过去十年,低代码卖的是一个“快”字。省掉 CRUD,省掉联调,省掉给每个列表页重写一遍分页逻辑。这套叙事能成立,前提是写代码有固定成本。

       AI 把这个前提拆掉了。

       让模型生成一个登录页、一组表单、一套增删改查接口,成本已经趋近于零。于是所有以“控件多、拖拽快、开箱即用”为核心卖点的平台,都要面对同一个问题:你省下来的那部分工作,别人也免费了。

       我的判断是,低代码不会消失,但价值重心会发生一次硬迁移:从“把页面拼出来”,迁移到“把业务规则编译成一套可调度、可回滚、可验收的智能体流程”。前者是界面工程,后者是语义工程。前者在贬值,后者刚开始涨价。


一、先泼一盆冷水:多数“多智能体”,只是把 Prompt 串成了流程图

       先看两组数字。

       Gartner 在 2025 年 8 月 26 日的新闻稿里给过一个预测:到 2026 年底,40% 的企业应用会集成任务型 AI 智能体,而 2025 年这个比例还不到 5%。同一份材料里还有一个更激进的判断:到 2035 年,智能体可能驱动约 30% 的企业应用软件收入,规模超过 4500 亿美元。

       但另一组数字更值得看。Gartner 2026 年的 CIO 与技术高管调研显示,真正部署了 AI 智能体的组织只有 17%,而超过 60% 计划在两年内上;同时 Gartner 预计,到 2027 年底,超过 40% 的智能体项目会被取消,原因集中在成本失控、价值说不清、风险控制不足。

       三个数字连起来读,结论很不客气:需求是真的,交付是假的。

       我见过太多这样的演示:三个 Agent,一个查订单,一个查库存,一个写回复,在画布上连成一条线,跑通一条预设问题,就对外说“多智能体协作”。一上生产立刻散架——用户第二句话换了意图,链路还停在上一个节点里打转;工具返回的字段改了个名,下游节点直接空转;某个节点被一句“忽略前面的指令”带走,顺手把整条链路的权限都交了出去。

       这不叫多智能体,这叫把 Prompt 拼成了一条 if-else。区别在于,if-else 出错你能定位到某一行,Prompt 链路出错你只能整条重跑。

       Gartner 给过一个不太好听的词:agentwashing。上面那份新闻稿写得很直白——把 AI 助手叫成 Agent,是当前最普遍的误解。助手是被动应答的,Agent 是要对结果负责的。分界线不在有没有对话框,而在它能不能自己决定下一步,并且为这个决定承担后果。


二、三次价值迁移:从“页面数”到“任务完成率”

       低代码这个市场还在涨,只是涨的方式变了。

       IDC《中国低代码与零代码软件市场追踪》显示,2025 年上半年中国低代码与零代码软件市场规模为 21.1 亿元,同比增长 21.4%;IDC 预计到 2029 年将达 129.8 亿元,五年复合增长率 26.4%。增速不低,但增量来源已经换了:不再来自“多搭几个审批单”,而是来自“能不能接住那些原本必须写代码才能做的复杂业务”。

       把低代码这十年拆开看,其实走过三段,每一段的计量单位都不一样。

阶段

主要交付物

核心竞争力

计量单位

典型失效信号

1.0 表单驱动

表单、列表、权限

控件覆盖度、页面搭建效率

页面数 / 人天

系统上线了,业务还是回到 Excel

2.0 流程驱动

审批流、集成、报表

流程引擎、系统对接、组织权限

流程数 / 上线周期

流程能跑,但改一次规则就要排一次开发

3.0 智能体驱动

可编排的 Agent 链路

意图路由、上下文治理、工具边界

任务完成率 / 单任务成本

Demo 很惊艳,上线后没人敢放开权限

       这张表里最要命的是最后一列。1.0 的失败是“不好用”,2.0 的失败是“改不动”,3.0 的失败是“不敢用”。前两个还能靠迭代解决,第三个是治理问题——它要求平台在给出能力的同时,给出约束。

