2026 年 9 月,Gartner 以 AI-Augmented Low-Code Application Platforms(AI 增强型低代码应用平台,AILCAP)为名发布了新的魔力象限与配套关键能力报告。
在明道云,我们一直关注一个问题:当 AI 越来越擅长生成应用,企业应用平台还需要提供什么?我们的判断是,生成能力会持续进步,而企业对共享数据、业务规则、权限和可靠运行的需求也会更加突出。平台的价值,需要贯穿从应用构建到业务执行的全过程。
这也是我们推进 HAP 产品演进的出发点。Mingo 降低应用构建和使用门槛,工作流 Agent 将理解与判断能力带入业务执行,MCP、CLI、Skills 向外部 AI 工具开放平台能力,Compute 则拓展代码应用的运行空间。这些能力共同服务于一个目标:让企业能够在清晰的数据结构与业务规则之上,持续构建、使用和维护智能应用。
Gartner 的新框架,为讨论这一变化提供了一个有价值的参照。本文结合截至 2026 年 11 月 15 日的公开资料,介绍我们对框架的理解与 HAP 的产品思考。对照分析由明道云独立完成,Gartner 内容仅引用公开摘要与目录,不代表 Gartner 对 HAP 的评分或背书;文中长期建设方向也不构成具体版本或交付时间承诺。
我们如何理解新框架
Magic Quadrant 评估供应商的执行能力与愿景;Critical Capabilities 更深入产品本身,讨论具体能力如何支撑不同使用场景。
2026 年关键能力报告列出十二项能力,并覆盖定制 Agent 开发与编排、AI 驱动的应用现代化、定制应用开发、智能体流程编排,以及安全治理与护栏五类场景。[1][2]
我们认为,这套框架反映出企业应用建设的重心正在扩展:企业既需要更快地构建应用,也需要持续维护应用,并让 AI 在明确的权限与业务边界内行动。生成效率、运行质量和治理能力,需要放在一起考虑。
对明道云而言,这意味着我们要把 AI 能力融入企业已有的数据、流程和协作体系,让一次生成的成果能够被理解、被修改,并真正进入日常业务。
从构建到运行,我们如何将 AI 融入 HAP
Mingo:让应用生成的结果可以持续维护
在 V12.3 中,我们通过 Mingo 将自然语言需求与应用搭建连接起来:用户先确认方案,再生成应用;同时,Mingo 也提供业务数据查询能力。V12.4 进一步扩展搭建范围,并支持将查询生成的图表保存到应用中。[3][4]
这背后的产品思路是,让 AI 围绕工作表、字段、关系和流程这些可视化对象开展工作。用户可以查看生成结果,理解业务结构,并在此基础上继续调整。应用生成之后,企业仍然能够掌握它的维护方式。
在 V13 中,我们进一步提出存量应用修订,以及确认、审查和撤回机制。[5] 企业应用的大量工作发生在上线以后:业务规则会变化,流程会调整,已有数据和依赖关系需要得到妥善处理。让 AI 参与这些持续变化,是我们看待应用构建能力的重要视角。
我们也清楚,确认与撤回只是变更管理的一部分。一次修改影响哪些对象、测试是否通过、已有数据是否兼容、异常后如何恢复,都是企业级应用建设需要回答的问题。我们对这项能力的衡量,也会围绕修改结果能否被检查、被验证和被持续维护展开。
工作流 Agent:让理解与判断进入业务流程
HAP 的 AI Agent 节点已经能够调用数据处理、通知、封装业务流程和集成 API 等工具,并提供工作表与查询范围控制、结构化输出、执行日志和节点 Token 费用查看。[6]
我们选择将 Agent 嵌入工作流,是为了让模型的判断能力与确定性的业务规则协同工作。以售后处理为例,Agent 可以理解客户描述、查询订单、提出处置建议,再将确定的动作交给业务流程执行。规则明确的环节可以固化为流程,需要理解与判断的环节交给 Agent,涉及较大业务后果的动作保留人工审批。
对我们来说,Agent 的价值要体现在业务任务的完成质量上。工具执行成功但响应超时后,再次调用是否会重复退款?流程等待审批期间发布了新版本,恢复时应使用哪一套配置?这些工程问题直接关系到企业能否放心扩大 Agent 的使用范围,也是我们审视可靠执行能力的重要标准。
MCP、CLI、Skills:让企业已有能力被更多 AI 工具调用
我们希望企业在 HAP 中积累的数据模型、业务流程和权限规则,能够被更广泛的 AI 工具使用。
