ERP 报表怎么让业务自己查?WorkBuddy 加 SQL Server 搭网页工作台

业务要一张库存表,IT 得写 SQL、跑、导出、发邮件,改个条件再来一轮。这篇讲怎么用 WorkBuddy 技能把固定报表封成网页表单:视图层固化口径、只读账号管权限、参数化防注入、超时与行数上限护住生产库,业务自助查询并导出 Excel。
ERP 报表自助查询工作台搭建实践

先说一个几乎所有用 ERP 的公司都有的场景:业务同事要看一张库存报表,流程大概是这样的——微信找 IT,”帮我查下 A 仓库这个月的结存”;IT 手头有别的活,排到下午;打开 SSMS 写一条 SQL,改几个参数,执行,导出 Excel;发回去。业务看完说”能不能按物料大类分开看”,再来一轮。

这件事的荒谬之处在于:报表逻辑是固定的,SQL 是重复的,只有参数在变。但每次都要一个人重新走一遍全流程。

这篇文章讲的是怎么用 WorkBuddy(一个 AI Agent 客户端)加一个自定义技能,把这类查询封成网页表单——业务自己在浏览器里选条件、点查询、导出 Excel,IT 只在后台维护技能和视图,不再当”人肉查询机”。

一、先算清楚:一张报表的成本结构

不把痛点量化,就没法判断这件事值不值得做。

1.1 隐性成本在哪

表面看是”IT 花十分钟写条 SQL”,实际成本分布在四个地方:

环节 实际发生了什么 成本形态
排队IT 手上有别的任务,报表要等业务决策延迟
沟通“哪个仓库””哪个月””按什么口径”反复确认来回拉扯,容易理解偏差
执行写 SQL、改参数、跑、导出IT 的注意力被切碎
返工口径不对、字段少了、格式要改同样的事做第二遍

1.2 真问题不是”慢”,是”依赖”

如果只是慢,加个人手就解决了。真正的问题是业务和数据之间隔着一个必须存在的人:

  • 业务不知道表结构,也没权限直接连数据库(这是对的,不该给);
  • IT 知道怎么查,但不清楚业务口径的细节,每次都要问;
  • 查询逻辑散在聊天记录、邮件、个人笔记里,人一换就断档。

所以解法不是”让 IT 查得更快”,而是把查询能力从人身上搬到工具里,让业务自助。

二、这个方案在做什么:把固定 SQL 变成表单

整体思路一句话:SQL 逻辑写死在技能里,参数从网页传进来,结果回网页去。

2.1 三层分工

浏览器(表单 + 表格)
      ↓  参数
WorkBuddy 技能(ERP_query)
      ↓  参数化 SQL
SQL Server(ERP 库 · 只读账号)
      ↓  结果集
浏览器(表格 + 导出)

关键是中间那层”技能”。它是这套方案的核心资产——把”某张报表该怎么查”这件事从人的脑子里,落成一份可读、可改、可版本管理的文档加脚本。

2.2 和直接做个 BI 有什么区别

有人会问:这不就是 BI 吗?为什么不直接上 DataEase、Metabase 这类工具?

差别在口径复杂度。BI 工具擅长的是”把数据字段拖成图表”,适合结构清晰、口径简单的分析。但 ERP 里的报表往往是这样的:

  • 库存结存要按”最后一条流水”算,不是简单求和;
  • 生产单的物料耗用要沿着 BOM 层层展开;
  • 销售退货要冲减对应月份的出货,跨月处理;
  • 同一个”可用库存”,销售、采购、生产三个部门的口径各不相同。

这类逻辑用 SQL 表达很自然,用 BI 的拖拽界面表达很痛苦。所以更实际的做法是:SQL 留在技能里,BI 只负责展示。我这个方案就是走的这条路——把展示层做薄,逻辑层做厚。

三、架构拆解:四块各管什么

3.1 底层能力层:复用已有技能

核心查询能力不是从零写的。之前已经有一个 ERP_query 技能,负责:

  • 读取数据库连接配置(服务器、库名、账号);
  • 接收结构化查询参数;
  • 拼装参数化 SQL 并执行;
  • 返回数据集(JSON);
  • 异常处理与日志。

这一层的价值是不用重复造轮子:数据库连接、超时控制、错误处理写一次就够了,后面每加一张报表,只需要在技能里加一段 SQL 模板。

3.2 前端工作台

一个页面,左边条件面板,右边结果表格:

┌─────────────────┬──────────────────────────────┐
│ 报表类型  [库存▾]│                              │
│ 截止日期  [____] │      查询结果表格             │
│ 公司      [全部▾]│      (可排序、可滚动)        │
│ 物料前缀  [____] │                              │
│                 │                              │
│ [ 查询 ]        │  [查看SQL] [导出Excel] [存云端]│
└─────────────────┴──────────────────────────────┘