       计量单位从“页面数”变成“任务完成率”,连带的是三件事一起变:验收标准要重写,团队分工要重排,采购逻辑也要换。以前买低代码看的是“能省几个开发”,现在得看“一个任务从触发到闭环,中间经过几个节点、每个节点错了谁负责”。


三、多智能体的技术分水岭:路由、上下文、可观测

       真正做过多智能体落地的人,最后都会撞上同一堵墙:把节点连起来是最简单的一步,难的是连起来之后,状态归谁管。

       这一层没有玄学,只有四个具体的工程问题。

路由不是 if-else,是带优先级的意图分发

       路由的本质是分类,而开放域的分类永远有长尾。所以成熟做法一定是双层结构:模型负责泛化,硬规则负责兜底。

       以 JNPF V7.1 的多智能体设计为例,画布上的开始节点只做一件事——根据用户问题把对话分发给合适的 Agent。除了节点级的场景路由,它还留了一个“全局跳转条件节点”:预设高频问题,命中就立即跳转,优先级高于节点场景路由,最多可配 5 个。

       这个“最多 5 个”的上限本身是个信号。硬规则只适合覆盖头部问题,配多了会互相打架,维护成本比模型还高;长尾还是得交回模型。工程上真正该做的事,是把 Top 20 的高频问法穷举出来,做成确定性跳转,先把路由的方差压下去,剩下的再交给概率模型。

       顺带说一句:把最贵的模型放在路由上,是我见过最常见的浪费。路由需要的是稳定、短输出、低延迟,不是文采。

上下文的所有权,比 Prompt 写得好不好重要得多

       多智能体最容易出错的地方,不是某个节点答得不好,而是交接的时候带错了东西。

       业务形态其实分两类,处理方式必须相反。连贯多轮的场景,比如积分查询,用户会追着问“那上个月的呢”,这时候新消息应该送回上次回复的那个节点,保持上下文连续。功能独立的场景,比如售后客服,用户问完退货又去问发票,这时候每次都该从开始节点重新分发,否则上一个工单的情绪和结论会污染下一个问题。

       JNPF V7.1 把这两类做成了可选项,另外还开放了两个参数:切换节点的判断时机是在用户输入后还是模型回复后,以及参考上下文的轮数。这几个开关看着不起眼,实际上是把“上下文”当成一种需要分配和回收的资源,而不是当成一段不断往后拼的字符串。

       我倾向于把这条当成硬指标:一个多智能体系统如果不支持“显式定义节点间传什么、丢什么”,它就不具备上生产的资格。因为上下文一旦无节制地继承,出问题时你连是哪个节点带进来的脏数据都查不出来。

       工程上可以把它落成一个很朴素的约定:节点交接时只传意图、已确认事实、未决问题、权限令牌这四类字段,原始对话留在上游。下游拿到的是结论,不是叙事。叙事里全是情绪和冗余,结论才能被判定。

路由模型和对话模型必须解耦

       很多平台把这两件事塞进同一个模型里,看起来省事,调起来是灾难。

       路由要的是低温度、短输出、分类准确率;对话要的是表达自然、信息完整、语气合适。混在一个模型里,你把温度调高让回答更像人,路由就开始乱跳;把温度压死让路由稳定,回答又变得像模板。

       V7.1 单独加了“切换节点模型”,只负责节点跳转判断,和对话模型分开调。这个改动技术上不复杂,但它承认了一个事实:在一个多智能体系统里,路由调用和生成调用是两种完全不同的负载,成本结构、评测方法、调优目标都不一样。

