使用低代码平台中的自然语言（NL）和 SQL 查询数据，我们提出了一个流程，让开发人员能够以自然语言检索数据，并使用 NL 模型生成 SQL。通过与生产数据的反馈，我们验证了流程的有效性，并观察到采用该流程后在四个不同模型中的特性采用率提高了 240％，参与率提高了 220％，失败率降低了 90％。

Aug, 2023

LowCoder 是第一个既支持视觉程序界面又支持自然语言接口的低代码工具，我们通过用户研究发现，LowCoder 特别有用于 AI 操作员的发现性和迭代组合。

May, 2023

本文介绍了如何利用大型语言模型进行复杂项目计划的设计，采用了 Scrum 方法和快捷方法两种方式，并通过 “语言方案” 自动化处理所有操作，以达到更高效的任务完成。

Jun, 2023

该研究论文综述了自然语言处理技术的利用，重点关注使用大型代码训练的基于 Transformer 的大型语言模型在 AI 辅助编程任务领域中的应用。这些模型在包括代码生成、代码补全、代码翻译、代码概述、缺陷检测和克隆检测等 AI 辅助编程应用中扮演着关键角色，而其中值得注意的例子包括由 OpenAI 的 Codex 和 DeepMind AlphaCode 提供支持的 GitHub Copilot。本文概述了主要的大型语言模型及其在与 AI 辅助编程相关的下游任务中的应用，并探讨了在这些应用中结合 NLP 技术和软件自然性面临的挑战和机遇，同时讨论了将 AI 辅助编程能力拓展到苹果的 Xcode 移动软件开发环境中的问题和机会，以使开发人员能够获得更先进的编码辅助，并使软件开发流程更加高效。

Jul, 2023

本文提出了一种基于多智能体编排与组合框架的主动聊天机器人，并通过旅行审批业务流程和贷款申请业务流程的两个用例进行了评估，分析了性能、编码开销、可扩展性和代理重叠四个标准。

Jan, 2020

通过自然语言导向的编程 (NLOP) 将软件需求和逻辑表达为自然语言，该方法简化了开发过程，降低了非专业人士参与软件项目的门槛，并加速了开发周期、增强了协作效果，并减少了需求规范中的误解。通过对各种编程模型的评估，本文强调自然语言将成为新的编程语言，并说明了 NLOP 如何促进软件工程的包容性和创新，从而改变软件工程的格局。

Jun, 2024

自然语言处理在需求工程中的半自动化规范化过程中起着重要作用，提供了更好的辅助，并可适用于特定用例和领域。

Sep, 2023

该研究评估无代码自动机器学习作为应对人工智能产品原型设计中的挑战的解决方案，并提出一个概念性框架，旨在克服人工智能产品的复杂性，从而实现无缝执行和跨学科协作，对于以人为中心的人工智能产品至关重要。通过设计科学研究方法，该研究确认了挑战，并通过提出一个在无代码自动机器学习下的人工智能产品原型设计框架，证明了其对于支持非专家非常有潜力，并提供了一种结构化的人工智能产品开发方法。此框架有助于学术界、管理者和决策者进行易于理解的原型设计，战略性地整合无代码自动机器学习可以提高效率，并赋予非专家能力，在早期阶段做出决策，尽管存在一些限制。

Feb, 2024

我们展示了使用 LLMs 解决机器人动作规划问题的实验结果。与其它方法不同，我们的方法通过自然语言推理获取任务和场景对象的文本描述，并输出坐标级控制命令，从而减少中间表示代码作为策略的必要性。我们的方法在多模态提示仿真基准上进行评估，证明了自然语言推理改善成功率的潜力，并展示了利用自然语言描述将机器人技能从已知任务转移到以前未见任务的可能性。

Mar, 2024

介绍利用自然语言和可编程代码同时表达政策的全球数字政府倡议，以及用 AI，自然语言处理和知识图谱缩短从政策文档到可执行决策模型的路线的方法。使用 AI 可帮助政府机构和政策专家扩大人可读和机器可执行政策规则的生产，同时提高透明度，可解释性，追溯性和决策的问责性。

Nov, 2022