企业官网建设流程全解析

“能不能让 AI 帮我把公司 Excel 库存表变成一个真正的库存管理系统？”这是最近我收到过很多次的问题。更常见的是，提问者会补一句：“最好是说一句话就能生成。”

我的判断是：以 WorkBuddy 为代表的 AI 工作台类工具，确实把软件开发这件事的门槛拆掉了一半。过去你要先会 Python、SQL、Web 框架，才能把一个“商品库存表”变成“商品库存管理系统”；现在只要需求描述足够清楚，AI 能在几分钟内生成可运行的骨架代码。但真正的风险也藏在这里：如果看到 AI 生成的代码就直接当成成品交付，后续的踩坑成本比手写一遍还高。

这篇文章就用“WorkBuddy + Python：一句话设计商品库存管理系统”这条主线，完整跑一遍需求拆解、环境准备、代码生成、运行验证和问题排查。你读完能得到的不是一个花哨演示，而是一套可以复制到其他管理类系统的工程思路：怎么把一句话需求翻译成可执行方案，怎么判断 AI 生成的 Python 代码能不能用，以及真实项目里哪些环节不能省。

1. 为什么用 WorkBuddy + Python 来做库存系统

1.1 过去开发一套库存系统要做什么

如果按传统方式做一套商品库存管理系统，至少要经历这几步：

• 确定业务对象：商品、分类、库存数量、进出库记录；
• 设计数据库表结构，考虑库存扣减时怎么避免超卖；
• 编写后端接口或者命令行工具，处理入库、出库、查询、盘点；
• 再做界面，或者至少做一个可交互的命令行菜单；
• 最后还要测试边界场景：库存不足、商品不存在、重复添加同一商品等。

这套流程对新手并不友好，尤其是“数据库设计”和“业务规则校验”这两块。很多初学者能把 Python 语法看明白，但一打开数据库设计文档就不知道从哪里下手。AI 工作台解决的不是 Python 语法问题，而是“从需求到工程骨架”的翻译成本。你把标题里的场景交给 WorkBuddy 这类 AI 工作台，它会直接告诉你需要几张表、几个接口、几个页面，并生成第一版代码。

1.2 “一句话设计”真正改变的是什么

很多人以为“一句话设计系统”等于“说一句话，系统就完整上线”。这是被短视频教程带偏的理解。

更准确的说法是：AI 帮你把“一句话需求”展开成一套可落地的技术方案，然后生成代码草稿。这中间仍然需要人介入。你输入的句子越有结构，生成结果越能直接运行。真正的收益是：你不需要从零开始写模板代码、建表语句、重复的 CRUD（增删改查）操作，而可以把精力放在最重要的业务规则和数据校验上。

这也是为什么这篇文章用“WorkBuddy + Python”而不是“WorkBuddy 取代 Python”作为主题。AI 负责生成和优化，Python 负责提供可运行的运行时环境，库存系统则是最适合验证这套流程的经典项目：逻辑不复杂、数据关系清晰、业务规则容易扩展。

1.3 适合谁读这篇文章

如果你属于下面几类读者，这篇内容会比较有针对性：

• 正在学 Python，想做一个能写在简历上的“商品库存管理系统”项目；
• 看到 AI 能生成代码后，想知道怎么把自然语言转成靠谱的 Python 程序；
• 公司或团队正在用 Excel 管理库存，想低成本升级成一个小型系统；
• 想了解 WorkBuddy 这类 AI 工作台在实际开发流程里到底怎么用、边界在哪里。

如果你是后端资深开发，那这套案例偏基础。但对绝大多数刚开始用 AI 辅助编程的工程师来说，真正应该补的不是语法，而是“如何把一个模糊业务需求，变成 AI 能理解且能验证的系统描述”。这才是本文重点。

2. WorkBuddy、AI 工作台与库存系统的核心概念

2.1 WorkBuddy 到底是什么

先说明一点：市面上关于 WorkBuddy 的信息比较杂，有些短视频教程会把它包装成“万能办公工具”，甚至虚构出“大学清单”等非官方概念。从搜索热词里的使用方式看，WorkBuddy 更接近一类“个人 AI 工作台 / Agent 工具”：你在一个对话式界面中描述目标，它调用大模型与工具能力，输出代码、文档、业务流程或自动化脚本。