维度

单 Agent

多 Agent

上下文

一个窗口,越长越糊

必须定义交接包:带什么、丢什么

失败模式

答错、幻觉

答错、路由错、死循环、越权

调试方式

回看一段对话

逐节点回放、看链路日志

成本结构

近似线性

路由本身也是 Token 开销

权限边界

一套工具集

每个节点最小权限,否则一个点失守就是全链路失守

       最后一行最容易被忽略。单 Agent 被诱导,损失是一个工具集;多 Agent 里某个节点权限过宽,攻击面会顺着链路放大。这也是为什么“多智能体”从来不只是 AI 中心的事,它必须和权限体系长在一起。

没有可观测性,就没有上线资格

       Agent 上线后的故障,多数不是模型崩了,而是某个节点拿不到参数、工具返回格式变了、知识库召回了过期文档、条件节点判了个意料之外的分支。这些问题在对话框里看不出来,只能靠链路日志。

       所以我看一个平台的数据流能力,不看画布画得漂不漂亮,只看三件事:每个节点的入参出参能不能看到、失败节点能不能直接定位到异常信息、整条链路能不能按一次执行回放。可视化只是表皮,可回放才是里子。

       JNPF 这次把数据流的执行日志和失败节点异常直接挂在画布上,方向是对的:智能体的可观测性,最终要落到“一次执行”这个粒度,而不是停在“一张漂亮的流程图”。流程图证明设计过,执行日志才能证明跑通过。


四、平台选型:别看功能清单,看四个可验收支点

       低代码平台现在分成几条路线,各自的边界其实很清楚。把功能清单拉平了比没有意义,不如看它把 AI 挂在哪一层。

平台 / 路线

技术定位

典型适用

失效信号

Microsoft Power Platform(含 Copilot Studio)

与 M365、Azure、Dataverse 深度绑定,Agent 走 Copilot 体系

已经在用微软云与 Teams 的组织

脱离这套生态,集成成本陡增

Salesforce(Agentforce)

Agent 绑在 CRM 业务对象上,吃的是数据模型红利

销售、服务流程本来就跑在 Salesforce 里

非 CRM 场景,数据得先搬一遍

ServiceNow

ITSM 与工单体系的流程自动化叠加 AI

大型企业的 IT 服务管理

离开工单场景,优势明显减弱

OutSystems / Mendix

面向专业开发者的模型驱动,强调深度定制

需要私有化、深度改造的大型项目

学习曲线与许可成本

Appian

流程自动化、案例管理与低代码结合

金融、政务等强合规流程

轻量部门级应用,偏重

金蝶苍穹 / 用友 YonBuilder

财务与 ERP 领域模型 + 低代码

已有对应 ERP 底座的集团企业

脱离自家 ERP,领域优势不成立

JNPF

私有化部署的一站式低代码,V7.1 把 Agent 编排做成画布节点

中小团队、私有化交付、要把 Agent 挂到自有业务表和流程上

需要超大规模弹性算力或全球节点时,不是它的战场

       表格里我特意留了一列“失效信号”,因为选型最怕的不是能力不足,而是能力错配。一个平台在它擅长的场景里很好用,换个场景就全是坑,这跟产品好坏无关,跟边界有关。

       具体到 Agent 能力,我建议只问四个问题,每个都要能拿到可验证的证据:

验收支点

及格线

该怎么追问

可编排

节点之间传的是结构化状态,不是纯文本

让厂商演示一次“上游返回字段改名”,看下游会不会静默失败

可观测

能按单次执行回放每个节点的入参出参

要求现场定位一个失败节点,而不是给你看成功案例

可回滚

改错一个节点的规则,能只回滚这个节点

问清楚版本粒度和发布机制,别接受“整体重新部署”

可计量

单任务的 Token 与工具调用成本能按业务线拆账

要一张按场景拆的成本表,不要一个总数

       这四条过不了,功能再多也只是 Demo 能力。尤其是第三条,很多平台根本没有节点级版本管理,一次改动只能整包回滚,这在 Agent 场景里几乎不可用——因为 Agent 的规则是会被业务方频繁改的。

       还有一条不该被忽略:Agent 要读业务数据,数据出不出内网就是第一道筛子。JNPF 这类支持私有化部署的平台,价值不在功能清单长,而在于它能把模型调用、知识库、业务表放在同一个可控边界里。反过来,纯 SaaS 方案在数据敏感行业往往先卡在合规,而不是卡在技术。


五、程序员的新内卷:从“写实现”到“写约束”

       绕不开的一个问题是:AI 都来了,程序员要不要重新内卷?