下拉框里是报表类型(库存 / 销售 / 生产溯源 / 财务…),选中后条件区会自动切换成该类报表需要的字段。这个设计比”一个大表单塞所有字段”好维护得多——加一张报表只需要加一个配置项,不用改页面结构。

3.3 一键启动脚本

写了 start_all 批处理,双击一次拉起全部服务(AI 服务 + 网页服务)。这个细节看着不起眼,但实际很关键——如果每次重启服务器都要手动敲五行命令,这套东西活不过两周。

3.4 数据持久化

查询结果可以本地存,也可以一键保存到云端,同时记录查询耗时、数据来源、SQL 文本。这三个字段的价值在后面——跑一段时间之后你会有一份真实的性能档案:哪条报表最慢、慢在哪、什么时候集中访问。

四、技能怎么写:把报表逻辑落成文件

4.1 技能的结构

一个 WorkBuddy 技能本质是一个目录,核心是 SKILL.md 加若干脚本:

erp_query/
├── SKILL.md          技能说明(什么时候用、怎么调、参数含义)
├── scripts/
│   ├── query.py      执行查询的主逻辑
│   └── reports.py    各报表的 SQL 模板
└── references/
    └── schema.md     关键表结构说明(给 AI 看,也给人看)

SKILL.md 里要把这几件事写清楚,因为 AI 是靠它来理解”该干什么”的:

  • 触发条件:用户说”查库存””看销售报表””核对物料”这类话时启用;
  • 参数定义:每个报表需要哪些参数、类型是什么、可选值范围;
  • 口径说明:结存怎么算、退货怎么冲、跨月怎么处理——这些是最容易出错的地方;
  • 输出格式:返回什么样的结构,字段名和含义。

4.2 为什么”口径说明”最值钱

SQL 本身不难写,难的是知道该按什么口径写。

举个真实的坑:库存结存。新手最容易写成的样子是 SUM(入库) - SUM(出库),但 ERP 里常见的情况是——某笔出库被红冲了,产生一条负数入库;或者存在调拨单,仓与仓之间移动不影响总量但影响单仓。这些逻辑如果不在文档里写清楚,AI 生成的 SQL 一定出错,而且是那种”数字看起来对、一对账就差几千”的错。

所以我把这些规则全部写进 SKILL.md,让它成为”唯一事实来源”。改口径就改这一个文件,所有调用方自动生效。

4.3 参数化是硬要求

这一点后面还会讲,但这里先强调:所有参数必须走绑定,不能字符串拼接。

# 错误写法(拼接,有注入风险)
sql = f"SELECT * FROM v_stock WHERE wh = '{wh}'"

# 正确写法(参数绑定)
sql = "SELECT * FROM v_stock WHERE wh = ?"
cursor.execute(sql, (wh,))

网页传进来的东西,一律当作不可信输入处理。这不是洁癖,因为这套东西是给业务同事用的,而业务同事会复制粘贴各种奇怪字符(全角空格、中文引号、物料编码里带的特殊符号)。

五、数据库侧的四个硬约束

这一节是整个项目最容易出事的地方,也是我花时间最多的地方。

5.1 权限最小化:只读账号,只授视图

绝对不能用 sa 或者任何高权限账号跑网页查询。正确做法是建一个专用登录:

-- 建登录与数据库用户
CREATE LOGIN erp_reader WITH PASSWORD = '强密码', CHECK_POLICY = ON;
USE [ERP];
CREATE USER erp_reader FOR LOGIN erp_reader;

-- 只授视图的 SELECT,不给表
GRANT SELECT ON SCHEMA::reportview TO erp_reader;

-- 显式拒绝敏感表(防止未来误加权限)
DENY SELECT ON SCHEMA::dbo TO erp_reader;

🔧 我整理的软件库

这些年折腾服务器、虚拟化和开发环境,装过的系统镜像、运维工具、开发套件、数据库与中间件,我都归档在自建的文件库里,持续补充新版本。没有弹窗广告,不强制注册,需要什么直接取。

进入软件库 →

常用工具随手可取 · 不定期补档

关键点:业务查询走视图,不走基表。视图里可以把关联、过滤、脱敏都做掉,账号只看到视图,就算有人拿到这个账号,也读不到薪资表、成本价这类敏感数据。

5.2 超时控制:别让一条 SQL 拖垮生产库

网页查询和 DBA 手写查询最大的区别是——你不知道用户会输入什么条件。

业务同事完全可能把日期范围填成”2020-01-01 到现在”,或者物料编码前缀留空。这种查询在测试库跑十秒,在生产库可能就是锁表五分钟,把 ERP 的正常业务一起拖死。

三道防线:

