AI First 时代：用大模型构建轻量级后台管理系统

在当前技术快速演进的背景下，"AI First"正逐渐成为软件开发的新范式。从自然语言生成 SQL 到智能代理自动完成日常任务，大语言模型（LLM）正在重塑我们与系统交互的方式。本文将结合一段使用 DeepSeek 大模型实现的轻量化后台管理系统的代码示例，探讨"AI First"理念如何简化传统开发流程，并对比"Mobile First"的设计哲学，展望未来人机协作的新形态。

一、传统后台管理 vs AI 驱动的后台管理

传统的后台管理系统通常依赖开发者手写 SQL 查询、构建 CRUD 接口、编写业务逻辑等。整个过程不仅繁琐，还容易出错，尤其是在处理复杂查询或跨表关联时。

而借助大语言模型的能力，我们可以将自然语言直接转化为可执行的 SQL 语句，从而大幅降低开发门槛。以下是一个使用 DeepSeek API 实现的轻量级员工信息管理系统的完整流程：

python 复制代码

from openai import OpenAI
import sqlite3

# 初始化 LLM 客户端（兼容 OpenAI SDK）
client = OpenAI(
    api_key='your_api_key',
    base_url='https://api.deepseek.com/v1'
)
#这里导入的是openai的SDK，但是通过设置base_url，实际调用的是DeepSeek的兼容OpenAI API接口
# 连接 SQLite 数据库
conn = sqlite3.connect("test.db")
cursor = conn.cursor()

# 创建员工表
cursor.execute("""
CREATE TABLE IF NOT EXISTS employees(
    id INTEGER PRIMARY KEY,
    name TEXT,
    department TEXT,
    salary INTEGER
)
""")

# 插入示例数据
sample_data = [
    (6, "黄佳", "销售", 50000),
    (7, "宁宁", "工程", 75000),
    (8, "谦谦", "销售", 60000),
    (9, "悦悦", "工程", 80000),
    (10, "黄仁勋", "市场", 55000),
    (11, "曾繁花", "工程", 80000)
]
#插入sql
cursor.executemany("INSERT INTO employees VALUES (?,?,?,?)", sample_data)
conn.commit()# 确认 提交sql事务

这段代码完成了数据库初始化和基础数据填充。接下来的关键在于：如何让 LLM 理解表结构并生成正确的 SQL？

二、Schema 上下文 + 自然语言 = 可执行 SQL

为了让 LLM 准确理解数据库结构，我们需要提供 schema 信息作为上下文。通过 PRAGMA table_info 获取字段信息后，将其格式化为标准的 CREATE TABLE 语句：

ini 复制代码

schema = cursor.execute("PRAGMA table_info(employees)").fetchall()
schema_str = "CREATE TABLE EMPLOYEES (\n" + "\n".join([f"{col[1]} {col[2]}" for col in schema]) + "\n)"

然后构造一个简洁明确的 Prompt，引导模型只输出纯 SQL：

ini 复制代码

def ask_deepseek(query, schema):
    prompt = f"""
    这是一个数据库的schema:
    {schema}
    根据这个Schema，请输出一个SQL查询来回答以下问题。
    只输出SQL查询语句本身，不要使用任何Markdown格式，
    不要包含反引号、代码块标记或额外说明。
    问题:{query}
    """
    response = client.chat.completions.create(
        model="deepseek-chat",
        max_tokens=2048,
        messages=[{"role": "user", "content": prompt}],
        temperature=0
    )
    return response.choices[0].message.content

通过这种方式，我们可以用自然语言提问，例如：

ini 复制代码

question = "工程部门员工的姓名和工资是多少?"
sql_query = ask_deepseek(question, schema_str)
print(sql_query)  # 输出: SELECT name, salary FROM employees WHERE department = '工程';

随后直接执行该 SQL 并获取结果：

scss 复制代码

results = cursor.execute(sql_query).fetchall()
print(results)

同样地，增删改操作也可以通过自然语言驱动：

ini 复制代码

# 增加员工
question = "在销售部门增加一个新员工，姓名为张三，工资为45000"
sql_question = ask_deepseek(question, schema_str)
cursor.execute(sql_question)
conn.commit()

# 删除员工
question = "删除市场部门的黄仁勋"
sql_query = ask_deepseek(question, schema_str)
cursor.execute(sql_query)
conn.commit()

这种模式极大简化了后端逻辑的编写，尤其适合快速原型开发或非专业开发者使用。

三、"AI First" vs "Mobile First"：两种设计哲学的融合

如果说"Mobile First"是过去十年移动互联网时代的主流设计思想------即优先为小屏设备设计体验，再适配大屏；那么"AI First"则是当前 AIGC 浪潮下的新范式。

Mobile First 强调用户界面与交互路径的优化，核心是"适配设备"；
AI First 则强调"自然语言即接口"，用户无需学习复杂的操作逻辑，只需表达意图，系统即可自动执行。

两者并非对立，而是可以融合。例如：

在移动端 App 中集成 LLM 能力，用户通过语音或文字指令完成操作；
后台管理系统采用 AI 自动生成 SQL，前端则遵循响应式设计，适配手机与 PC。
"小程序 APP 在此基础下适配 PC 端"，未来很可能是 "AI First + Mobile First"双轮驱动 的产品形态。

四、从点奶茶看 AI Agent 的未来

一个生动的例子是"点奶茶"场景：

传统方式：打开美团/抖音/淘宝 → 搜索奶茶 → 比价 → 选优惠券 → 下单。
AI First 方式：对手机说："帮我点一杯少糖热奶茶，在美团、抖音、淘宝上比价，用最便宜的那家下单。"

这背后依赖的是 AI Agent 的能力：理解意图、调用多个服务 API、执行决策、完成闭环操作。虽然目前这类全自动化代理尚未普及，但像豆包、Gemini 等智能助手已展现出初步能力。

值得注意的是，APP 不会消失，而是演变为 LLM 可调度的服务节点。未来的应用架构可能是：

用户 → LLM Agent → 多个微服务（如支付、订单、库存）→ 执行结果返回

五、开源生态助力 AI 应用落地

在国内，阿里云推出的 ModelScope（魔搭） 正在构建类似"大模型应用市场"的生态。开发者可以在其中：

下载开源大模型；
获取高质量数据集用于微调；
使用 Notebook 快速实验和部署。

这种低门槛的工具链，使得像本文中的"自然语言转 SQL"系统能够被更多人复现和扩展，进一步推动"AI First"理念在实际项目中的落地。

结语

"AI First"不是取代开发者，而是将重复性、模板化的编码工作交给模型，让人专注于更高价值的逻辑设计与用户体验。本文展示的轻量级后台管理系统，正是这一理念的缩影：用几行代码 + 自然语言，即可完成传统需要数十行 SQL 和接口的工作。

随着 LLM 能力的持续增强、工具链的日益成熟，我们有理由相信：未来的软件开发，将越来越"对话驱动"、"意图驱动"。而作为开发者，拥抱 AI，不是选择，而是必然。

参考提示：本文代码基于 DeepSeek API 实现，实际使用时请确保 API Key 安全，并注意生产环境中的 SQL 注入风险