大概半年前，我们的低代码平台接到一个很实在的痛点：业务人员配页面很快，但一遇到校验规则、字段显隐、数据联动这类“轻逻辑”就开始卡壳。他们要么找开发写自定义脚本，要么在平台上反复试错，耗时占整个搭建过程的60%以上。于是我们冒出一个想法：能不能让LLM来写这部分逻辑？

我们选了什么场景做试点

没有一开始就搞“自然语言生成整个页面”，那个范围太大，可控性差。我们把目标收窄到三个高频、低风险、格式相对固定的场景：

1. 表单字段校验 – 比如“手机号必须是11位数字”“金额不能大于库存”

2. 条件可见性 – 比如“选择了‘其他’选项时，显示备注输入框”

3. 简单数据联动 – 比如“省市区选择后自动拼接地址”

这三个场景有个共同点：输入是中文描述，输出是一段可执行的表达式或简单JS逻辑，且出错后不会让整个页面崩溃。

技术方案：从表单搭建到业务逻辑全覆盖

我们采用了一套覆盖开发全链路的集成方案，不仅涵盖业务逻辑的自动生成，也包括底层物料与流程配置。

首先是AI建表与字段推荐。 我们接入了主流大模型（DeepSeek、通义千问等），用户只需输入表单需求描述，AI就能自动生成结构完整、字段匹配精准的表单。在设计过程中，还可以追加字段描述，AI根据上下文推荐合适的字段类型及控件——比如输入“员工部门”，AI自动推荐下拉选择控件并关联现有部门列表。这背后是我们对各行业业务场景的深度拆解，将高频字段、关联字段和校验规则封装成了知识库，AI通过上下文感知精准推荐，既减少了决策成本，又保证了配置的专业性。

然后是条件分支与赋值逻辑。 我们用可视化配置来实现原本需要手写代码的复杂业务判定。在流程设计器中，可以直接为连线配置条件分支——比如配置质检流程，质检结果合格则进入入库节点，不合格则进入异常登记节点，系统自动按条件分流。规则集节点支持多条件组合（且/或逻辑），赋值节点可以对入参、全局变量进行条件赋值。更进一步，我们还接入了多元计算节点：内置SUM、MAX、MIN等常用数学函数，可以直接在左侧面板选择字段与函数拼装表达式，替代手动计算与代码编写。

为了承接这些生成的逻辑，我们提供了三层变量管理体系：公有变量支持用户自定义、全平台复用；系统变量（如当前用户ID、所属组织、表单ID等18种类型）内置可用，省去手动配置的繁琐步骤；系统函数提供数学运算能力，直接调用即可完成数值运算。逻辑跑通之前还能通过可视化流程设计器随时调整，真正实现了“流程即配置，变更即生效”。

实际效果：AI辅助生成，用户说了算

我们跑了将近两个月，覆盖了内部3个业务域的20多个低代码应用，记录了一些数据：

• 校验规则：生成一次通过率约75%。常见翻车点是“非空校验”写成!= null，但系统期望的是undefined判断。

• 条件可见性：通过率约68%。问题集中在条件嵌套描述上，比如“A隐藏或B显示且C等于1”，LLM容易把括号优先级搞错。

• 数据联动：通过率最低，约55%。因为联动涉及多个字段的顺序和触发时机，单靠一次生成很难完美。

但即便有这些翻车，用户的反馈反而很正向——因为我们的机制不是“AI直接写入配置”，而是生成一个建议面板：用户输入中文需求，点击生成，系统把生成的表达式展示出来，用户自己决定是否采用。这个设计非常关键：它把LLM定位成“智能助手”而不是“自动决策者”。用户能看到AI的思考结果，认可则一键应用，不认可则自己修改。用户的一句原话是：“它有时候给的不对，但至少给我了一个起点，不用对着空白的公式框发呆了。”

那些踩过的坑，和绕过坑的方法

坑一：业务术语理解偏差。 LLM对行业术语的理解有时会出现偏差——比如“部门负责人”直接译成department == '负责人'，实际上应该匹配的是人员ID而非字符串。我们的解法：在提示词中明确列出平台内置的字段类型和表达式规范，限制输出只能引用已有字段白名单。此外，我们在AI模型配置模块中预留了灵活接入能力，可以根据业务场景绑定不同的模型进行针对性优化。

坑二：上下文长度限制。 当用户描述的条件涉及5个以上字段时，LLM常常漏掉某一条。我们把长条件拆成几个独立的规则分别生成，然后通过规则集节点用“且/或”逻辑组合起来，每个子规则独立校验，最后整体拼接。

坑三：用户过度依赖AI。 有个用户给了一条“复杂逻辑场景”让它生成，期待一次到位。我们后来加了一个小设计：生成完成后展示一段简单的表达式解读，让用户确认逻辑是否符合预期，理解了再应用。

要不要落地？给后来者的三个建议

如果你正在考虑在低代码平台上引入AI生成业务逻辑的功能，我的建议是：

1. 从小切口开始，不要追求“一句话搞定整个页面” 。校验和显隐已经足够有价值，数据联动稍微复杂一些，可以考虑放在第二阶段；

2. 永远给用户保留确认权和修改权 。AI做助手，人类做决策，这是当前阶段最稳妥的组合；

3. 底层物料和变量体系要扎实 。没有完善的变量管理和表达式引擎支撑，AI生成出来的逻辑也无处安放；

4. 别忘了沉淀知识库。把不同业务场景的高频字段、关联规则封装起来，会显著提升AI推荐的准确率。

AI+低代码不是银弹，但它确实可以让用户把精力从“怎么写表达式”转移到“逻辑对不对”上来——这个转变，本身就值不少了。