这类工具通常有几个关键词值得关注：

• Skill：可以理解成把某类重复性任务封装起来的技能包。比如“生成 Python 库存管理系统”就可以是一条 Skill，触发后自动按固定套路输出项目结构和代码；
• API 接入：让 WorkBuddy 跟第三方系统对话，比如把数据库连接信息、企业微信通知、Excel 导入导出能力暴露给它；
• 个人工作台：把多个 AI 场景集中在一个界面里，而不是每次打开不同网站。

我的建议是：不要把 WorkBuddy 当成某个玄学工具，更不要看到“非官方安装包”就下载。它的本质是帮你做需求分析和代码生成的“AI 编程助手”。最终能不能跑起来，仍然看本机的 Python 环境、依赖包和业务逻辑。

2.2 库存管理系统的最小数据模型

做库存系统之前，先忘掉花哨的框架，想清楚几个最基本的数据对象：

• 商品（product）：库存里到底有什么；
• 分类（category）：商品怎么归类；
• 库存数量（stock）：当前剩余多少；
• 库存流水（stock_log）：每次入库、出库、盘点调整的记录；
• 预警值（warning_line）：低于某个数量就要提醒补货。

这些对象之间的关系很清晰：一个商品有一条库存记录，每次数量变化都产生一条库存流水。所有管理系统，无论界面多复杂，核心价值都在于“记录变化”和“防止错误变化”。比如出库数量不能大于当前库存，否则就会出现负数库存，这是业务规则层面的底线。

2.3 Python 在这个场景里的优势

用 Python 做商品库存管理系统，最大的优势是开发效率高。SQLite 数据库不需要额外安装服务端，Python 标准库自带 sqlite3 模块，可以做到“零依赖跑通”。到后期需要 Web 界面时，Flask 这类轻量框架也能很快接入。这意味着 AI 生成的代码，阅读成本和学习成本都低，适合作为第一套管理系统项目。

同时，Python 生态非常适合数据处理。库存明细产生后，后续可以用 pandas 做周转分析、用图表库做销售趋势展示，这些扩展能力为项目留下了很好的演进空间。

3. 环境准备与前置条件

在任何 AI 生成代码开始工作之前，先确认本机环境。这一步遗漏，后面会出现大量“明明代码没问题，但就是跑不起来”的报错。

3.1 Python 本体安装

请根据操作系统选择安装方式，版本以当前官网稳定版为准，下面以 Python 3.11+ 通用思路为例。

Windows：

1. 前往 python.org 下载 Windows 安装包；
2. 运行安装程序时，务必勾选“Add Python to PATH”；
3. 安装完成后，重新打开命令行，执行验证。

macOS：

建议先确认是否已安装 Homebrew，再通过 brew 安装，也可以直接使用官网安装包。

Linux（Debian/Ubuntu 系）：

sudo apt update sudo apt install -y python3 python3-pip python3-venv

安装完成后，统一在终端验证：

python --version pip --version

如果 Windows 下提示“python 不是内部或外部命令”，大概率是安装时没有勾选 PATH。处理方式：打开“系统属性 -> 环境变量”，把 Python 安装目录和 Scripts 目录加入 Path，然后重新打开终端。

3.2 国内 pip 镜像配置（可选但推荐）

如果依赖下载速度很慢，可以配置国内镜像。常见做法是写入用户级配置文件：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

