当 ERP 学会用 SQL：Spring AI 2.0 函数调用如何让老板直接「问」数据
"最近一周哪个店铺退款最多？"——这个问题在过去需要：运营提需求 → 技术写 SQL → 出报表 → 截图回微信。而在启航电商 ERP v4.1 里，答案是一句话的事。这篇文章拆解我们基于 Spring AI 2.0 + DeepSeek 的函数调用实现，聊聊为什么这么设计、坑在哪。
一、为什么不直接让大模型写 SQL？
这是所有人第一个想到的方案，也是我们最先否掉的方案：
- 安全红线：把生产库结构交给大模型生成可执行 SQL，等于把数据库的钥匙递出去——一条被幻觉出来的
DROP/UPDATE就足以酿成事故； - 权限失控：NLP-to-SQL 无法细粒度控制「谁可以看什么」，RBAC 体系形同虚设；
- 不可信结果：模型对表结构的记忆可能过时，JOIN 错字段、聚合口径错，业务方拿到的是「一本正经的错误数字」——这比没有数字更糟。
所以我们的答案是：SQL 由代码写死并经过验证，大模型只负责「选哪个函数、传什么参数」。这正是 Function Calling（函数调用）的设计哲学。
二、11 个 @Tool 工具类：系统的「手和眼」
Spring AI 2.0 通过 @Tool 注解把 Java 方法注册为大模型可调用的函数。我们把 ERP 的核心查询能力拆成了 11 个原子工具类：
| 工具类 | 职责域 | 典型问题示例 |
|---|---|---|
OrderTools | 订单查询 | "今天还有多少单没发货？" |
RefundTools | 售后退款 | "上周退款原因分布是怎样的？" |
InventoryTools | 库存状态 | "哪些商品库存低于安全线？" |
PurchaseTools | 采购分析 | "7 月采购花了多少钱？" |
GoodsTools | 商品档案 | "A001 这个 SKU 在哪些店铺上架？" |
ShopTools | 店铺信息 | "现在授权了几家抖店？" |
MemberTools | 会员数据 | "本月新增了多少会员？" |
SupplierTools | 供应商 | "哪家供应商报价最低？" |
LogisticsTools | 物流 | "XX 单现在到哪了？" |
WarehouseTools | 仓库仓位 | "主仓还剩多少可用库位？" |
StockFlowTools | 出入库流水 | "昨天出库量是多少？" |
设计原则：小而原子，而非大而全
我们没有做「queryData(question)」这种万能函数，而是坚持每个方法只做一件事、返回结构化的 DTO。原因有三：
- 描述即提示词：方法的 Javadoc 和参数说明会被发给模型，写得越具体（含单位、时间范围默认值），模型选择越准；
- 组合涌现能力："哪个店铺退款最多且是哪款商品导致的"这类复合问题，模型会自动串联
RefundTools→GoodsTools完成，无需我们预先编排； - 审计友好：每次调用都有明确的函数名与参数日志，出了错能精确定位到「哪一步算错了」。
三、一次提问的完整旅程
用户："上个月采购金额 TOP3 的供应商是谁？"
│
├─ ① ChatClient 组装上下文（系统提示词 + 对话历史 + 工具清单）
├─ ② DeepSeek 决策：调用 PurchaseTools.queryPurchaseSummary(period=上月)
├─ ③ 后端执行经过验证的 MyBatis 查询，返回 List<SupplierStatDTO>
├─ ④ 模型继续决策：按金额排序取前 3（纯文本推理，无需再查库）
└─ ⑤ 流式输出："7月TOP3：义乌XX服饰 ¥110,400 …"整个链路中大模型接触不到任何真实连接串或表名，它看到的只是函数签名。前端通过 SSE 逐字渲染回答，等待感大幅降低。
四、从「你问我答」到「主动找你」
对话式查询解决的是「人找数据」，而运营真正的痛点是「异常没人盯」。于是我们把同一套工具复用到了定时监控场景：
// 定时任务伪代码
cron("0 0 9 * * ?") {
val lowStock = inventoryTools.listLowStock(threshold)
if (lowStock.isNotEmpty()) {
ai.analyze(lowStock) // 让 AI 总结影响面与补货建议
notifier.push(feishuWebhook, summary) // 推送到飞书群
}
}销售额为零、退款激增、发货超时、库存不足……这些巡检规则由系统触发、由 AI 补充解读，最终经通知渠道分级推送（高危外推飞书/钉钉/企微，低优站内静默）。同一套 @Tool 体系，两种消费方式——这是我们觉得这套架构最有价值的地方。
五、在你的部署里怎么开启？
# application.yml
spring:
ai:
deepseek:
api-key: sk-xxxxxxxx # DeepSeek 官网申请，几块钱能用很久配置后重启，侧边栏出现「AI 智能」菜单即可使用。两个进阶选项：
- 本地零成本：支持切换 Ollama 本地模型，内网环境也能跑（效果与在线模型有差距）；
- RAG 知识库：部署 pgvector 后可挂载企业知识文档，让 AI 回答「退货规则是什么」这类制度性问题。
六、写给想自己实现的同学
- 工具的 Javadoc 就是给模型看的说明书，认真写参数含义和默认行为；
- 所有查询强制分页上限（如 limit 200），防止一次提问拖垮数据库；
- 金额、比率等关键数字保留原始值返回，格式化交给模型，避免二次计算误差；
- 为每个工具调用记录审计日志（谁、何时、传了什么参数），这是企业落地的信任基础。