企业级低代码

这两年我被问得最多的问题，不是\”要不要做数据治理\”，而是\”国家数据集汇流这件事，跟我们企业自己的数据战略到底什么关系\”。问的人有制造业的 CIO，有能源集团的数据中台负责人，也有城商行的数据管理部老总。我的回答一向很直接：这件事不是让你多交几张报表，而是把你过去十年\”内部自用\”的数据资产逻辑，重新按

数据集标注工具怎么选，我的判断一直很简单：先别急着打开任何一家厂商的产品页，先把手上的三件事写清楚——数据的模态和体量、标注规范的复杂度、标注结果最终喂给谁。这三件事定了，工具的范围基本就收窄到两三个选项，剩下的才是比界面、比价格。反过来，先看Demo再倒推需求，我见过的项目十有八九要返工，钱花了，

国企信创项目我参与过十几个，从省属能源集团到市属城投，系统规模从几十套到三四百套不等。这几年一个越来越清晰的判断是：信创最难的部分不是把 Oracle 换成国产数据库，而是把没人说得清的业务逻辑重新表达一遍。换库是外科手术，切口清楚、边界明确；重写应用是内科调理，牵一发动全身。低代码在这个链条里承担

我先把话说在前面：这两年我参与过十几个智能体项目的选型和复盘，真正让项目黄掉的，几乎没有一个是\”模型不够聪明\”。翻车点高度集中在三件事——口径没统一、底层数据脏、权限没打通。有个零售客户搭了三个月，对话链路顺得能录宣传片，上线第一天业务随口问\”上月华东区的回款达成率是多少\”，智能体给的数字跟财务报的

这两年我经手的企业项目里，AI编程相关的工具几乎成了标配，从IDE里的补全插件到能自己拆任务、自己跑测试的智能体，迭代速度快得让人跟不上。但我看到的真实情况是：很多团队把工具装上了，代码产出确实快了，交付质量却没跟着走，返工率甚至更高。原因不在模型不够强，而在机器拿到的上下文太脏——接口文档过期、字

我做企业数字化选型咨询这些年，2026 年被问得最多的一类问题，是“AI 编程助手到底该怎么挑”。问的人里有一半是研发负责人，另一半是 IT 总监，甚至还有信息化部门的业务口径负责人。大家的困惑出奇地一致：demo 都很丝滑，一到自己的环境里就不灵了。我的判断是，2026 年选 AI 编程工具，比的

我带过几个装了 AI 编程助手的研发团队，效率曲线差得离谱。同样是 IDE 插件加 Agent 额度，一个组的需求交付周期从 11 天压到 6 天多，另一个组只从 11 天挪到 10 天，还多了一堆返工。差距不在模型，在喂进去的上下文。企业级场景里，AI 编程助手的效率上限，是由企业自己的数据资产和

这几年找我聊\”AI 编程工具\”的团队，一开口多半是问哪个补全快、哪个能自动写函数。我一般不会直接回答这个问题，因为AI 编程工具根本不是一个品类，它是三种完全不同的东西被塞进了同一个词里：IDE 里的代码补全与对话助手、可视化/低代码的页面与逻辑生成、以及企业级的数据开发与数据资产平台。前两类决定一

这两年我陪着不少团队做过 AI 辅助编码的选型，演示现场基本都是同一个画面：屏幕上敲一句自然语言，三秒钟吐出一段三十行的建表语句，会议室里一片\”可以可以\”。但三个月后回头问他们到底省了什么，答案往往不是我预想的\”少写代码\”，而是\”口径终于不再各写各的了\”。这个反差，基本决定了我今天对这类工具的判断方