写在前面

越来越多的低代码 AI 应用开发平台让企业中的业务部门能够直接将自己的创意快速转化为 AI 应用。这极大地推动了企业内部的 AI 应用创新，并验证了许多创意是有价值且可行的，能够真正应用到业务场景中。然而，当企业希望将这些经过 PoC（概念验证）的 AI 应用从小范围测试推广到更多用户在实际业务场景中大量使用时，会面临业务创新以外的一系列挑战，比如控制成本、高准确性、高响应速度等等。因此很多企业发现，PoC 过后还有一段路要走才能让 AI 应用达到持续可靠工作的状态。UniverAI 认为，为了让 AI 应用达到持续可靠工作的状态，由专业开发者对 PoC 阶段完成的 AI 应用进行工程化改造、代码逻辑优化是必不可少的。因此，我们专门设计了全代码开发智能体的方式，让专业开发者以最高效的形式工作。

AI 应用 PoC 过后的常见挑战

1. 要求 AI 输出结果准确又稳定在 PoC 阶段，AI 应用通常只需要满足较小范围的需求，输出的结果也并非完全面向最终用户。但企业内进行推广时，AI 应用需要应对更复杂的业务场景，必须保证输出结果的一致性、准确性和可靠性。结果的不准确可能直接导致业务风险或用户体验的严重问题。因此，必须优化业务逻辑，确保 AI 在高负载、多样化输入条件下仍能保持稳定的输出表现。

2. 要求控制大模型费用在 PoC 阶段，模型的调用频率较低，Token 的消耗量有限，因此费用相对可以接受。然而，当 AI 应用推广到更大范围时，调用大模型的频率会显著增加，导致 Token 消耗成本快速上升。尤其是在需要处理大量复杂任务或高并发请求时，费用可能远超预算。因此，需要通过优化调用逻辑、减少不必要的模型调用，以降低 AI 应用的整体成本。

3. 要求提升响应速度 PoC 阶段的 AI 应用通常只需满足有限用户的基本功能需求，响应速度可能不是优先考虑的因素。但在企业中全面推广时会面对高并发场景，响应速度成为关键指标。如果 AI 应用响应过慢，不仅会严重影响用户体验，还可能导致业务流失。因此，需要对 AI 应用的工作流进行深度优化，包括模型推理逻辑、缓存策略以及智能体内部架构的升级，以确保在高负载情况下仍能提供快速响应。以上提到的这些措施都是需要专业开发者来完成，这就是为什么我们认为专业开发者是企业落地 AI 应用过程中必不可少的角色

低代码工具的局限性

智宇苍穹科技 UniverAI 团队在为客户落地 AI 应用的过程中发现，在应对 PoC 后的一系列挑战时，专业开发者往往需要采取针对性的改造和调整，而低代码平台在实现以下任务时存在局限：

1. 优化业务逻辑专业开发者需要深度设计和优化 AI 的核心逻辑，确保其在高负载、多样化输入条件下仍能保持稳定的输出表现，而低代码工具对复杂逻辑的支持较为有限。

2. 降低成本专业开发者需要优化模型调用逻辑，减少不必要的调用，甚至设计更高效的 Token 使用策略，以显著降低 AI 应用的整体运行成本，而低代码平台通常无法灵活调整底层调用机制。

3. 提升响应速度在高并发场景中，专业开发者需要对 AI 应用的工作流进行深度优化，包括改进模型推理逻辑、引入缓存策略、优化智能体内部架构等，以确保快速响应。低代码平台在应对这些复杂的性能优化任务时能力受限。

主流低代码托拉拽平台失败案例：

使用低代码方式成功完成了 PoC，但是大规模推广时遇到了挑战需求场景：

某企业的销售团队希望构建一个智能体，通过自然语言快速查找到与客户情况高度匹配的成功案例，以便在客户交流中增强信心、打消疑虑。PoC 背景介绍：团队首先采用零代码的方法快速搭建了一个智能体原型。具体方法是整理好所有案例的标签体系，并通过提示词引导大模型判断每个案例与销售输入条件的匹配程度，最终输出最符合条件的案例。这种方式不仅简单高效，还得到了业务团队的认可，满足了用自然语言查找案例的基本需求。

