库存查询是仓库里最高频、也最被低估的需求。主管问"这批货还有多少能发"，仓管要打开三张表、选筛选条件、等接口返回、再心算可用量。这个流程的本质是

——人得把自己想问的翻译成系统能听懂的字段和按钮。

AI 助手要消灭的是这层翻译，不是给系统套个聊天壳。它能听懂"昨天下午进的那批电芯还有多少没上架""A 区现在最挤的三排是哪几排"，然后把答案画成图表、把查询条件回填成可编辑的筛选器，让用户看到 SQL 是怎么生成的、结果是从哪来的。本文将这套对话式界面落地，重点是工具调用（function calling）、流式输出、结果可视化、可追溯性与权限兜底。

一、架构：助手是一个带工具的解释器，不是聊天机器人 

。LLM 只负责理解意图、决定调用哪个工具、把自然语言参数映射成结构化参数；真正查数据的是我们自己的 API。这个边界决定了一切。

// src/assistant/tools.js
export const TOOLS = [
  {
    name: 'inventory.query',
    description: '按 SKU / 库位 / 批次查询库存数量、可用量、锁定量、库龄',
    parameters: {
      type: 'object',
      properties: {
        sku:     { type: 'string',  description: '物料编码，如 "SKU-10086"' },
        zone:    { type: 'string',  description: '库区，如 "A" / "B" / "COLD"' },
        location:{ type: 'string',  description: '库位编码' },
        status:  { type: 'string',  enum: ['available', 'locked', 'inbound'], description: '库存状态' },
        batchNo: { type: 'string',  description: '批次号' },
      },
      required: [],
    },
  },
  {
    name: 'inventory.history',
    description: '查询指定 SKU 一段时间内的出入库流水',
    parameters: {
      type: 'object',
      properties: {
        sku: { type: 'string' },
        since: { type: 'string', description: '起始时间 ISO8601，支持相对表达如 "3 days ago"' },
        until: { type: 'string', description: '截止时间 ISO8601' },
      },
      required: ['sku'],
    },
  },
  {
    name: 'picking.task.list',
    description: '查询拣货任务，支持按状态、波次、责任人过滤',
    parameters: { /* ... */ },
  },
  {
    name: 'location.recommend',
    description: '为指定 SKU 推荐上架库位，返回 Top5 候选及各自得分',
    parameters: {
      type: 'object',
      properties: {
        sku: { type: 'string' },
        qty: { type: 'number', description: '待上架数量' },
      },
      required: ['sku', 'qty'],
    },
  },
];

二、对话状态机：三种状态，覆盖所有交互 

对话不是"发一条、收一条"那么简单。它有等待用户输入的空闲态、有模型正在流式的进行态、有需要确认的危险操作待定态。

// src/assistant/state.js
import { create } from 'zustand';

export const useAssistant = create((set, get) => ({
  messages: [],              // { id, role, content, toolCalls?, artifacts? }
  status: 'idle',            // idle | streaming | awaiting-confirm
  pendingTool: null,

  send(text) {
    const userMsg = { id: uid(), role: 'user', content: text };
    set((s) => ({ messages: [...s.messages, userMsg], status: 'streaming' }));
    runTurn(text);           // 见下一章
  },

  confirm() {
    const { pendingTool } = get();
    if (!pendingTool) return;
    set({ status: 'streaming', pendingTool: null });
    executeTool(pendingTool);
  },

  cancel() {
    abortController?.abort();
    set({ status: 'idle', pendingTool: null });
  },
}));

function uid() { return `m-${Date.now()}-${Math.random().toString(36).slice(2)}`; }

