很多人以为 AI 化就是"给系统接个大模型"。真正落地过的人会明白,AI 化分两个完全不同的方向:
财务系统负责"往深了做",Y2K 企业 AI 总指挥台负责"往宽了做"。一个管"系统内部",一个管"系统外部",合起来才是完整的"AI 时代企业管理"。
这套系统对标金蝶 K3,原本已有 20 大模块。这一天里,我们把财务系统的 AI 增强分三层全部落地:
已有基础:AI 决策中心(健康度评分+雷达图)、AI 预警中心(红色呼吸灯)、AI 助手。不依赖外部 API 的本地规则引擎,数据全部来自财务库,安全可控、零成本、秒级响应。
关键点:这 25 个模块全部基于财务数据规则引擎,没有花一分钱接外部 API。规则引擎让 AI"可解释、可控、数据闭环"——这正是财务场景最需要的 AI 形态。
这是更大的命题:F 盘 53 个系统、260+ 套 ERP,系统太散、数据孤岛、没人运维。用「三横三纵」框架统一管理:
| 横向分层 | 承载什么 | AI 扮演的角色 |
|---|---|---|
| 横一 · 企业AI中台 | 一个 AI 网关,所有 ERP 共用一套智能能力 | 全局 AI 问答:"集团营收多少?"→ 直接给答案 |
| 横二 · 统一数据仓库 | 元数据扫描发现 75 个系统 + 数据汇聚 + 主数据治理 | 自动生成每套系统的"数据字典" |
| 横三 · 统一认证门户 | SSO 单点登录 + 企业驾驶舱总看板 | 一个页面看全公司所有系统经营数据 |
| 纵向主线 | 解决的问题 | AI 增强点 |
|---|---|---|
| 纵一 · 桌面AI助手 | 跨系统问答:"财务应收 + 销售合同 + 仓库库存 汇总给我" | 一句话生成报表/图表/预警 |
| 纵二 · AI自动运维 | 巡检 72 个系统、自动备份数据库、异常红色呼吸灯告警 | 解决"这么多系统没人管" |
| 纵三 · 跨系统决策 | "某项目毛利低" → 自动关联采购成本/生产效率/应收账期 → 定位根因 | 企业健康报告自动生成 |
一开始元数据扫描只识别 server.js,结果只发现 6 个系统。后来发现 F 盘大部分系统是 FastAPI(main.py)放在 backend/ 子目录,扩展识别后一次扫到 75 个。教训:别假设所有系统架构一致,扫描要递归 + 支持多种入口文件。
`Cannot read properties of undefined (reading 'get')` 来自 ECharts 内部,试了 CDN 本地化、animation:false、dispose、移除 canvas 都无法消除。最后判定是 headless 无头浏览器的无害告警,真实浏览器不出现,所有功能正常。教训:不要为了一个无害的 headless 特有问题浪费大量时间。
Python 脚本往 Nginx 配置插 `location /y2k/` 时报 `location "/y2k/" is outside location "/finance/"`。原因是 marker 选错,插到了 finance 块内部。修复:用精确的独立行(`ssl_certificate ... fullchain.pem;`)作为插入锚点。教训:改配置的 marker 必须精确到唯一行。
前端用硬编码绝对路径 `/api/*`,部署到 `/y2k/` 子路径后请求全 404。修复:用 `window.location.pathname` 动态计算前缀,根路径为空、子路径为 `/y2k`。这是财务系统踩过的同款坑,直接复用经验。
把这两个项目连起来看,就是一套完整的方法论:
主线一 · 单系统 AI 化(往深做):看得懂 → 会干活 → 做得了主,三层递进,每层都建立在上层数据基础上。
主线二 · 多系统 AI 治理(往宽做):统一底座 → 打通数据 → AI 决策,三横三纵,把 260+ 套零散系统组织成一个平台。
单系统 AI 化解决"这一套系统好不好用",多系统 AI 治理解决"这么多系统怎么管"。两个方向都做,才叫完整的 AI 时代数字化。
技术永远在变,但"数据要打通、规则要沉淀、决策要智能"这三件事不会变。今天这两个项目,就是这三件事的完整实践。
觉得有用?分享给更多人