这一步不是必须的，但能明显提升体验。注意镜像服务可能有更新变化，如果失效，请以当前可用的 PyPI 镜像为准。

3.3 创建虚拟环境

虚拟环境是 Python 项目的基本隔离手段。它保证当前项目的依赖不会污染全局环境，也避免不同项目之间出现 Flask 版本冲突。

mkdir inventory-project cd inventory-project python -m venv venv

激活虚拟环境：

Windows：

venv\Scripts\activate

macOS / Linux：

source venv/bin/activate

激活成功后，命令行前缀会出现(venv)。

3.4 安装 Web 框架 Flask

先用最简的库存系统跑通时，可以不安装任何第三方库。但如果要让系统变成网页可操作，建议安装 Flask：

pip install flask

验证安装：

pip show flask

到这里，环境准备基本完成。记住：所有后续命令都要在虚拟环境激活状态下执行，否则很容易出现“找不到模块”的报错。

4. 把“一句话需求”翻译成系统设计

4.1 模糊需求与结构化需求的差异

先看一个反面案例：

“帮我做个库存管理系统”

AI 拿到这句话通常不知道你到底要命令行工具还是 Web 系统，不知道要不要分类、要不要预警，更不知道哪一步是入库、哪一步是出库。生成结果往往是一个“看起来都合理但没法直接运行”的通用模板。

再看一段更适合输入 WorkBuddy 的需求描述：

“请用 Python + SQLite 帮我写一个商品库存管理系统。功能要求：1. 支持添加商品，字段包括名称、分类、单价、预警库存；2. 支持入库和出库操作，出库时如果库存不足要禁止操作并提示；3. 每次库存变化都记录到流水表；4. 提供一个命令查看所有商品和当前库存；5. 能列出低于预警值的商品。请先给出项目结构和数据库表设计，再给出完整可运行代码。”

这段描述比第一句话多出四个关键信息：技术栈、功能边界、操作规则、输出形式。AI 工作台收到这类输入后，生成结果的可运行程度会高很多。所谓“一句话设计系统”，真正要练的是把业务需求压缩进一句话的能力。

4.2 用 SQL 把数据模型先定下来

不管 AI 生成什么代码，先让 AI 输出数据库表结构，是避免后续返工的好习惯。以本文场景为例，典型建表语句如下：

CREATE TABLE IF NOT EXISTS products ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL UNIQUE, category TEXT DEFAULT '未分类', price REAL DEFAULT 0, stock INTEGER DEFAULT 0, warning_line INTEGER DEFAULT 10, created_at TEXT DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE IF NOT EXISTS stock_logs ( id INTEGER PRIMARY KEY AUTOINCREMENT, product_id INTEGER NOT NULL, change_count INTEGER NOT NULL, change_type TEXT NOT NULL, remark TEXT DEFAULT '', created_at TEXT DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY(product_id) REFERENCES products(id) );

设计要点：

• products 表负责商品档案和当前库存；
• stock_logs 表记录每一次数量变化，便于追溯；
• change_count用正数表示入库、负数表示出库；
• change_type可以记录“采购入库”“销售出库”“盘点调整”等业务类型。

表结构确定后，再让 WorkBuddy 基于这两张表生成 Python 代码，代码质量会稳定很多。这也是“让 AI 干得更靠谱”的隐藏技巧：先让 AI 出方案，再让它写实现，而不是要求 AI 一次性完成黑盒交付。

4.3 设计模式下需要完成的业务闭环

从用户视角看，一个商品库存管理系统必须支持“商品录入 -> 入库 -> 出库 -> 库存查询 -> 低库存预警”的完整闭环。如果你还需要多人协作，那还要考虑登录权限、操作日志、数据导出等能力。第一版不建议全做，先让核心闭环跑通，再逐步叠加。

这也是 AI 辅助开发最合适的节奏：可以不断对 AI 说“在现有代码基础上增加一个功能”，每轮改动都小、都容易验证，而不是一上来就让 AI 生成一个几百行的大系统。

5. 用 WorkBuddy 生成代码并落地：完整示例

下面我会给出两个可运行版本。方案 A 是零第三方依赖的命令行版，适合学习 SQLite 和库存逻辑；方案 B 是 Flask Web 版的最小实现，适合让非技术人员通过网页操作。