三、工具调用循环：多轮推理，直到能回答 

LLM 可能需要多次调用工具。比如用户问"这批货够不够发"，模型要先查库存、再查在途、再算可用量——三步串行。

// src/assistant/runner.js
let abortController = null;

async function runTurn(text) {
  abortController = new AbortController();
  const history = buildHistory();        // 截取最近 N 条，控制 token 与成本

  try {
    const res = await fetch('/api/assistant/chat', {
      method: 'POST',
      headers: { 'Content-Type': 'application/json' },
      body: JSON.stringify({ messages: history, tools: TOOLS, stream: true }),
      signal: abortController.signal,
    });

    const reader = res.body.getReader();
    const decoder = new TextDecoder();
    let buffer = '';

    while (true) {
      const { done, value } = await reader.read();
      if (done) break;
      buffer += decoder.decode(value, { stream: true });
      const lines = buffer.split('\n');
      buffer = lines.pop();              // 保留半行
      for (const line of lines) {
        if (!line.trim()) continue;
        handleEvent(JSON.parse(line));
      }
    }
  } catch (e) {
    if (e.name !== 'AbortError') append({ role: 'assistant', content: '抱歉，服务暂时不可用，请稍后再试。' });
    useAssistant.setState({ status: 'idle' });
  }
}

function handleEvent(ev) {
  switch (ev.type) {
    case 'delta':                       // 流式文本片段
      appendDelta(ev.id, ev.text);
      break;
    case 'tool_call':
      appendToolCall(ev);
      break;
    case 'tool_result':
      appendToolResult(ev);
      break;
    case 'artifact':                    // 结构化产物：图表/表格
      appendArtifact(ev);
      break;
  }
}

四、流式渲染：打字机效果，但不只是打字机 

 看似灵活，实际坑极多（光标漂移、粘贴富文本、IME 组合态、复制乱码）。

// src/assistant/Message.jsx
import React, { useEffect, useRef } from 'react';

export function Message({ message }) {
  const ref = useRef(null);

  useEffect(() => {
    // 流式追加时自动滚到底部
    ref.current?.scrollIntoView({ behavior: 'smooth', block: 'end' });
  }, [message.content]);

  if (message.role === 'tool_call') {
    return <ToolCallCard call={message.toolCall} />;
  }
  if (message.role === 'assistant' && message.artifact) {
    return (
      <div className="wms-msg wms-msg--assistant">
        <p ref={ref} className="wms-msg__text" style={{ whiteSpace: 'pre-wrap' }}>
          {message.content}
        </p>
        <ArtifactView artifact={message.artifact} />
      </div>
    );
  }
  return (
    <div className={`wms-msg wms-msg--${message.role}`}>
      <p style={{ whiteSpace: 'pre-wrap' }}>{message.content}</p>
    </div>
  );
}

五、产物渲染：让数字可被操作 

AI 的回答如果只是文字，它就是个更慢的搜索框。真正的价值在于

// src/assistant/ArtifactView.jsx
import React from 'react';
import { Line, Bar } from 'react-chartjs-2';
import { useFilters } from '../filters/store';

export function ArtifactView({ artifact }) {
  const setFilters = useFilters((s) => s.setFilters);

  switch (artifact.kind) {
    case 'timeseries':
      return (
        <figure className="wms-artifact">
          <Line data={toLineData(artifact)} options={chartOptions} />
          <figcaption>近 30 天出入库趋势（单位：件）</figcaption>
        </figure>
      );
    case 'ranking':
      return (
        <Bar data={toBarData(artifact)} options={{ indexAxis: 'y' }} />
      );
    case 'table':
      return (
        <div className="wms-artifact">
          <table>
            <thead><tr>{artifact.columns.map((c) => <th key={c}>{c}</th>)}</tr></thead>
            <tbody>
              {artifact.rows.map((r, i) => (
                <tr key={i}>
                  {r.map((cell, j) => <td key={j}>{cell}</td>)}
                </tr>
              ))}
            </tbody>
          </table>
          {/* 一键回填：把 AI 的查询条件变成可编辑的筛选器 */}
          <button onClick={() => setFilters(artifact.filters)}>
            用此条件筛选 →
          </button>
        </div>
      );
    case 'recommendation':
      return <RecommendationCard items={artifact.items} />;
    default:
      return null;
  }
}

