔的增多，需要在大量的結(jié)果中去篩選。
• 針對某個業(yè)務(wù)場景去尋找搭建方案，匹配度非常差。

如果按照 ChatGPT 的思路，智能問答系統(tǒng)的邏輯就是這樣的：

• 所有沉淀的文檔（語料庫）生成向量數(shù)據(jù)存儲到向量數(shù)據(jù)庫。
• 輸入的自然語言生成向量，計算相似度，找到相關(guān)結(jié)果。
• 整理輸出。

針對這個問題，我在知識星球問過張善友大佬，下面的圖就是張善友提供的：

寶玉在推上也回答過類似的問題：

https://twitter-thread.com/t/1641656561650249730。

不過張善友和寶玉提供的參數(shù)都是依賴 OpenAI 的接口，如果不依賴 OpenAI，有辦法實現(xiàn)嗎？這需要進一步去學(xué)習(xí)和研究。

最近看到 Supabase 產(chǎn)品的文檔就提供了 AI 問答（https://supabase.com/docs），這個效果就是我想要達到的，總結(jié)下就是根據(jù)自然語言的輸入，給一個精準(zhǔn)的答案。

未來已經(jīng)到來，不管是產(chǎn)品還是個人，都需要持續(xù)不斷地學(xué)習(xí)和進化，才能不被淘汰。