首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >[标准规范] 低代码的概念和定义到底是什么?无代码是否属于低代码?

[标准规范] 低代码的概念和定义到底是什么?无代码是否属于低代码?

原创
作者头像
低代码一哥
发布于 2022-07-22 00:09:39
发布于 2022-07-22 00:09:39
7510
举报
文章被收录于专栏:低代码一哥低代码一哥

低代码已经火了几年了,但业界对低代码的概念和定义还是有所争论,甚至模糊。如果低代码领域想要持续健康发展下去,那么,首先概念一定要明确;也不要再造新名字、新概念。在此想啰嗦一句,轻流公司在低代码无代码领域算优秀的公司了,但,请不要再造一个词“轻代码”!请问“轻代码与低代码区别是啥?”。如果是真心想让这个领域发展得好,请别再整各种近似词语了,别让这个领域显得混乱模糊。

业界规范的是这三个词:Low-Code(低代码)、No-Code(无代码)、Pro-Code(纯代码或全代码)。严格的说,无代码是低代码的一种特例。今天我们来看看,全球的低代码领导地位的企业、权威机构对该领域的定义和理解。

一. OutSystems,全球有名的低代码独角兽厂商

什么是低代码 


What is Low-Code? Low-code is a software development approach that enables the delivery of applications faster and with minimal hand-coding.

Low-code platforms are a collection of tools that enable the visual development of applications through modeling and a graphical interface. Low-code enables developers to skip hand-coding, speeding up the process of getting an application to production.

低代码是一种软件开发方法,可以更快地交付应用程序,并且使用最少的手动编码。

低代码平台是一组工具,可通过建模和图形界面实现应用程序的可视化开发。低代码使开发人员能够跳过手工编码,加快将应用程序投入生产的过程。

什么是低代码平台 


What Is a Low-Code Platform? A low-code platform is a family of tools that enables the development and delivery of complete applications visually. A drag-and-drop interface is at the core of low-code platforms.

Rather than writing thousands of lines of complex code and syntax, you can use low-code to build complete applications with modern user interfaces, integrations, data, and logic quickly and visually. Applications are delivered faster and with minimal hand-coding. 

什么是低代码平台?低代码平台是一系列工具,可以直观地开发和交付完整的应用程序。拖放界面是低代码平台的核心。

无需编写数千行复杂的代码和语法,您可以使用低代码快速、直观地构建具有现代用户界面、集成、数据和逻辑的完整应用程序。应用程序交付速度更快,手工编码最少。

典型的低代码开发平台 


 (典型低代码开发平台特征)
(典型低代码开发平台特征)

典型的低代码开发平台,一定满足这三点:

—可视化 IDE用于可视化定义应用程序的 UI、工作流和数据模型的环境,并在必要时添加手写代码

—各种后端或服务的连接器:自动处理数据结构、存储和检索

应用程序生命周期管理器:用于在测试、登台和生产中构建、调试、部署和维护应用程序的自动化工具

低代码与无代码有什么区别 


Low-Code vs No-Code: What’s the Difference? At first glance, it’s easy to confuse low-code and no-code. Even the big analyst firms seem to have a hard time differentiating between them. Market confusion aside, it really is possible to distinguish between low-code and no-code platforms.

There are literally hundreds of small details and capabilities that differentiate low-code platforms from no-code solutions. Most of them aren’t apparent at the UI level, which is where much of the confusion between the two comes from.

乍一看,很容易混淆低代码和无代码。即使是大型分析公司似乎也很难区分它们。除了市场混乱之外,真的可以区分低代码和无代码平台。

从字面上看,有数百个小细节和功能可以将低代码平台与无代码解决方案区分开来。它们中的大多数在 UI 级别上并不明显,这就是两者之间的大部分混淆的来源。

What Is No-Code?No-code solutions feature drag-and-drop, visual development.Unlike low-code, they mostly cater to business people or others in IT who may not know any actual programming languages but want to develop an application for a specific use case—often for their department. In other words, no-code allows organizations to equip teams with the tools they need to create applications without formal development training.

Everything the no-code vendor thinks the user needs to build an app is already built into the tool. No-code solutions are similar to popular blogging platforms and e-commerce website design companies that have prebuilt pages you can use to launch your blog or business in minutes.

什么是无代码?无代码解决方案具有拖放式可视化开发功能。与低代码不同,它们主要迎合业务人员或 IT 中的其他人,他们可能不知道任何实际的编程语言,但希望为特定用例开发应用程序——通常是为他们的部门。换句话说,无代码允许组织为团队配备创建应用程序所需的工具,而无需正式的开发培训。

无代码供应商认为用户构建应用程序所需的一切都已内置到该工具中。无代码解决方案类似于流行的博客平台和电子商务网站设计公司,它们具有可用于在几分钟内启动博客或业务的预建页面。

二、Forrester,全球最具影响力的独立研究咨询公司之一


Hand-coding is too slow to develop and deliver many of the applications that companies use to win, serve, and retain customers. Some firms are turning to new, "low-code" application platforms that accelerate app delivery by dramatically reducing the amount of hand-coding required. Faster delivery is the primary benefit of these application platforms

