传统老旧系统的“AI 涅槃”：从零构建企业级 Agent 集群实战指南

一、 站在十字路口：老旧系统的"AI 焦虑"

在很多企业中，支撑核心业务的往往是那些运行了 5 年、10 年甚至更久的"老系统"。它们可能是一套复杂的 ERP、一套功能臃肿的 OA，或者是一套堆满了业务逻辑的进销存软件。

作为这些系统的开发者或维护者，你是否面临以下困境：

• 报表地狱：老板想要一个新的统计维度，你需要改 SQL、加 Controller、画前端图表，忙活三天，结果老板只看了一眼。
• 数据孤岛：系统里存了成千上万份 PDF 合同和 Word 文档，除了占用磁盘，毫无价值，想查某个条款只能靠肉眼翻。
• 决策盲区：系统只负责记录"发生了什么"，却无法告诉你"该做什么"。库存缺了、价格异常了，只能靠人工盯着。

现在，大模型（LLM）给了我们一个低成本、高回报的"翻新"机会。 本系列合集将带你深入实战，不讲虚头巴脑的理论，直接基于本地部署的 DeepSeek-R1 大模型，手把手教你如何在一套传统 Spring Boot 架构上，"插"入一颗 AI 核心，让它从一个"打字机"进化为能思考、能审计、能分析的"数字员工"。

---

二、 旁路式架构：老系统集成 AI 的最优解

在对生产系统进行改造时，最忌讳的是"推倒重来"或"强侵入改造"。我们要像安装外挂模块一样，采用旁路式扩展架构。

1. 技术选型：私有化是唯一底线

对于企业级系统，数据安全高于一切。我们拒绝使用任何公有云商业 API，所有示例均基于：

• Ollama：作为本地大模型运行环境。
• DeepSeek-R1 (7B/14B)：作为核心推理大脑。
• Spring AI：作为 Java 后端与模型交互的标准适配层。

2. 核心基础设施：审计日志设计

AI 的输出具有随机性，因此在老系统集成 AI 的第一步，不是写 Prompt，而是建立审计体系。我们需要记录每一次 AI 调用的"思考过程"（Thinking Process）、耗时以及 Token 消耗。

代码示例：通用 AI 审计模型（脱敏重构）

/**
 * 为什么需要审计日志？
 * 1. 监控 AI 是否在瞎说（幻觉）。
 * 2. 推理模型（如 DeepSeek-R1）的 thinking 过程是优化 Prompt 的核心依据。
 * 3. 统计本地资源的消耗情况。
 */
@Data
@TableName("infra_ai_audit")
public class AiAuditLog {
    @TableId
    private Long id;
    
    // 业务场景：如"合同问答"、"智能补货"
    private String scene;
    
    // 用户输入的原始问题
    private String userPrompt;
    
    // AI 的思考过程（针对推理模型）
    private String aiThinking;
    
    // AI 的最终回答内容
    private String aiResponse;
    
    // 消耗时间（毫秒）
    private Long durationMs;
    
    // 状态：0-成功，1-异常
    private Integer status;

    private LocalDateTime createTime;
}

---

三、 实战预览：我们将如何改造你的系统？

在本合集的后续篇章中，我们将深入以下核心业务场景：

1. 赋予系统"语义检索"能力 (RAG)

我们将把系统里沉睡的 PDF 附件提取出来，切片存入向量数据库（MySQL 扩展或 pgvector）。
效果：用户问："公司去年跟康泰医疗签的补充协议里，违约金是怎么定的？" AI 直接翻出合同并回答。

2. 让财务和销售"问"出报表 (Text-to-SQL)

通过 Schema Linking 技术，让 AI 理解你的数据库结构。
示例代码：防止 AI 删库的 SQL 校验器思路

/**
 * 生产级安全：防止 AI 执行 DDL 或 DML 语句
 */
public class SqlSafetyChecker {
    public static void checkSelectOnly(String generatedSql) {
        // 使用 JSQLParser 解析 SQL
        Statement statement = CCJSqlParserUtil.parse(generatedSql);
        if (!(statement instanceof Select)) {
            throw new SecurityException("危险操作！AI 试图执行非查询指令。");
        }
        log.info("SQL 安全校验通过，准备执行查询...");
    }
}

3. 打造能自我修正的"数字专家" (Agent)

利用 ReAct（Reasoning and Acting）模型，给 AI 装备"工具箱"。
场景：AI 发现库存低于阈值 -> 自动调用查询接口看历史销量 -> 发现下周有大促 -> 自动生成一份补货申请单草稿发送给采购员。

---

四、 为什么这套课程值得你关注？

1. 纯本地环境：不用梯子，不用买 Key，一台 16G 内存的笔记本就能跑通全流程。
2. 生产级代码：拒绝 Hello World。我会教你如何处理长文本截断、如何防止 AI 幻觉、如何实现多租户数据隔离。
3. 循序渐进：从最简单的 Chat 接口讲起，一直到复杂的 Agent 编排。

---

五、 系统样例

该合集文章更新于：知识星球 代码到产品之Java