5.1 方案 A：命令行版库存管理系统

项目结构：

inventory-project/ ├── venv/ └── inventory_cli.py

文件路径：inventory-project/inventory_cli.py

# -*- coding: utf-8 -*- """商品库存管理系统：Python + SQLite 最小命令行实现""" import sqlite3 from pathlib import Path DB_PATH = Path("inventory.db") def get_connection(): return sqlite3.connect(DB_PATH) def init_db(): with get_connection() as conn: conn.execute( """ CREATE TABLE IF NOT EXISTS products ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL UNIQUE, category TEXT DEFAULT '未分类', price REAL DEFAULT 0, stock INTEGER DEFAULT 0, warning_line INTEGER DEFAULT 10, created_at TEXT DEFAULT CURRENT_TIMESTAMP ) """ ) conn.execute( """ CREATE TABLE IF NOT EXISTS stock_logs ( id INTEGER PRIMARY KEY AUTOINCREMENT, product_id INTEGER NOT NULL, change_count INTEGER NOT NULL, change_type TEXT NOT NULL, remark TEXT DEFAULT '', created_at TEXT DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY(product_id) REFERENCES products(id) ) """ ) def add_product(name, category, price, warning_line): with get_connection() as conn: conn.execute( "INSERT INTO products(name, category, price, warning_line) VALUES(?, ?, ?, ?)", (name, category, price, warning_line), ) def find_product_id(conn, name): row = conn.execute("SELECT id FROM products WHERE name = ?", (name,)).fetchone() if row is None: raise ValueError(f"商品不存在：{name}") return row[0] def update_stock(name, change_count, change_type, remark=""): with get_connection() as conn: product_id = find_product_id(conn, name) current = conn.execute( "SELECT stock FROM products WHERE id = ?", (product_id,) ).fetchone() new_stock = current[0] + change_count if new_stock < 0: raise ValueError("库存不足，无法完成出库") conn.execute( "UPDATE products SET stock = ? WHERE id = ?", (new_stock, product_id) ) conn.execute( """ INSERT INTO stock_logs(product_id, change_count, change_type, remark) VALUES(?, ?, ?, ?) """, (product_id, change_count, change_type, remark), ) print(f"操作成功：{name} 当前库存 {new_stock}") def list_products(): with get_connection() as conn: rows = conn.execute( """ SELECT id, name, category, price, stock, warning_line FROM products ORDER BY id """ ).fetchall() if not rows: print("暂无商品") return print("ID | 商品名称 | 分类 | 单价 | 库存 | 预警值") for row in rows: print(f"{row[0]} | {row[1]} | {row[2]} | {row[3]} | {row[4]} | {row[5]}") def list_low_stock(): with get_connection() as conn: rows = conn.execute( """ SELECT id, name, stock, warning_line FROM products WHERE stock <= warning_line ORDER BY stock """ ).fetchall() if not rows: print("没有低库存商品") return print("=== 低库存预警 ===") for row in rows: print(f"商品ID：{row[0]}，名称：{row[1]}，当前库存：{row[2]}，预警值：{row[3]}") def main(): init_db() while True: print("\n请选择操作：") print("1. 添加商品") print("2. 入库") print("3. 出库") print("4. 查看所有商品") print("5. 查看低库存商品") print("6. 退出") choice = input("请输入数字：").strip() if choice == "1": name = input("商品名称：").strip() category = input("分类：").strip() or "未分类" price = float(input("单价：") or 0) warning_line = int(input("预警值（默认10）：") or 10) add_product(name, category, price, warning_line) print(f"商品 {name} 添加成功") elif choice == "2": name = input("商品名称：").strip() count = int(input("入库数量：")) update_stock(name, count, "入库", remark="人工入库") elif choice == "3": name = input("商品名称：").strip() count = int(input("出库数量：")) update_stock(name, -count, "出库", remark="人工出库") elif choice == "4": list_products() elif choice == "5": list_low_stock() elif choice == "6": print("已退出") break if __name__ == "__main__": main()

这段代码把核心逻辑都放在了update_stock里：先查当前库存，再计算新库存，小于 0 直接抛异常，避免负数库存。init_db保证每次启动时表都存在，不会出现“no such table”错误。