手工编码的速度太慢,无法开发和交付公司用来赢得、服务和留住客户的许多应用程序。一些公司正在转向新的“低代码”应用程序平台,这些平台通过显著减少所需的手动编码量来加速应用程序交付。更快的交付是这些应用平台的主要优势

三、西门子低代码Mendix,全球企业级低代码的领导者


低代码开发是一种可视化应用开发方法。通过低代码开发,不同经验水平的开发人员能够通过图形用户界面,使用拖放式组件和模型驱动逻辑来创建 Web 和移动应用。低代码开发平台减轻了非技术开发人员的压力,帮其免去了代码编写工作,同时也为专业开发人员提供了支持,帮助他们提取应用开发过程中的繁琐底层架构与基础设施任务。业务和 IT 部门的开发人员可以在平台中协同,创建、迭代和发布应用,而所需时间只是传统方法的一小部分。这种低代码应用开发方法可针对不同用例开发各种类型的应用,包括将原有应用升级为支持 IoT 的智能应用。

四、维基百科,全球网络上最大最受欢迎的参考工具书


A low-code development platform (LCDP) provides a development environment used to create application software through a graphical user interface. A low-coded platform may produce entirely operational applications, or require additional coding for specific situations. Low-code development platforms can reduce the amount of traditional time spent, enabling accelerated delivery of business applications. A common benefit is that a wider range of people can contribute to the application's development—not only those with coding skills but require a good governance to be able adhere to common rules and regulations. LCDPs can also lower the initial cost of setup, training, deployment and maintenance.

低代码开发平台( LCDP ) 提供了一个开发环境,用于通过图形用户界面创建应用软件。低编码平台可能会生成完全可操作的应用程序,或者需要针对特定情况进行额外编码。低代码开发平台可以减少传统时间所花费的时间,从而加快业务应用程序的交付。一个共同的好处是,更广泛的人可以为应用程序的开发做出贡献——不仅是那些具有编码技能的人,而且需要良好的治理才能遵守共同的规则和法规。LCDP 还可以降低设置、培训、部署和维护的初始成本。