  • 连接串超时:Connection Timeout=5;
  • 命令超时:CommandTimeout = 30(超过就放弃,返回”查询范围过大,请缩小条件”);
  • 锁超时:SET LOCK_TIMEOUT 5000,避免等锁等到天荒地老。

再加一条:强制要求至少填一个限定条件。日期必填,或者公司必选,不允许”什么都不填直接查全表”。

5.3 行数上限:结果集不能无限大

SQL Server 里加 TOP 5000,前端也做一次限制。原因很实际:十万行的结果集传到浏览器,页面会卡死,用户以为系统挂了,然后反复点击——雪上加霜。

如果确实要看全量,走导出(后台生成文件,前端给下载链接),不要试图在网页表格里渲染。

5.4 索引与执行计划

物料编码前缀查询(LIKE 'ABC%')能走索引,但 LIKE '%ABC%' 不能——这是常识,但业务同事不知道,他们习惯”我随便输一段你帮我找”。

处理方式:前端明确标注”前缀匹配”,后端对输入做规整(去掉前导通配符),必要时在界面上加提示。同时定期看这段:

SELECT TOP 20
    qs.execution_count,
    qs.total_elapsed_time / qs.execution_count AS avg_ms,
    SUBSTRING(st.text, qs.statement_start_offset/2+1, 200) AS sql_text
FROM sys.dm_exec_query_stats qs
CROSS APPLY sys.dm_exec_sql_text(qs.sql_handle) st
ORDER BY avg_ms DESC;

跑一周就能看出哪条报表最慢,针对性优化,比拍脑袋加索引有效。

六、SQL 注入与性能:网页化之后的两个新风险

6.1 网页化放大了注入面

以前只有 IT 在 SSMS 里跑 SQL,现在业务能通过表单触发查询。虽然参数是有限的几个字段,但只要有一处用了字符串拼接,风险就成立了。

三个层面的防护:

  • 参数绑定(根本手段):所有值走 ? 占位符;
  • 白名单校验(纵深防御):报表类型、公司代码这类枚举型参数,只接受预定义值,其他一律拒绝;
  • 类型与长度限制:物料编码限定 20 字符以内、纯 ASCII,超长或含特殊字符直接拒绝,不进入 SQL 层。

注意第三点——不要指望”过滤掉引号”就能防注入。真正的防线是参数化,白名单和长度限制只是让攻击面更小。

6.2 会话隔离:多人同时用会不会串

这是个容易被忽略的点。如果技能内部维护了”当前查询上下文”这类状态,两个用户同时查询就可能互相覆盖参数——A 查 A 仓库,结果出来的是 B 查的 B 仓库。

解法:每次请求携带完整参数,技能不保存跨请求状态。无状态设计在这里是必须的,不是可选项。

6.3 错误信息不能透传

数据库报错信息里经常带表名、字段名、甚至 SQL 片段。这些都该留在服务端日志里,给用户看的应该是”查询失败,请联系管理员(错误码 xxx)”。

既是安全考虑,也是体验考虑——业务同事看到 Invalid column name 'xxx' 只会更困惑。

七、部署:内网、日志与重启

7.1 只在内网跑

这条没有商量余地。ERP 数据是企业的核心资产,这套工具又是一个”能直接读数据库”的入口,暴露到公网等于把门开着。

具体做法:

  • 服务只监听内网地址,路由器上不做端口映射;
  • Windows 防火墙只允许办公网段访问,其他来源丢弃;
  • 如果要远程用,走 VPN 或零信任网关,不要开公网端口。

7.2 日志要看得到

start_all 启动时把标准输出和错误分别重定向到日志文件:

start /b python.exe -m http.server 8000 > server.log 2> server.err

server.err 是关键——服务挂了、端口被占、依赖缺失,全在这里。没有它,出问题只能靠猜。

7.3 服务器重启之后

批处理适合手动拉起,但服务器重启后不会自己跑。两个选择:

  • 计划任务:触发器设成”开机时”,操作指向 start_all.bat,注意勾选”不管用户是否登录都运行”;
  • 做成服务:用 NSSM 之类的工具把 Python 进程包装成 Windows 服务,好处是能自动重启、有标准日志。

小团队用计划任务够了,长期跑建议做成服务。

7.4 备份与回滚

这套东西本身不存业务数据(数据在 ERP 里),所以备份的重点不是数据库,是配置和脚本:

  • SKILL.md 和 SQL 模板:改口径前先复制一份带日期的副本,比如 SKILL.md.20261114.bak;
  • 前端 HTML:同样,改之前留一份;
  • 数据库连接配置:单独存,不要硬编码在脚本里,方便换环境。