5.2 用 WorkBuddy 生成方案 A 的对话思路

如果你不是自己手敲代码，而是想让 WorkBuddy 帮你生成上述代码，建议按下面顺序提问：

1. “请基于我提供的两张表结构，写一个 Python 命令行库存系统，要求用 sqlite3 标准库，不引入第三方依赖。”
2. “在 update_stock 函数里，必须校验库存不足时禁止出库，返回明确错误提示。”
3. “请补充 main 循环，提供添加商品、入库、出库、查询、低库存预警等菜单。”

每次提问只增加一个约束，AI 生成的代码更容易理解和排查。如果你发现 AI 生成的代码跑不通，先别让 AI“再生成一版”，而是把报错信息完整贴给它，让它基于报错修改。

5.3 方案 B：Flask Web 版核心代码

当你想让非技术人员也能操作库存系统时，可以升级成 Web 版。下面是最小可运行版本，只展示核心文件。

项目结构：

inventory-project/ ├── app.py └── templates/ └── index.html

文件路径：inventory-project/app.py

# -*- coding: utf-8 -*- """商品库存管理系统：Flask + SQLite Web 版最小实现""" import sqlite3 from pathlib import Path from flask import Flask, render_template, request, redirect, url_for DB_PATH = Path("inventory.db") app = Flask(__name__) def get_connection(): return sqlite3.connect(DB_PATH) def init_db(): with get_connection() as conn: conn.execute( """ CREATE TABLE IF NOT EXISTS products ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL UNIQUE, category TEXT DEFAULT '未分类', price REAL DEFAULT 0, stock INTEGER DEFAULT 0, warning_line INTEGER DEFAULT 10, created_at TEXT DEFAULT CURRENT_TIMESTAMP ) """ ) conn.execute( """ CREATE TABLE IF NOT EXISTS stock_logs ( id INTEGER PRIMARY KEY AUTOINCREMENT, product_id INTEGER NOT NULL, change_count INTEGER NOT NULL, change_type TEXT NOT NULL, remark TEXT DEFAULT '', created_at TEXT DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY(product_id) REFERENCES products(id) ) """ ) @app.route("/") def index(): with get_connection() as conn: products = conn.execute( """ SELECT id, name, category, price, stock, warning_line FROM products ORDER BY id """ ).fetchall() return render_template("index.html", products=products) @app.route("/add", methods=["POST"]) def add_product(): name = request.form.get("name") category = request.form.get("category") or "未分类" price = float(request.form.get("price") or 0) warning_line = int(request.form.get("warning_line") or 10) with get_connection() as conn: conn.execute( "INSERT INTO products(name, category, price, warning_line) VALUES(?, ?, ?, ?)", (name, category, price, warning_line), ) return redirect(url_for("index")) @app.route("/stock", methods=["POST"]) def stock_change(): product_id = request.form.get("product_id", type=int) change_type = request.form.get("change_type") count = request.form.get("count", type=int) if count is None or product_id is None: return "参数错误", 400 change_count = count if change_type == "in" else -count with get_connection() as conn: current = conn.execute( "SELECT stock FROM products WHERE id = ?", (product_id,) ).fetchone() if current is None: return "商品不存在", 404 new_stock = current[0] + change_count if new_stock < 0: return "库存不足，无法出库", 400 conn.execute( "UPDATE products SET stock = ? WHERE id = ?", (new_stock, product_id) ) conn.execute( """ INSERT INTO stock_logs(product_id, change_count, change_type) VALUES(?, ?, ?) """, (product_id, change_count, change_type), ) return redirect(url_for("index")) if __name__ == "__main__": init_db() app.run(debug=True)