关注 低代码一哥 公众号,一起更多交流分享
关注 低代码一哥 公众号,一起更多交流分享

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
神经网络算法 —— 一文搞懂Transformer !!
本文将从 Transformer的本质、Transformer的原理 和 Transformer架构改进三个方面,搞懂Transformer。
JOYCE_Leo16
2024/03/22
40.4K0
神经网络算法 —— 一文搞懂Transformer !!
Self-Attention 和 Multi-Head Attention 的区别——附最通俗理解!!
随着Transformer模型的迅速普及,Self-Attention(自注意力机制)和Multi-Head Attention(多头注意力机制)成为了自然语言处理(NLP)领域中的核心组件。本文将从 简要工作、工作流程、两者对比三个方面,解析这两种注意力。
JOYCE_Leo16
2024/03/19
7K0
Self-Attention 和 Multi-Head Attention 的区别——附最通俗理解!!
Transformer 工作原理
Transformer 是一种基于 自注意力机制(Self-Attention) 的深度学习模型架构,最初用于自然语言处理(NLP),但现已扩展到计算机视觉、语音处理等领域。以下是 Transformer 的工作原理及其核心机制的详细说明:
Linux运维技术之路
2025/02/04
6070
Transformer 工作原理
谷歌transformer模型简单介绍
谷歌的Transformer模型(2017年提出)是一种基于自注意力机制的神经网络架构,取代了传统的RNN和CNN,能并行处理序列数据。其核心是多头自注意力机制,结合编码器-解码器结构,高效捕捉长距离依赖关系。通过位置编码保留序列顺序信息,显著提升了机器翻译等任务的性能。该模型成为BERT、GPT等现代NLP技术的基础,并扩展至多模态领域。
zzh-dahai
2025/07/04
2160
Transformer 模型:入门详解(1)
众所周知,transformer 架构是自然语言处理 (NLP) 领域的一项突破。它克服了 seq-to-seq 模型(如 RNN 等)无法捕获文本中的长期依赖性的局限性。事实证明,transformer 架构是 BERT、GPT 和 T5 及其变体等革命性架构的基石。正如许多人所说,NLP 正处于黄金时代,可以说 transformer 模型是一切的起点。
数据科学工厂
2023/03/21
1.1K0
Transformer 模型:入门详解(1)
一文理解透Transformer
"Attention Is All You Need"是一篇于2017年发表的开创性论文,首次介绍了Transformer模型。
double
2024/04/11
2.9K0
一文理解透Transformer
原创 | 一文读懂Transformer
作者:陈之炎 本文约3500字,建议阅读7分钟Transformer 是第一个完全依赖于自注意力机制来计算其输入和输出的表示的转换模型。 主流的序列到序列模型是基于编码器-解码器的循环或卷积神经网络,注意力机制的提出,优化了编解码器的性能,从而使得网络性能达到最优。利用注意力机制构建出新的网络架构Transformer, 完胜了循环或卷积神经网络。Transformer 是第一个完全依赖于自注意力机制来计算其输入和输出的表示的转换模型。Transformer可以并行训练,训练时间更短。 1 Transfor
数据派THU
2022/07/12
4.7K0
原创 | 一文读懂Transformer
图解什么是 Transformer
Transformer 是 Google 团队在 17 年 6 月提出的 NLP 经典之作, 由 Ashish Vaswani 等人在 2017 年发表的论文 Attention Is All You Need 中提出。
杨熹
2019/02/20
2.2K1
图解什么是 Transformer
神经网络结构——CNN、RNN、LSTM、Transformer !!
本文将从什么是CNN?什么是RNN?什么是LSTM?什么是Transformer?四个问题,简单介绍神经网络结构。
JOYCE_Leo16
2024/03/19
36.1K0
神经网络结构——CNN、RNN、LSTM、Transformer !!
Transformer 原理解析
本文是对 Transformer 原始论文( Attention Is All You Need )的解读。
口仆
2020/08/17
1.7K1
Transformer 原理解析
NLP界最强特征提取器--Transformer
前面介绍NLP领域词向量技术的时候提到了目前最炙手可热的语言模型BERT,而BERT之所以能取得这样的瞩目成就,离不开其采用的超强特征提取器Transformer。
流川枫
2020/04/24
5.2K0
深入剖析Transformer架构中的多头注意力机制
多头注意力(Multi-Head Attention)是一种在Transformer模型中被广泛采用的注意力机制扩展形式,它通过并行地运行多个独立的注意力机制来获取输入序列的不同子空间的注意力分布,从而更全面地捕获序列中潜在的多种语义关联。
zhouzhou的奇妙编程
2025/01/31
5.5K0
自注意力机制(Self-Attention)
普通自注意力(Self-Attention)的工作原理主要是让模型能够关注输入序列中不同位置的信息,并根据这些信息来生成当前位置的输出。它是Transformer模型中的一个关键组件,尤其在处理序列数据(如文本、语音等)时表现出色。
jack.yang
2025/04/05
4140
自注意力机制(Self-Attention)
从头开始了解Transformer
编者按:自2017年提出以来,Transformer在众多自然语言处理问题中取得了非常好的效果。它不但训练速度更快,而且更适合建模长距离依赖关系,因此大有取代循环或卷积神经网络,一统自然语言处理的深度模型江湖之势。我们(赛尔公众号)曾于去年底翻译了哈佛大学Alexander Rush教授撰写的《Transformer注解及PyTorch实现》一文,并获得了广泛关注。近期,来自荷兰阿姆斯特丹大学的Peter Bloem博士发表博文,从零基础开始,深入浅出的介绍了Transformer模型,并配以PyTorch的代码实现。我非常喜欢其中对Self-attention(Transformer的核心组件)工作基本原理进行解释的例子。此外,该文还介绍了最新的Transformer-XL、Sparse Transformer等模型,以及基于Transformer的BERT和GPT-2等预训练模型。我们将其翻译为中文,希望能帮助各位对Transformer感兴趣,并想了解其最新进展的读者。
AI科技评论
2019/08/29
1.8K0
从头开始了解Transformer
Transformer架构
Transformer架构是一种深度学习模型,主要用于自然语言处理任务。它由Google在2017年提出,其核心思想是通过自注意力(Self-Attention)机制,使模型能够同时处理多个位置的输入,从而更好地捕捉输入数据中的长距离依赖关系。
七条猫
2024/09/15
5710
Transformer架构
Transformer+self-attention超详解(亦个人心得)
链接|https://zhuanlan.zhihu.com/p/432814387
zenRRan
2021/12/09
6.2K2
Transformer+self-attention超详解(亦个人心得)
AI生成中Transformer模型
在深度学习中,有很多需要处理时序数据的任务,比如语音识别、文本理解、机器翻译、音乐生成等。
Dlimeng
2023/12/20
8470
AI生成中Transformer模型
【人工智能】第二部分:ChatGPT的架构设计和训练过程
ChatGPT的核心架构是基于Transformer解码器。Transformer解码器主要由多个堆叠的解码器层(Decoder Layer)组成,每个层包括以下几个关键组件:
人不走空
2024/06/03
5640
【人工智能】第二部分:ChatGPT的架构设计和训练过程
Attension is All You Need 论文笔记
主流的序列转换模型(dominant sequence transduction models)都是基于复杂的递归神经网络或者卷积神经网络,包括一个编码器(encoder)和一个解码器(decoder)
Mezereon
2020/06/23
6430
Attension is All You Need 论文笔记
【人工智能】第一部分:ChatGPT的基本概念和技术背景
随着人工智能技术的不断发展,自然语言处理(NLP)领域取得了显著的进步。ChatGPT,作为一种先进的对话生成模型,展现了令人瞩目的语言理解和生成能力。本文将深入探讨ChatGPT的原理,从基础概念到技术细节,帮助读者全面了解这一革命性技术。
人不走空
2024/06/03
9890
【人工智能】第一部分:ChatGPT的基本概念和技术背景
推荐阅读
相关推荐
神经网络算法 —— 一文搞懂Transformer !!
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档