向的学员一类是刚拿到驾驶证还没信心上路驾驶的学员一类是好久没有开车手有点生的学员再一类就是针对某个项目需要学习比如侧方山路告诉等。业务的逻辑流程是学员联系公司客服根据自己所在的区域以及上课时间客服去查找最适合学员的教练。所有的这些信息都是维护在一个Excel里所以他一直希望能有一套系统做支撑。功能整理根据这个业务的流程就可以把系统的功能大致划分如下学员教练管理课程预约管理充值管理余额统计技术选型根据目前比较火以及我比较熟悉的选择了如下技术框架Vue3FastAPISQLLite然后针对VibeCoding我具体选则如下Trae CNTrae CN内置默认大模型加火山Coding Plan用国内模型优点是反应速度快不需要FQ不需要把自己伪装成打入敌人内部忍辱负重前行的特工007。。。但是其中的一个缺点不得不说的就是大模型的善后工作要占到一半以上而且相应的技术你最起码要懂要不然没法善后。另外智能体的选型由于我的方案都是封装SKILL所有测试的时候就直接在Trae CN里测实际使用的时候在小龙虾里测。我使用的小龙虾是QClaw也许它目前不是最好的但是它安装方便而且目前每天还给很多的Token开发测试学习都够用。整体应用演示这个OLTP项目我直对接智能体的方案尝试总体的方案都是把相应的方法封装成SKILL。下面是我具体尝试的不同的方案。给智能体封装特定的方法起初我是按照比较传统的方法就是让智能体做什么我就给他封装什么方法。在这个方案里我封装了三个方法包括某一天都有哪些课充值排课具体的效果我录了一个视频可以在如下地址观看【将本地系统接入龙虾-哔哩哔哩】 https://b23.tv/K2kBxOs可以看到在这个演示里用户不再需要操作生硬的屏幕UI直接通过自然语言的方式就可以完成特定的任务。这个方法灵活了很多那么是否有什么方法可以放飞大模型的能力不仅局限在给其封装的这些方法呢TEXT2SQL由于我主要关注AIBI这块所以TEXT2SQL的方案直接闪进我的脑海中。相比针对BI的方案对大模型生成的SQL语句精准度会比较高也会复杂一些。但是对于这种小型OLTP系统那简直再合适不过。于是我让大模型整理了建表脚本怕大模型不认识字段那就给脚本里加字段的注释默认生成的脚本没有注释让大模型自动去加。简单折腾了之后重新封装SKILL开始测试。起初的几轮测试结果基本完美大模型对于需求的理解以及针对这种小型系统生成的SQL很是完美。但后来发现了几个问题比如我告诉系统给某学员充值1000按理说我的业务逻辑是这1000块钱对应多少节课也是需要指定的结果大模型直接在课程数量上填写了一个10。不晓得这是幻觉还是智能体记住了我先前测试数据的规律。但在我第一个方案中由于在方法里是明确的指定了传入参数的所以就不存在这个问题。还有一个安全上的风险就是得防着点大模型根据指令生成了删库删表这类的操作。还有一个问题我的有些业务逻辑是串起来的比如插入一个充值记录也要往余额表里写一个记录同时计算当前余额是多少。在这个流程中大模型识别到了跟余额表的关联生成了相应的语句但是它并没留意到当前余额还有多少这个字段。直接自己写了个0上去。如果要解决这个问题那么在SKIL里我就需要指定更多信息是否有更好的方法呢直接把接口告诉智能体我记得先前学LangChain Agent的时候是可以把python的方法直接作为Agent的Tools然后让Agent自己决定该调用哪些工具。在OpenClaw里我们无法指定Tools但是我们可以指定SKILL在SKILL里可以指定为了做什么可以去调用python的哪些方法。而我的接口都是用FastAPI写的这不都现成的么。那么就结合这些信息让智能体直接给我们自动生成一个SKILL部署。