当"接个大模型"成为每个管理系统的标配需求，多数团队的选择是在业务代码里散落一堆 SDK 调用：密钥写死在配置文件、用量没人记账、租户之间无隔离、换一家模型供应商就要发版。风行（GoWind Admin）把 AI 当作平台的一等公民模块来做：提供商是数据不是配置、对话走流式推送、用量进配额体系、知识库 RAG 开箱即用，甚至自然语言问数也带四重安全护栏。本文带你完整过一遍这套 AI 能力的设计与实践。

一、能力全景：五个子域，一张图看懂

能力	入口	一句话说明
模型提供商	管理页「AI 提供商」	一行 = 一个 OpenAI 兼容端点（云端 API 或本地 Ollama）；api_key 加密落库
流式对话	分析页 → AI 助手	SSE 实时推送增量 token；同步响应携带完整回复
知识库 RAG	管理页「知识库」	文档切片 → 向量化（pgvector）→ 检索注入对话上下文
智能问数	AI 助手 → 智能问数	自然语言 → 只读 SQL → 结果表格 + 自然语言结论
用量配额	套餐配额 AI_TOKENS	每次调用记账，月度配额超限拒绝
安全与异常洞察	分析页卡片	规则预筛审计明细，LLM 只写总评

本文回答一个问题：让大模型把自然语言翻译成 SQL 直接在公司数据库上执行，怎么才能不把生产库拖垮、不把别人的数据泄露出去？

GoWind CMS 的智能问数（NL2SQL）功能允许用户输入"最近 30 天哪个分类的文章评论最多"，系统让模型生成 SQL、在库上执行、再把结果喂回模型生成自然语言结论。这件事的工程本质不是"让模型写对 SQL"——是假设模型一定会写错、会幻觉、会被提示注入的前提下，如何在执行路径上保证它只能造成无害的错误。

前言

大模型技术高速迭代，正在深层次重塑软件开发的作业模式。当前编码类大模型已成熟支持单文件编写、批量CRUD生成、业务逻辑拼装等能力，部分低复杂度业务模块，甚至可全程交由AI独立完成开发与交付。

行业内随之滋生出一种极具迷惑性的论调：AI普及编码之后，开发框架与脚手架的价值将会彻底消亡。未来开发者仅依靠Prompt即可完成全流程开发，标准化工程基建终将沦为时代冗余产物。

站在生产级微服务、企业级中后台项目的落地视角来看，该观点存在根本性认知误区，其混淆了碎片化代码生成与系统化工程交付两个完全不同的概念。直白来说：会写代码不等于能搭建生产级系统，这也是当下绝大多数开发者对AI编码最大的认知盲区。

前言：狂热之下，所有人都该冷静想想退路

过去两年，软件行业经历了一场罕见的集体狂热。Vibe Coding 成了流行词：一句话生成一个应用，一个周末上线一个产品，「不需要懂代码」的叙事铺天盖地。大模型公司估值一路水涨船高，算力订单排到几年之后，投资圈的逻辑从「这个项目能赚钱吗」变成了「这个故事够不够大」。

与此同时，另一群人的担忧也在发酵：AI 泡沫是不是在重演 2000 年的互联网狂剧？靠 Prompt 堆出来的系统，两年后谁来维护？当「能跑就行」成为团队默认的交付标准，技术债以从未有过的速度累积，会以什么方式清算？

本文不打算做预言家。2027 年泡沫会不会正式破裂，没人能给出确定答案。但把「如果破裂」当作一场思想实验推演一遍，是非常值得的——因为它的价值不在于预测是否应验，而在于：无论泡沫破不破、什么时候破，推演中暴露的问题今天就已经真实存在，推演中给出的答案今天就已经开始有效。