大规模推广时问题暴露：

然而，当准备将这一智能体推广到全公司大规模使用时，问题逐渐显现：

1. 稳定性不足：原型在小范围测试中表现良好，但在生产环境中无法保证结果的一致性和可靠性。

2. 精准度不够：面对更复杂的输入条件时，匹配结果的准确性大幅下降。

3. 性能瓶颈：在高并发请求场景下，响应速度明显变慢，难以满足用户需求。

4. 消耗大量 Token，预算超标：由于原型依赖大模型进行全量推理，随着使用规模扩大，调用大模型的 Token 消耗急剧增加，导致预算迅速超出可控范围。

全代码开发的重要性

为了解决上述问题，需要由专业开发者对智能体进行深度优化，包括：

• 优化 Token 使用策略：减少不必要的模型调用，设计更高效的提示词和推理逻辑，显著降低 Token 消耗。

• 深度定制业务逻辑：设计复杂的工作流，确保智能体的响应更加精准和稳定。

• 提升系统性能：优化代码和算法，降低高并发场景下的响应延迟。

• 实现业务集成：将智能体与企业内部系统深度整合，确保其适应复杂业务场景。以上这些事项都是专业开发者写代码实现的，这也是他们所习惯的最高效的专业方式。

这个案例充分说明了，尽管低代码平台适合快速验证创意，专业开发者仍需借助全代码开发能力，完成复杂的性能优化与深度定制，确保 AI 应用的稳定性、成本效益和高性能表现。

智宇苍穹科技 UniverAI 的解决方案——全代码 AI 开发

针对上述问题，智宇苍穹科技 UniverAI 设计了一种全代码智能体开发方式。通过这一方式，专业开发者能够针对复杂的业务需求进行深度定制，灵活、高效地完成 AI 系统开发。核心优势包括：

1. 支持复杂业务逻辑：开发者可以根据具体需求设计复杂的 AI 工作流，满足多样化场景的需求。

2. 灵活的开发选项：提供丰富的开发工具和接口，支持企业对 AI 功能的深度定制。

3. 更高的协作效率：专业开发者可以专注于核心技术开发，而业务人员则通过零代码方式参与配置，双方各司其职，高效协作。

UniverAI 平台全代码智能体开发流程

智宇苍穹科技 UniverAI 平台已经实现了对话管理等通用工程化功能，开发者无需额外处理这些部分，只需开发实现核心业务逻辑

开发流程高效且清晰，主要分为以下四步：

1. 创建智能体项目：在平台内新建一个智能体类型的项目

2. 下载代码脚手架：平台提供了标准的开发框架，开发者可以选择直接使用代码脚手架，也可以根据平台接口协议自行实现逻辑。脚手架中已包含基础的工程配置，帮助开发者快速上手。

3. 本地开发智能体逻辑：下载代码脚手架后，开发者可以在任意开发环境中专注于实现核心业务逻辑。例如：

• 平台已经约定好接口的输入参数和返回结构，输入参数包括用户输入的对话内容、上下文信息和知识库等数据。

• 根据业务需求，开发者只需实现逻辑，返回所需的答案即可。

• 将开发好的服务以 Web 服务的形式进行部署。

4. 注册并发布智能体

• 在平台上选择“新建自定义类型”智能体，将开发好的服务注册到平台。

• 输入服务的注册接口地址，并根据实际情况设置请求头中的参数。

• 设置完成后发布服务，发布后即可在智能体详情页面中查看对话服务的 API 详细信息。

至此，开发者可以调用具有完整对话功能的 API，轻松集成到任何数字化系统中，为用户提供交互界面。

如果通过 UniverAI 全代码开发模块进行专业的 AI 开发？

全代码开发流程速览：https://bcn2qkzdygmm.feishu.cn/wiki/VeAbwUV7ziEx9vktbSOcQA2RnGB

全代码开发者指南：https://bcn2qkzdygmm.feishu.cn/wiki/RTBvwIpQ8iIW2qkR9OacYDgGnYq

智宇苍穹科技官网：www.univerai.cn