六、危险操作与权限：能查和能改之间必须有一道门 

助手能查库存很方便，但"把这批货转去次品区""取消这个拣货任务"这类操作是破坏性的。LLM 必须

// src/assistant/safety.js
const DANGEROUS = new Set([
  'stock.adjust',
  'task.cancel',
  'location.transfer',
  'stock.write.off',
]);

export function isDangerous(toolName) { return DANGEROUS.has(toolName); }

export async function executeTool(call) {
  const { name, arguments: args, id } = call;

  if (isDangerous(name)) {
    // 不执行，只把"将要做什么"呈现给用户确认
    useAssistant.setState({
      status: 'awaiting-confirm',
      pendingTool: { id, name, args, preview: humanizePreview(name, args) },
    });
    return;
  }

  try {
    const res = await fetch(`/api/tools/${name}`, {
      method: 'POST',
      headers: { 'Content-Type': 'application/json' },
      body: JSON.stringify(args),
    });
    const data = await res.json();
    appendToolResult({ callId: id, ok: true, data });
    continueTurn();                 // 把结果送回模型，让它继续推理
  } catch (e) {
    appendToolResult({ callId: id, ok: false, error: e.message });
  }
}

七、降级与可观测性：模型挂了，系统还要能用 

LLM 不是 100% 可用的服务。必须有降级路径。

// src/assistant/fallback.js
export function pickAssistantStrategy({ llmAvailable, latency, userTier }) {
  if (!llmAvailable) {
    return {
      mode: 'keyword',
      suggest: 'AI 服务暂不可用，已切换为关键词检索，可输入 SKU 编码或库位编码直接查询',
    };
  }
  if (latency > 3000) {
    return { mode: 'degraded', suggest: '响应较慢，建议改用筛选器直接查询' };
  }
  return { mode: 'full' };
}

// 意图分类关键词表：无模型时的兜底
const KEYWORDS = [
  { match: /库存|还有|余量|还剩/, tool: 'inventory.query' },
  { match: /出库|流水|进出|历史/, tool: 'inventory.history' },
  { match: /上架|放哪|库位/, tool: 'location.recommend' },
  { match: /拣货|任务/, tool: 'picking.task.list' },
];

最后讲两句常被忽略的：提示词和注入。

本文交付了一套可投产的库存对话式助手。六条核心结论：

第一，助手是一个带工具的解释器。

 工具定义里的 description 是给模型读的契约，写得精确模型才选得对、问得对；工具集要小要准，别造"万能查询"。

第二，对话必须用状态机管理。

 idle / streaming / awaiting-confirm 三态覆盖所有合法路径，危险操作必须经过人工确认，流式必须可中断。

第三，多步工具调用要形成闭环。

 流式 NDJSON 解析要做好半行缓冲，工具结果要送回模型继续推理，历史上下文要裁剪控制成本。

 图表带单位、表格配"用此条件筛选"回填按钮——把 AI 的答案接进用户自己的分析流程，才是它从玩具变工具的分界线。

 危险工具默认拒绝、写操作后端二次鉴权、模型不得编造数据、输入要做注入过滤与脱敏。

 关键词检索作为兜底，让 AI 不可用变成"自然语言能力降级"而非功能失效。

库存查询是仓库里最高频、也最被低估的需求。主管问"这批货还有多少能发"，仓管要打开三张表、选筛选条件、等接口返回、再心算可用量。这个流程的本质是翻译成本——人得把自己想问的翻译成系统能听懂的字段和按钮。

智能仓储 WMS 前端系统 | WMS AI 助手：自然语言查询库存的对话式界面

前端开发

前端

编程语言

本文介绍一套可投产的库存对话式AI助手架构，通过工具调用、流式输出与状态机管理，将自然语言查询转化为可追溯、可操作的仓库数据界面。重点覆盖多步推理、危险操作确认、产物图表化渲染与关键词降级兜底，实现安全、高效、可解释的智能库存查询交互。

数据可视化

聊天机器人

提示词注入

数据脱敏

敏感数据

解释器

ReAct 

JSON

2026上云采购 | AI焕新·智启新局

dmask

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

智能仓储 WMS 前端系统 | WMS AI 助手：自然语言查询库存的对话式界面

智能仓储 WMS 前端系统 | WMS AI 助手：自然语言查询库存的对话式界面

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