用 WorkBuddy 全流程开发仓储智能监控推送系统，全天零人工干预

#WorkBuddy

一、背景：为什么想到用 AI 开发系统

我是一名仓库管理者，日常最耗时的一项工作，是登录 SCM 系统逐个查看待入库单的进度。

痛点非常具体：

人工登录 SCM 逐一查看，耗时费力，反馈滞后；

加急单时效只有 2 小时，缺乏实时超时预警，容易遗漏；

午休、晚间、节假日无法持续盯监控；

多人重复查询同一批数据，沟通成本高、信息不对称。

一开始我只是想找一个"更省事"的办法，后来尝试用 AI 助手（WorkBuddy）通过纯对话的方式开发一套自动化系统。最终成果是：一套从数据抓取、统计、预警到推送全自动的 SCM 智能入库监控推送系统，2026-08-19 全天运营零人工干预。

二、需求梳理：先把业务规则讲清楚

开发前最重要的一步，是把业务规则翻译成机器能理解的口径：

数据范围：待入库单（status=1），区分加急 / 非加急；

时效要求：加急单 2 小时内完成；

休息时段排除：计算时效要扣除吃饭时间（12:00–13:30、18:00–18:30），避免把休息时间算进超时；

预警时机：加急单超时前 40 分钟给出告警，列出单号 + 配件名 + 剩余分钟；

推送渠道：钉钉群机器人，手机随时可看。

这些规则如果说不清楚，后面写出来的逻辑一定不对。这也是 AI 对话式开发的第一课：需求描述越精确，产出越可靠。

三、开发过程：6 小时、30+ 轮对话

整个开发过程约 6 小时（08:36–15:00），经历了 30+ 轮对话，主要阶段如下：

需求描述：用自然语言告诉 AI 系统要做什么、API 地址、推送目标、统计维度；

AI 生成代码：自动编写登录、抓取、统计、推送的 Python 脚本；

实时验证：推送测试消息到钉钉群，当场看效果、当场反馈；

迭代优化：按反馈即时调整逻辑，重新部署。

最终产出 3 个 Python 脚本 + 6 个桌面快捷方式，覆盖时效计算、数据去重、登录自治等 5 类边界测试。

我的体感：AI 开发最大的价值不是"一次写对"，而是"改起来快"。人工写代码改一个逻辑可能要半天，AI 对话式调整基本是分钟级。

四、系统架构：Python + Windows 计划任务 + 钉钉 Webhook

整个系统核心链路：

SCM 系统（数据源） → Python 脚本（抓取 + 统计） → 钉钉 Webhook（消息推送）

辅助链路：

局域网 HTTP 服务（网页看板 :8000） → Windows 计划任务（每小时调度） → 自动重登（Token 续期兜底）

六大核心模块覆盖"登录 → 抓取 → 统计 → 预警 → 推送 → 看板"全链路：

模块 说明

自动登录认证 OAuth2 + 钉钉 2FA 自动处理，Token 自动续期与重登

数据实时抓取 每小时从 SCM API 获取待入库单，含加急 / 非加急、配件明细

多维度统计 今日 / 加急 / 非加急 / 昨日 / 17 点前五项统计，为 0 时智能隐藏

超时智能预警 加急 2 小时时效计算排除休息时段，超时前 40 分钟告警

智能调度推送 08:20–23:00 推送，午休 / 晚休停推；数据无变化取消推送

局域网网页看板 实时统计网页，局域网内手机 / 电脑均可访问，60 秒自动刷新

五、核心机制：三个值得说的细节

1. 时效计算要扣休息时间

这是业务上最容易出错的点：

有效工作时间 = 墙钟时间 − 休息时段（12:00–13:30 / 18:00–18:30）

加急单有效工作时间 ≥ 120 分钟即判定超时。如果直接按墙钟时间算，午休 1.5 小时会被误判成"该完成没完成"，产生大量假超时。

2. 快超时预警窗口

80 ≤ 有效工作分钟 < 120 → 进入预警列表（40 分钟内到期）

预警不是等到超时才报，而是提前 40 分钟给处理窗口，让仓管有充足时间介入。

3. 数据去重指纹

每轮推送前计算指纹：

指纹 = 今日|加急|非加急|昨日|17点前|快超时单号列表

指纹与上一轮相同则取消推送。这一条直接解决了"消息刷屏"问题——数据没变化就不打扰。

六、登录自治：全天零人工干预的关键

系统要无人值守，最难的是登录态管理，做了三层保障：

会话保活：每 25 分钟访问授权页续期，Token 不足 12 小时提前刷新；

自动重登兜底：刷新失败自动用账号密码重登（同 IP 免验证码）；

开机自愈：电脑重启后 Windows 计划任务自动恢复运行。

实际效果：2026-08-19 全天运行，人工干预次数 0 次，推送频率 1 小时/次，日均实际推送约 15 次（去重后），数据更新延迟不超过 1 小时。

七、经验总结：AI 对话式开发的几点心得

需求先行，规则写清：业务规则（时效口径、休息时段、预警窗口）必须先讲清楚，这是整个系统的地基；

闭环验证：每轮"修改 → 推送 → 反馈 → 调整"，比闷头写代码高效得多；

边界测试不能省：时效计算、数据去重、登录失效、重启恢复这些边界场景都要测到；

省积分小技巧：简单逻辑用轻量模型，需求一次说全避免反复改，纯查询用 Ask 模式；

业务人员也可以做开发：全程零代码基础要求，关键是把业务逻辑描述准确。

八、后续展望

这套模式验证了 AI 助手在仓储业务场景的全流程开发能力，后续计划：

接入更多 SCM 维度（出库、库存、调拨等）；

历史趋势分析，预测入库高峰；

超时自动化工单触发 + 看板图表可视化；

推广至销售、采购、物流，形成统一监控体系。

如果你也经常被重复性数据查询、统计、提醒工作困扰，强烈建议试试用 AI 对话式开发搭一套自己的自动化小系统——成本不高，收益立竿见影。#WorkBuddy