这个项目对我来说，不只是一个毕业设计演示项目。它更像是我第一次认真思考：AI 如果只停留在聊天框里，能做的事情其实很有限；只有接进真实的数据、权限、资料和业务流程里，它才开始像一个系统。
我做的是一个 WMS 智能仓储辅助决策系统。前端使用 Vue 3、Vite 和 Electron，后端使用 Spring Boot 3.4、Java 17 和 SQL Server。系统围绕仓储场景展开，核心目标是把库存预警、自然语言数据分析、资料增强问答和文档处理放到同一个业务闭环里。
从“能聊天”到“能处理业务”
一开始我对 AI 应用的理解比较简单：接一个模型接口，做一个对话页面，能问能答，好像就已经是 AI 项目了。
真正做 WMS 时，我才发现业务系统里的 AI 不是这样工作的。用户真正需要的不是一句泛泛的回答，而是：
- 能不能登录后只看到自己权限范围内的数据；
- 能不能上传业务资料，让 AI 回答时参考这些资料；
- 能不能用自然语言问库存和销售问题，然后让系统查真实数据库；
- 能不能看到低库存预警，而不是自己去翻表；
- 能不能处理文档，提取内容，并把结果预览和下载出来。
所以这个项目慢慢从“智能对话”变成了“仓储辅助决策系统”。
我做了哪些能力
这个系统最后形成了几个主要功能区。
第一是账号和权限。系统支持管理员登录、修改密码、用户管理和登录态路由保护。公开注册是关闭的，普通账号由管理员创建。这让我开始意识到，哪怕是一个演示项目，只要涉及数据和后台，也不能绕开身份和权限。
第二是智能对话。对话支持流式返回，并且请求里带 Authorization 头。多会话可以本地保存，也能和后端同步。这个过程让我理解了前端状态、后端会话和模型响应之间的关系。
第三是资料增强问答。用户可以上传、查看、删除知识资料，AI 回答时优先参考当前账号上传的资料。这一步让我从“直接问模型”走到了“给模型补上下文”。
第四是分析助手。用户可以用自然语言提出库存或销售分析问题，后端通过只读 SQL 工具查询真实数据库，再返回 SQL 明细和分析结论。这是我最有成长感的一部分，因为它让我看到 AI 和数据库结合后，能从“回答问题”变成“分析数据”。
第五是库存洞察和文档处理。库存洞察负责低库存预警和商品查询，文档处理负责上传文档、提取文本、预览结果和下载。这些功能让系统更像一个完整的业务工具，而不是一个单独的 AI 页面。
最重要的变化
做这个项目以前，我更关注页面能不能跑起来、接口能不能返回结果。做完以后，我开始关注系统之间的连接。
前端不只是展示页面，它要处理登录态、路由保护、会话状态、资料上传、结果预览。后端不只是转发模型请求，它还要处理认证、数据库、文档、SQL 安全和业务接口。数据库也不只是存数据，它会直接影响 AI 能分析什么、能不能给出可信结论。
这个项目让我明白，AI 项目真正难的地方不一定是调用模型，而是把模型放进一个可靠的工作流里。
我学到的东西
我学到的第一件事，是不要把 AI 功能孤立出来看。一个好用的 AI 系统，应该知道用户是谁、有什么数据、能访问哪些资料、当前问题属于哪个业务场景。
第二件事，是业务系统要有边界。比如 SQL 分析只能做只读查询，API Key 不能写进代码和提交记录，模型配置要可以在系统配置里维护。这些细节不炫技，但它们决定系统能不能继续往下走。
第三件事，是演示也要有主线。这个项目的演示主线可以从管理员登录开始，再到资料上传、资料问答、库存洞察、分析助手，最后展示系统配置和文档处理。这样别人看到的不是一堆功能，而是一条完整的业务流程。
回头看
现在回头看，这个项目还有很多可以继续打磨的地方，比如权限颗粒度、SQL 安全策略、资料检索质量、文档处理能力和部署细节。
但它对我最大的意义，是让我第一次把 AI、数据库、后台、前端和业务流程放到一起考虑。它让我从“做一个能对话的页面”，往“做一个能解决业务问题的系统”走了一步。