UBridge

UBridge——语桥是一个面向 UBML 低代码平台的多智能体协同自然语言到领域特定语言生成系统。

参赛作品详述

UBML 是一套基于 MOF（Meta-Object Facility）思想的元建模语言，其可视化建模成果大多以 JSON 格式表达，并通过 JSON Schema 定义元模型的结构约束与语义规则。

整个文件分为几个项目，详情可以参见各自README

视频演示分为三部分：

• 使用copilot搭配mcp
• 使用改编的Cline搭配mcp
• 对于inBuilder页面的更改

系统构建过程如下：

1. 知识库构建

   • 从 UBML 社区开源项目中抽取典型元模型 JSON 样本；
   • 结合对应的 JSON Schema 构建结构化知识库；
   • 每个样本按建模层级（如实体、属性、操作、视图等）打标；
   • 向量化后存储于 ChromaDB。

2. RAG 增强生成

   • 用户输入自然语言后，系统通过语义检索返回最相关的元模型片段与 Schema 约束；
   • 作为大语言模型（LLM）生成的上下文提示；
   • 可采用类似 smolagents 的方式，将 RAG 封装为 LLM 可自主调用的工具。

3. 多智能体协同

   • 需求解析智能体：将自然语言转化为结构化建模意图；
   • 元模型生成智能体：在 RAG 提示与 JSON Schema 约束下生成候选 UBML 元模型 JSON；
   • 验证智能体：
     • 调用 JSON Schema 校验器（如 jsonschema Python 库）进行合法性检查；
     • 可调用 Playwright MCP 等工具，在浏览器中操作并反馈结果给多模态大模型；
     • 若校验失败，则触发反馈循环，引导生成智能体重试。

4. 输出

   • 符合 UBML 规范、可通过 Schema 校验、可被低代码引擎直接消费的元模型 JSON。

---

参赛作品功能摘要

本作品计划实现一套基于多智能体协同架构的智能化低代码开发辅助系统，专为 UBML 社区的 UBML 元模型建模语言定制。系统融合以下技术：

• 大语言模型（LLM）
• 增强检索生成（RAG）
• MCP
• 知识图谱

目标是从用户自然语言需求自动转化为 UBML 目标语言，弥补大模型在直接生成软件项目上的不足。

通过构建 UBML 领域知识库，并基于多智能体框架构建角色化智能体（如需求解析员、元数据建模师、后端逻辑工程师、前端交互设计师、验证测试员），协同完成低代码 DSL 生成，显著提升开发效率与语义准确性。

最终以 VS Code 插件 形式呈现，支持用户在项目中快速通过大模型实现需求。

---

参赛作品开发背景

• 低代码平台虽降低开发门槛，但其核心仍依赖开发者对平台 DSL（如 inBuilder 的元数据、CAF 组件、EDP 业务模型）的熟练掌握；
• 非专业用户或新手常因 DSL 语义复杂、上下文依赖强而难以高效建模；
• 现有 AI 辅助工具多聚焦通用代码生成，缺乏对低代码平台特有 DSL 结构、元数据约束与前后端协同逻辑的理解；
• 随着大模型发展，“Vibe Coding” 趋势兴起，但直接生成完整无错的工程仍极困难；
• 低代码平台只需生成可被引擎直接消费的元模型，即可保证系统稳定性；
• 因此，赋予大模型 UBML 领域知识，并实现自然语言 → UBML 的转换，具有重要现实意义。

---

参赛作品设计思路

分层建模

将低代码应用构造分解为四个阶段：

1. 需求理解
2. 元数据建模
3. 元模型转换成工程
4. 集成验证

智能体分工

• 每个阶段由专用智能体负责；
• 利用领域微调模型或 RAG 知识库提升生成准确率；
• RAG 是核心，建议采用图知识库保留元模型间关联关系；
• 将 RAG 封装为工具，由 LLM 自主决定是否调用；
• 为防上下文过长，可参考 Copilot 思路：对历史内容总结但保留有效信息。

反馈闭环

• 引入验证智能体，例如通过 Playwright MCP 在浏览器中操作（如截图、获取布局）；
• 成功则通过，失败则触发重生成。

测试用例驱动

• 根据赛题要求（如“资产领用-退库-信息查询”流程），自动生成端到端测试脚本与模拟数据。

交互模式设想

• 类似 Cline 的 AI 编程插件，能与用户及项目交互；
• 主动修改文件、验证结果，支持回退、接受等操作。

---

参赛作品开发架构

采用多智能体协同架构，围绕 UBML 低代码平台开发范式，构建三大角色智能体：

1. 需求解析智能体
2. 元数据建模智能体
3. 集成验证智能体

各智能体通过结构化任务链协同工作，结合：

• 领域微调小模型
• 面向 UBML 的 RAG 知识库
• 规则驱动的验证反馈机制

实现从自然语言到可编译、可运行的前后端 DSL 的端到端自动生成，形成 “理解—生成—校验—修复”闭环，确保输出符合 UBML 工程规范并具备实际可用性。

---

体系结构和关键技术点

• 多智能体架构
• RAG 检索技术
• ReAct 反馈机制

---

开发计划

周次	主要任务
第1周	完成 UBML 元模型知识图谱与知识库构建
第2周	为智能体外挂知识库以及优化检索策略
第3周	集成多智能体协作流程
第4周	开发验证模块与测试用例生成器
第5周	端到端测试与优化，准备参赛材料

---

创新点表述

1. 首个面向 UBML 的多智能体系统：填补低代码平台 AI 辅助生成的空白；
2. RAG 与约束生成结合：通过 RAG + JSON Schema 严格后处理，显著提升 UBML 元数据的合法性与可运行性；
3. 闭环验证驱动的协同生成：通过验证智能体实现“生成-校验-修正”迭代，避免无效输出。

---

内容完整性表述

作品包含以下内容：

• 完整的多智能体系统 VS Code 插件源码
• UBML 领域知识图谱构建脚本
• RAG 向量数据库（ChromaDB）与检索模块
• 集成验证规则集
• 自动生成的测试用例（含模拟数据与 API 调用序列）

---

其他信息

• 参考材料：无
• 专利/软著情况：非必填
• 开源许可证类型：UBML 项目遵循 Apache License 2.0 协议
• 功能截图/录屏：加分项，非必填（可附加链接）

---