文件路径：inventory-project/templates/index.html

<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <title>商品库存管理系统</title> </head> <body> <h1>商品库存管理系统</h1> <h2>添加商品</h2> <form method="post" action="/add"> <input type="text" name="name" placeholder="商品名称" required> <input type="text" name="category" placeholder="分类"> <input type="text" name="price" placeholder="单价"> <input type="text" name="warning_line" placeholder="预警值" value="10"> <button type="submit">添加</button> </form> <h2>商品列表</h2> <table border="1" cellpadding="6"> <thead> <tr> <th>ID</th> <th>名称</th> <th>分类</th> <th>单价</th> <th>库存</th> <th>预警值</th> <th>入库</th> <th>出库</th> </tr> </thead> <tbody> {% for p in products %} <tr> <td>{{ p[0] }}</td> <td>{{ p[1] }}</td> <td>{{ p[2] }}</td> <td>{{ p[3] }}</td> <td>{{ p[4] }}</td> <td>{{ p[5] }}</td> <td> <form method="post" action="/stock" style="display:inline;"> <input type="hidden" name="product_id" value="{{ p[0] }}"> <input type="hidden" name="change_type" value="in"> <input type="number" name="count" value="1" min="1"> <button type="submit">入库</button> </form> </td> <td> <form method="post" action="/stock" style="display:inline;"> <input type="hidden" name="product_id" value="{{ p[0] }}"> <input type="hidden" name="change_type" value="out"> <input type="number" name="count" value="1" min="1"> <button type="submit">出库</button> </form> </td> </tr> {% endfor %} </tbody> </table> </body> </html>

这里用模板语法循环输出所有商品，并通过两个小表单分别提交入库和出库操作。注意：这个版本没有登录校验，只适合学习演示，不要把未加认证的系统直接暴露到公网。

5.4 为什么同一套逻辑要写两个版本

命令行版更适合验证库存逻辑本身，Web 版则增加了界面层。你在用 WorkBuddy 辅助开发时也可以按这个思路迭代：先让 AI 生成命令行版或纯 Python 脚本，确认所有业务方法正确；再对它说“请把这段命令行代码改造成 Flask Web 应用”，这样 AI 只需要处理界面和路由，不需要重新设计核心业务逻辑。

6. 运行结果与效果验证

6.1 运行命令行版

激活虚拟环境后执行：

python inventory_cli.py

按提示依次测试：

1. 选择 1，添加商品“无线鼠标”，分类“外设”，单价 89.9，预警值 10；
2. 选择 1，添加商品“机械键盘”，分类“外设”，单价 299，预警值 5；
3. 选择 2，为“无线鼠标”入库 20；
4. 选择 3，为“无线鼠标”出库 5；
5. 选择 4，查看所有商品；
6. 选择 5，查看低库存商品。

预期输出：

操作成功：无线鼠标 当前库存 20 操作成功：无线鼠标 当前库存 15 ID | 商品名称 | 分类 | 单价 | 库存 | 预警值 1 | 无线鼠标 | 外设 | 89.9 | 15 | 10 2 | 机械键盘 | 外设 | 299.0 | 0 | 5 === 低库存预警 === 商品ID：2，名称：机械键盘，当前库存：0，预警值：5

判断成功的标准：库存数量能正确增加和减少；出库数量超过当前库存时出现“库存不足”的报错；低库存列表能识别低于预警值的商品。

6.2 运行 Web 版

在项目根目录执行：

python app.py

浏览器访问http://127.0.0.1:5000。如果看到商品列表页面，说明 Flask 已成功读取 SQLite 数据。继续点击“入库”和“出库”，每次操作后页面刷新，库存数字应该同步变化。

如果出现 500 错误，优先看终端里 Flask 输出的 Traceback。最常见问题包括模板文件没有放在 templates 目录、数据库文件路径不对、字段名和数据库列不匹配。

6.3 如何判断代码是“能跑”而不是“侥幸能跑”

建议你做三组异常测试：

• 重复添加同名商品，看是否会报错；
• 对不存在的商品出库，看是否会提示商品不存在；
• 库存为 0 时继续出库，看是否会拦截。

这些边界测试通过后，这套代码才算真正有了交付基础。你可以把这三条测试要求写进给 WorkBuddy 的提示里，让 AI 帮你提前规避问题。

7. 常见问题与排查思路

其中“AI 生成的代码跑不通”是最常见的一类。这种时候不要想当然地让 AI 从头再写一次，而是按下面顺序处理：

1. 查看终端里的第一行报错，而不是最后一行；
2. 判断是环境问题、语法问题还是业务逻辑问题；
3. 把报错信息、Python 版本、依赖列表一起发给 WorkBuddy；
4. 让它给出最小修复补丁，而不是重新生成整个文件。