V12.3 增加了个人访问令牌及调用审计,V12.4 扩展了应用管理接口覆盖。[3][4] MCP 提供工具连接,CLI 支持脚本化操作,Skills 帮助外部 Agent 理解 HAP 的概念与操作方法。[7]
通过这些开放能力,HAP 既支持用户在平台内构建应用,也为外部 Agent 提供访问企业数据和调用业务能力的入口。企业已经建立的业务结构,可以成为 AI 开展工作的基础。
开放能力越深入,授权边界就越需要明确。员工临时委托 AI 完成工作,与一个长期运行的岗位 Agent 自主执行任务,有不同的管理要求。个人令牌提供了开放基础;对于长期运行的 Agent,我们关注的则是机器身份、业务负责人、授权期限和撤销机制等更完整的管理设计。
Compute 与 HDP:为个性化应用保留扩展空间
企业对应用的需求,既包括可以通过可视化配置完成的常见业务,也包括定制交互、复杂计算和跨系统数据处理。
在 MPC2026 中,我们介绍了 HAP Compute 将 AI 编写的前端与服务连接到 HAP 数据和工作流的方向,以及 HDP 3.0 围绕 API 数据源、结构理解和数据处理链路的演进。[5]
我们的思路是,让企业能够保留 HAP 结构化模型的维护方式,同时通过代码扩展特殊的交互与计算需求。随着 AI 编码能力增强,这种组合能够为应用形态打开更大的空间。
扩展空间也带来了新的管理要求。应用模型、Compute 代码与 HDP 数据处理链路之间的依赖、身份、日志和费用,需要能够被理解和追踪。我们看待平台整合的标准,是企业能否持续管理这些共同参与业务运行的部分。
对照十二项关键能力,我们关注哪些建设问题
我们将 Gartner 的十二项关键能力作为审视产品的参照,梳理 HAP 已有或已公开介绍的基础,以及面向企业级运行需要持续关注的问题。下表不采用 Gartner 的评分尺度;右栏表达我们的产品思考,不表示相关能力均已上线或已进入确定的发布计划。
| Gartner 关键能力 | HAP 已有或已公开介绍的基础 | 我们关注的建设问题 |
|---|---|---|
| 用户体验设计 | 可视化应用、自然语言查数、AI 自定义字段;Compute 的定制界面方向 | 如何保持跨端一致性,并完善无障碍、交互验收与生成界面规范 |
| 开发能力 | Mingo、代码块、插件、MCP/CLI/Skills | 如何分析存量变更的依赖,处理多人修改冲突,并复用变更集 |
| 业务逻辑设计 | 规则、审批、封装流程、Agent 工具调用 | 如何检查规则冲突、校验结构化输出,并确保关键业务约束得到执行 |
| 平台赋能 | 帮助文档、技能与开发工具 | 如何管理企业内部组件与技能的认证、版本兼容和维护责任 |
| 应用与数据连接 | API、MCP、集成工具;HDP 3.0 方向 | 如何管理接口契约、数据语义、连接凭据和模式变化 |
| 智能体工作流 | Agent 嵌入流程、已有审批及执行控制 | 如何支持 Agent 内部工具调用的可靠恢复、幂等与业务补偿 |
| 应用安全 | 角色权限、范围控制、令牌与调用日志 | 如何细化逐工具授权、敏感操作校验和对不可信输入的防护 |
| 成本管理 | 信用点、搭建预估、节点 Token 费用 | 如何按任务归集模型、流程和 Compute 成本,并管理预算及限额 |
| 测试 | 流程试运行、示例数据、执行日志、Compute开发的预览能力 | 如何建立固定评测集,覆盖权限负例及模型、提示词变更后的回归测试 |
| DevOps | 应用导入升级、备份、流程版本恢复 | 如何关联应用、Agent、代码和数据变更的发布与验证 |
| Agent 构建与部署 | Agent 节点、对话机器人、业务工具 | 如何管理独立 Agent 资产、运行版本、责任人和停用机制 |
| Agent 治理 | 已有访问边界与审计;企业安全底座方向 | 如何完善机器身份、授权继承、全链路追踪和组织级策略 |
其中,几项基础能力与企业日常使用密切相关。
让变更与验证相互关联。HAP 的应用导入升级已经支持配置同步、更新明细与备份,工作流也支持历史版本恢复。[8][9] 在这些基础之上,我们关注的是如何将一次 AI 修改及其测试结果、权限变化和发布记录关联起来,让企业有依据判断变更是否适合进入生产环境。
让执行记录成为改进质量的依据。日志能够帮助用户理解一次执行;固定评测集则有助于比较不同版本的表现。我们的 Agent 文档也明确提示,结构化输出依赖模型理解,需要测试与校验。[6] 对企业应用来说,模型、提示词和工具配置的变化,都需要有相应的质量验证方法。
