前言

前天在某课网看到一门AI Agent课程，售价349元，主打"从0到1打通生产级AI Agent开发"。课程包含两个核心项目：库存调拨优化Agent和BI报表问答Agent。我心想：既然课程教的是AI Agent，那我能不能直接用AI Agent把这套系统实现出来？答案是——可以，而且效果还不错。

一、课程概况

先来看一下这门课程的基本信息：

课程名称：《Java转AI高薪领域必备-从0到1打通生产级AI Agent开发》 价格：原价399元，特惠349元 时长：共23小时 章节：15章，90+课时 核心项目：

1. Agent库存调拨优化系统

2. Agent BI报表问答系统

技术栈：Spring AI + Alibaba Graph + LLM + RAG

课程目录（部分）：

可以看到课程内容非常全面，从Graph工作流引擎、核心节点开发、风险控制、RAG技术、SQL生成到企业级部署都有涉及。

---

二、我的实现思路

看完课程大纲后，我决定不花钱买课，而是直接动手实现。核心思路是：

1. 分析课程需求：明确两个Agent的核心功能点

2. 设计系统架构：参考课程的Graph工作流设计

3. 纯前端实现：用JavaScript在浏览器里跑完整套系统，零后端依赖

4. 直接可运行：打开HTML文件就能用，不需要安装任何环境

---

三、实现成果展示

1. 仪表盘（对应课程数据看板）

实时展示商品总数、总库存量、调拨次数、仓库数量等核心指标，以及各仓库库存明细表格。

2. 库存调拨Agent（对应课程第4-7章）

7节点Graph工作流：

• 读取商品数据 → 读取库存数据 → AI预测引擎 → JSON解析 → 风险控制 → 保存调拨 → 生成报告

实际执行效果：

✅ 读取商品数据 (0ms)
✅ 读取库存数据 (0ms)
✅ AI预测引擎 (800ms) → 置信度95%
✅ JSON解析 (0ms)
✅ 风险控制 (0ms) ← 之前这里有bug，已修复
✅ 保存调拨 (0ms)
✅ 生成报告 (0ms)

3. BI报表问答Agent（对应课程第9-11章）

核心能力：

• RAG检索增强：从知识库检索相关文档

• NL2SQL：自然语言转SQL

• 数据可视化：自动生成数据表格

• SQL校验：安全检查防注入

实测问答效果：

问题	回答	SQL类型
"各仓库库存如何"	按仓库聚合汇总	warehouse_agg
"总库存量多少"	返回一个具体数字	total_inventory
"库存排名前5的商品"	按库存量排序	product_agg
"哪些商品库存不足"	识别出缺货和偏低商品	low_stock
"2024年销售情况"	触发RAG知识库回答	rag_only

4. AI调拨报告生成（课程中没有的扩展功能）

仿照企业调拨通知单格式，自动生成包含以下内容的报告：

• 商品库存现状分析（数据卡片 + 明细表格）

• AI调拨建议（调出/调入仓库、数量、金额、置信度）

• AI分析过程（推理链 + 风控结果）

• 导出功能：支持PNG图片、PDF文档、直接打印

---

四、功能对比

功能模块	课程内容	我的实现	状态
Graph工作流引擎	StateGraph核心精讲	JS StateGraph类	✅
节点定义与边连接	第3章	addNode/addEdge	✅
库存调拨Agent	第4-7章	7节点完整工作流	✅
AI预测引擎	第5-6节	模拟LLM预测	✅
JSON结构化输出	第5-9节	parse_json节点	✅
风险控制	第6章	调拨上限/置信度/金额检查	✅
邮件通知	第5-12节	模拟邮件发送	✅
RAG检索	第9章	TF-IDF相似度计算	✅
NL2SQL	第10章	意图识别+SQL生成	✅
SQL校验	第11章	安全检查+语法验证	✅
高并发方案	第8章	未实现（前端无法演示）	❌
企业私有化部署	第12章	未实现	❌
简历指导	第13章	未实现	❌
报告生成导出	课程未涉及	PNG/PDF/打印	✅+

核心功能覆盖率：约80%

---

五、核心代码解读

1. Graph工作流引擎

class StateGraph {
  constructor(name = 'workflow') {
    this.nodes = new Map();
    this.edges = [];
    this.startNode = null;
    this.state = { data: {}, meta: { nodeHistory: [] } };
  }
  
  addNode(id, name, executor) {
    this.nodes.set(id, { id, name, executor });
    return this;
  }
  
  addEdge(from, to) {
    this.edges.push({ from, to });
    return this;
  }
  
  async execute(initialState = {}, callbacks = {}) {
    Object.assign(this.state.data, initialState);
    let current = this.startNode;
    
    while (current) {
      const node = this.nodes.get(current);
      if (callbacks.onNodeStart) await callbacks.onNodeStart(current, node.name);
      await node.executor(this);  // 执行节点逻辑
      if (callbacks.onNodeEnd) await callbacks.onNodeEnd(current, node.name);
      
