Apple ML Research：Athena利用中间表示实现LLM迭代式应用生成

事件概述

针对利用大语言模型（LLM）生成完整用户界面代码的复杂性挑战，Apple Machine Learning Research提出了Athena。这是一个原型应用生成环境，旨在通过引入共享的中间表示（Intermediate Representations），帮助开发者与LLM以迭代方式协作，从而构建完整的用户界面。

核心信息

• 技术痛点：

  • 用户界面实现通常涉及多个相互关联的文件，涵盖屏幕内容、导航流程及数据模型。
  • 难以通过单一提示词（Prompt）让LLM生成包含足够细节的完整UI。
  • 传统方法生成的代码往往是一个庞大且难以理解的单体文件。

• Athena解决方案：

  • 中间表示机制：引入了三种关键的中间表示形式：
    1. App Storyboard（应用故事板）
    2. Data Model（数据模型）
    3. GUI Skeletons（GUI骨架）
  • 迭代式脚手架：这些中间表示为LLM的代码生成过程提供了脚手架支持，引导其分步生成代码。
  • 结构化输出：能够生成组织良好、结构清晰的代码，并将其分布在多个文件中，同时限制错误产生。

实验评估

• 评估方法：进行了用户研究，对比了Athena原型与传统聊天机器人风格的基线方案。
• 关键结果：**75%**的参与者表示更喜欢使用Athena进行应用原型设计。

发表信息

• 会议：IEEE Symposium on Visual Languages and Human-Centric Computing (VL/HCC) 2024
• 作者：Jazbo Beason, Ruijia Cheng, Eldon Schoop, Jeffrey Nichols
• 研究领域：人机交互（Human-Computer Interaction）、工具/平台/框架（Tools, Platforms, Frameworks）