让费用管理贴近业务任务。节点 Token 费用提供了单次执行的成本信息。站在企业管理者的角度,还需要了解一项业务任务的总成本、超支原因,以及达到限额后的处理方式。这也是我们理解成本管理能力时关注的层次。
让异常恢复尊重已经发生的业务事实。HAP 已支持从失败或中止节点重试流程。[9] 当一个 Agent 节点内部执行了多个工具动作,恢复机制还需要识别哪些动作已经完成,以及哪些操作不可逆。我们认为,可靠性设计必须深入到实际业务动作这一层。
面向企业级运行,我们如何看待后续建设
在 MPC2026 中,我们已公开提出应用诊断与开发沙箱、AI 数字员工、企业安全底座和 AI 原生交互等方向。[5] 围绕这些方向,我们认为有三层问题需要逐步解决。它们体现的是能力之间的依赖关系,具体实现与节奏仍需结合研发和客户验证确定。
首先,让每次修改和执行都可以检查
企业要将更多工作交给 AI,首先需要看清 AI 做了什么、影响了什么。
我们关注的建设方向,包括将 Mingo 修改、模型请求、工具调用、工作流与 Compute 请求关联起来,以及为应用变更呈现结构差异、影响范围和风险。同时,业务评测需要覆盖正常任务、权限不足、错误参数、超时和结构化输出异常,并从高频场景逐步扩展。
以售后应用为例,我们希望达到的体验是:用户让 AI 修改退款规则后,能够看到受影响的流程,检查预设用例的运行结果,并在发布前发现权限或数据兼容问题。这样的可检查性,是企业信任 AI 修改结果的基础。
其次,让 Agent 在明确边界内可靠执行
长期运行的 Agent,需要有清晰的身份、负责人和授权范围。敏感工具应在执行前完成权限与业务条件校验,重要动作应能够进入审批。
从运行机制看,工具级幂等、执行检查点、超时恢复和补偿能力,需要与模型、提示词、工具配置及流程版本的追溯配合起来。成本管理也需要覆盖任务预算、调用步数、运行时长与 Compute 资源限额,并明确超限后的暂停和人工接管方式。
我们衡量这类能力的业务标准是:跨系统售后任务遇到超时后能够正确恢复,已完成的退款不会重复执行;管理员能够暂停 Agent、撤销授权,并查看已经发生的动作。
在此基础上,让能力可以复用,让价值可以衡量
当修改可检查、执行可控,岗位 Agent、行业模板、企业技能目录和跨应用协作才有更扎实的规模化基础。可复用资产也需要有责任人、兼容要求和评测记录,才能被持续使用。
对于应用现代化,我们同样重视业务迁移的实际结果:理解旧系统的数据与接口,选择边界清晰的业务环节,验证之后再扩大范围。新界面只是其中的一部分,数据与业务规则的延续同样重要。
以售后方案为例,我们关注它能否在不同组织中部署并保持权限隔离,也关注人工接管率、端到端完成率、处理时长和每个成功任务的成本。这些指标需要结合试点基线确定,帮助企业判断 AI 究竟改善了哪些工作。
我们希望 HAP 承载怎样的智能业务
从 Mingo 到工作流 Agent,从 MCP、CLI、Skills 到 Compute,我们正在围绕应用构建、智能执行、开放连接和代码扩展推进 HAP 的演进。贯穿这些工作的,是企业对共享数据、业务规则和持续维护能力的长期需求。
我们衡量产品进步的标准,也会落到真实业务中:一次 AI 修改能否安全上线,一个 Agent 能否在故障后正确恢复,一项任务的结果、责任与费用能否被解释清楚。
我们希望通过 HAP,让企业更容易地开始使用 AI,也有能力持续管理 AI 带来的变化。当应用可以不断演进,执行有明确边界,结果能够被验证,企业就有更充分的基础,将连续而重要的工作交给 AI。
参考资料
- Gartner:Critical Capabilities for AI-Augmented Low-Code Application Platforms,2026-09-28
- Gartner:Magic Quadrant for AI-Augmented Low-Code Application Platforms,2026-09-28
- HAP V12.3 发布公告
- HAP V12.4 发布公告;版本更新日志
- MPC2026 明道云伙伴大会回顾
- AI Agent 节点
- 连接 AI:MCP、CLI、Skills;HAP 的 AI 能力一览
- 应用导入升级
- 工作流历史版本和执行详情