8. 最佳实践与工程建议

8.1 提示词里写清楚验收标准

想让 WorkBuddy 类工具生成更可靠的代码，要善用验收标准。比如：

• “出库数量不能大于当前库存，否则返回错误提示”；
• “每次加库存后要显示最新库存量”；
• “商品名称不能重复，重复时需要提示用户”；
• “请为 update_stock 函数写出三个断言测试”。

这些描述会让 AI 生成的代码更贴近真实工程要求。尤其在生产项目中，验收标准决定代码质量，而不是代码行数。

8.2 后端逻辑必须保护生产数据

哪怕是学习项目，也要保留数据库备份。SQLite 的备份很简单，直接复制inventory.db文件即可。如果系统已经产生重要数据，定期执行备份命令：

sqlite3 inventory.db ".backup 'backup_20250101.db'"

在生产环境里，数据库变更一定要提前备份，并尽量在测试环境验证。不要直接在正式库里执行没有把握的 SQL 脚本。

8.3 权限与安全边界

Web 版库存系统如果不加登录认证，绝对不要部署到公网。任何库存管理系统都涉及企业业务数据，一旦泄露或被恶意操作，后果往往比功能缺陷更严重。

建议即使做内部演示，也至少加上简单的 HTTP Basic Auth 或用户登录；涉及操作日志时，用户名、操作时间等信息应尽量完整。当你需要把系统开放给多个门店使用时，更要引入角色权限、最小权限和审计机制。这些内容也可以让 WorkBuddy 帮你生成初版代码，但最终安全设计必须由工程师确认。

8.4 让 AI 生成的代码进入版本管理

AI 生成代码不是终点，而是一个全新的起点。建议把项目初始化成 Git 仓库，每次修改都记录提交历史：

git init git add . git commit -m "init: 商品库存管理系统命令行版"

后续每让 AI 增加一个功能，不要直接覆盖文件，而是先提交当前稳定版本，再做新功能。这样一旦新需求把系统改坏，可以随时回滚到上一个可用版本。这条规则适用于所有 AI 辅助开发项目。

8.5 把 WorkBuddy 当作结对程序员，而不是代码生成器

我见过最有效的 AI 工作台用法，是把它当成一个“坐在旁边可以随时提问的结对程序员”。你不理解某段生成代码时，可以问它“这一步为什么这么写”；系统上线前，可以问它“这个库存逻辑要考虑哪些边界情况”。这比让 AI 一股脑生成几百行代码更有价值。

不要跳过数据库设计、不要跳过异常测试、不要跳过备份。这些环节无论代码是不是 AI 写的，都决定了系统真正能不能用。

9. 总结与后续学习方向

用 WorkBuddy + Python 设计商品库存管理系统，本质上是一次“需求工程能力 + AI 辅助开发 + Python 工程实践”的组合演练。核心收获不是那一百多行库存代码，而是三个方法：

• 把模糊需求翻译成结构化提示词；
• 在 AI 生成代码后，不盲目信任，而是对着表结构和边界条件验证；
• 把命令行版本逐步演化为 Web 版本、权限版本、报表版本的增量迭代方式。

后续你可以继续往这几个方向扩展：接入 MySQL 或 PostgreSQL 替代 SQLite；增加登录、角色权限和操作审计；让系统支持Excel 批量导入导出；用 pandas 做库存周转分析；或者把低库存预警通过企业微信接口推送给采购员。每一项都可以继续用“先描述清晰需求，让 WorkBuddy 生成初版，自己再做校验”的方式推进。

真正值得警惕的只有一件事：不要以为 AI 能生成代码，就能替代对业务规则的理解。库存系统的“库存不足不能出库”“每次变更都有流水可查”这些基础设计，永远需要人来把关。这是任何工具都替代不了的部分。