       要,但卷的东西完全变了。

       过去十年的核心竞争力,是把一句模糊的需求翻译成可运行的代码。这段翻译能力曾经很值钱,因为它的输入不规范、输出要求精确、中间还要处理一堆边界。而现在,这段翻译恰好是模型最擅长的部分。

       正在升值的是另外三件事。

       第一是业务语义拆解。把“售后处理”这四个字拆成可判定的状态、可枚举的意图、明确的转移条件,这件事模型替不了你,因为它需要从业者脑子里的隐性规则。多智能体系统的质量,很大程度上取决于这一步拆得准不准,而不是 Prompt 写得多漂亮。

       第二是评测与验收。任务完成率、路由准确率、越权率、平均轮次,这些指标要先定义,才有优化空间。没有评测集的 Agent 项目,等于没有测试的代码,上线只能靠运气。我甚至认为,未来两年里,“能写出一套靠谱的 Agent 评测集”会比“会调 Prompt”更稀缺。

       第三是治理。最小权限、数据边界、审计留痕、失败回滚。Agent 能调用多少工具,决定了它一旦跑偏能造成多大破坏。这件事天然属于工程师,不属于模型。

       所以“内卷”这个说法其实不太准确。更真实的描述是上游化:实现层的价值被压缩,定义层和治理层的价值被抬高。写代码的人不会集体失业,但“只会把需求翻译成代码”的岗位会明显贬值,因为那正好是模型最便宜的部分。

       团队分工也会跟着变。以前一个项目是产品、开发、测试三段式;Agent 项目更像三角:业务专家定规则,工程师定边界,运营定评测。缺任何一角,项目都会在验收阶段卡死。Gartner 给那 40% 项目列的原因是成本失控、价值说不清、风控不足,翻译成组织语言,多半就是这个三角没搭起来。


六、给正在做 Agent 项目的五条反常识建议

       第一,先把单 Agent 做透,再谈多 Agent。 单个 Agent 都答不准、工具都调不对,上多 Agent 只是把错误分发得更快,还多了一层排查成本。多智能体解决的是“角色和职责不同”的问题,不是“一个不够用就上三个”的问题。

       第二,路由规则先写死,再让模型接管。 把高频问法做成确定性跳转,能砍掉相当一部分路由抖动。模型负责长尾,硬规则负责头部,顺序别反。

       第三,每个 Agent 节点只给最小工具集。 一个负责查积分的节点,不需要有退款权限。权限设计要先于功能开发,而不是等出事了再补。

       第四,上线前准备一百条刁钻问题。 不是测它能不能答对,是测它在答不对的时候会不会乱来。后者才决定用户敢不敢用。

       第五,把“回滚”写进设计文档。 哪个节点可以独立回退、规则改动怎么灰度、出问题多久能恢复,这些在评审阶段就该有答案。Agent 不是一次性交付的系统,它是要被持续修改的。


结语

       低代码的上一战,比的是谁能把页面搭得更快。下一战,比的是谁能把业务规则变成一套可治理的智能体。

       这两件事的技术难度不在一个量级。前者是把重复劳动工具化,后者是把模糊的行业经验结构化。也正因为如此,前者注定被 AI 抹平,后者才刚刚开始。

       工具会继续变,模型会继续换,判断不会。真正稀缺的从来不是会拖拽的人,而是能把一段说不清楚的业务,拆成机器可以执行、人可以追责的流程的人。

Logo

更多推荐