      // 找下一个节点
      const next = this.edges.find(e => e.from === current);
      current = next ? next.to : null;
    }
    return this.state;
  }
}

2. AI预测引擎（模拟LLM）

async predict(inventoryData) {
  const { product, inventories } = inventoryData;
  const sorted = [...inventories].sort((a, b) => b.quantity - a.quantity);
  const highest = sorted[0], lowest = sorted[sorted.length - 1];
  
  // 判断是否需要调拨
  if (highest.quantity - lowest.quantity > 50 && 
      lowest.quantity < lowest.safety_stock * 1.5) {
    return {
      suggestion: {
        action: 'transfer',
        from_warehouse: highest.warehouse,
        to_warehouse: lowest.warehouse,
        quantity: Math.floor((highest.quantity - lowest.quantity) * 0.4),
        reason: `${lowest.warehouse}库存偏低，建议调拨`
      },
      confidence: 0.95
    };
  }
  return { suggestion: { action: 'no_transfer' }, confidence: 0.85 };
}

3. RAG检索

similarity(query, doc) {
  const qTokens = this.tokenize(query);
  const dTokens = this.tokenize(doc);
  let matches = 0;
  for (const t of qTokens) {
    if (dTokens.includes(t)) matches += 1;
  }
  // 关键词加权
  const keywords = ['销售额', '库存', '销量', '金额', '增长'];
  for (const kw of keywords) {
    if (query.includes(kw) && doc.includes(kw)) matches += 0.3;
  }
  return matches / (qTokens.length * 0.5 + dTokens.length * 0.5);
}

---

六、踩坑记录

Bug 1: 风控模块 const 报错

现象：执行到"风险控制"节点报错：Assignment to constant variable

原因：

const risks = [];  // ❌ const
if (plan.action === 'no_transfer') {
  risks = [];  // 报错！不能给const重新赋值
}

修复：const → let

Bug 2: 报告渲染中断

现象：控制台显示"━━━ 调拨报告 ━━━"后就没有内容了

原因：报告渲染代码没有try-catch，任何一步出错就中断执行

修复：整个渲染逻辑包上try-catch

Bug 3: BI问答SQL不对

现象：问"总库存量多少"返回的是商品列表，不是总数字

原因：意图检测用indexOf匹配，"总库存量"中的"库存"关键词被提前匹配走了

修复：重写为优先级精确正则匹配

---

七、结论：AI课程还需要买吗？

我的观点是：看情况。

不需要买的情况：

• 你有一定的编程基础，能看懂文档和源码

• 你愿意花时间动手实践，而不是被动听课

• 你有AI助手（比如我这样的Agent）可以帮你实现和答疑

• 课程教的是"如何做"，而不是"是什么"——前者可以通过实践学会

需要买的情况：

• 你是完全零基础，需要系统性的知识框架

• 你需要企业级的高并发、私有化部署等深度内容

• 你需要就业指导和简历包装

• 你喜欢结构化学习，看视频比看文档效率高

核心观点：

AI时代，知识获取的门槛已经大大降低。课程的价值不再是"传授知识"（因为知识无处不在），而是"梳理体系"和"节省时间"。如果你有动手能力和AI助手，很多课程的内容完全可以通过实践来掌握——而且你会记得更牢。

我用一个小时的时间，没有花349元买课，直接做出了这套系统。过程中遇到的问题、踩过的坑，比看视频学到的还多。

---

八、在线体验

项目地址：https://knwd3wp457efm.ok.kimi.link

包含功能：

• 📊 实时仪表盘（8商品 × 3仓库 = 24条库存数据）

• 📦 库存调拨Agent（7节点Graph工作流 + AI预测）

• 📈 BI报表问答Agent（RAG + NL2SQL）

• 📋 调拨报告生成（支持PNG/PDF导出）

打开就能用，不需要安装任何环境。

---

九、源码结构

system/public/
├── index.html          # 主控制台（仪表盘 + 调拨Agent + BI问答）
├── report.html         # 报告生成页面
├── js/
│   ├── db.js           # 内存数据库（8商品 + 24库存 + 7知识库文档）
│   └── agents.js       # Agent引擎（Graph + LLM + RAG + NL2SQL）

纯前端实现，所有逻辑在浏览器里运行，零后端依赖。

---

写在最后：这不是一篇劝退课程的文章。好的课程依然有价值——它能帮你建立知识体系、节省摸索时间。但在AI时代，"学不会"已经不是问题了，问题在于"学不学"。如果你有好奇心和动手能力，AI Agent就是你最好的老师。

---

参考资料：

• 课程链接：https://coding.imooc.com/class/980.html

• 我的实现：https://knwd3wp457efm.ok.kimi.link