回滚很简单——把备份文件覆盖回去,重启服务。因为整套系统是无状态的(不存跨请求数据),回滚没有任何副作用。

这个习惯的价值在于”敢改”。如果每次调口径都心惊胆战怕搞坏,这个工具就会僵在那里不再演进。

八、实测:几个报表的落地情况

目前上线的四类报表,我按”改造前 vs 改造后”整理如下(时间取典型值,不含等待 IT 排期的时间)。

报表 改造前 改造后 查询耗时
库存结存找 IT 写 SQL、导出、发回自理,选仓库 + 日期即查1~3 秒
销售明细每月固定要一次,手工汇总随时查,按客户/物料筛2~5 秒
生产单物料耗用溯源需沿 BOM 逐层追,很费时输入生产单号一次展开3~8 秒
生产入库闭环两张表手工对,容易漏一次查询自动比对差异2~6 秒

比”快了多少”更重要的是查询次数变了。以前一个月找 IT 要十几次报表,现在 IT 那边基本没人找了——不是因为需求少了,是业务自己能查了,而且随时能改条件重查。

如果你也在企业里管 ERP,想评估这套东西适不适合自己那边——数据量多大、口径多复杂、有没有专门的报表平台——可以跟我聊聊:微信/手机 17712677007,说清楚现在用的什么 ERP、报表大概有几类,我能给一个判断。

九、这套模式的边界在哪

说了这么多好处,也得说清楚它不适合什么场景。

9.1 不适合高频实时看板

每次查询都打 ERP 生产库,如果要做”每秒刷新”的实时大屏,这套架构撑不住,也不该这么用。那种场景应该做数据仓库或 CDC 同步,把查询压力从生产库移走。

9.2 不适合复杂多维分析

想看”按地区×品类×月份三个维度自由组合”,这是 OLAP 的活。用表单拼 SQL 实现多维钻取,代码会迅速失控。这种情况上 BI 工具更合适——我之前的《DataEase 开源 BI 对接金蝶云星空销售报表教程》里写过这条路。

9.3 不适合没有视图层的裸库

如果 ERP 数据库里没有现成的视图,所有查询都得直接打基表,权限就没法做细,风险会高很多。这时候第一步应该是先建视图层,而不是急着做前端。

9.4 依赖 AI 服务,要接受它的不完美

这套东西的中间层是 AI Agent。好处是能用自然语言交互、能自动补全参数;代价是它偶尔会理解偏差,或者响应慢一点。

降低风险的办法是:关键逻辑不要留给 AI 判断。SQL 模板写死、参数校验写死、口径写在文档里——AI 只负责”把参数填进正确的模板”,不负责”决定用哪条 SQL 的什么口径”。把它的角色限制得越窄,系统越可靠。

十、从一张报表到一套体系

做完四张报表之后,我发现真正沉淀下来的不是代码,是三份资产:

  1. 视图层:把业务口径固化成 SQL 视图,谁查都一样;
  2. 技能文档:每张报表的参数、口径、坑点,全写在 SKILL.md 里;
  3. 性能档案:每次查询的耗时和 SQL,攒起来就是优化依据。

这三样东西的价值会随时间增长——新人接手能看懂、口径变更能追溯、性能问题有数据支撑。而如果只是”IT 随手写几条 SQL 存本地”,换个人就全废了。

所以我的建议是:第一批报表不要贪多,先把三张最常被问的做扎实,把视图、文档、日志这三层跑通。体系立起来之后,后面每加一张报表都是半小时的事。

十一、前端实现:一个 HTML 文件够不够

这块常被高估。有人一听”工作台”就想到 Vue、React、组件库、构建工具,其实这个场景不需要。

11.1 为什么不用框架

整个页面就三件事:选条件、发请求、渲染表格。没有路由、没有复杂状态、没有组件复用。引入框架的结果是:多了一堆 node_modules、多了一步构建、多了一处出错的地方,而收益接近于零。

我用的是一个 HTML 文件加原生 JS,总共不到四百行。好处是——改一行存一下,刷新浏览器就生效,不需要重启服务、不需要重新构建。这个反馈速度对长期维护很重要。

11.2 请求与渲染

async function doQuery() {
  const body = {
    report: document.querySelector('#rtype').value,
    date:   document.querySelector('#rdate').value,
    wh:     document.querySelector('#rwh').value,
    prefix: document.querySelector('#rprefix').value,
  };
  const r = await fetch('/api/query', {
    method: 'POST',
    headers: {'Content-Type': 'application/json'},
    body: JSON.stringify(body)
  });
  const data = await r.json();
  if (!data.ok) { alert(data.msg); return; }
  renderTable(data.rows, data.columns);
  document.querySelector('#elapsed').textContent = data.ms + ' ms';
}

渲染直接用原生 <table> 拼字符串,配合 CSS 做固定表头和斑马纹。几千行数据滚动起来没有任何问题——不需要虚拟滚动,那是十万行才要考虑的事。

11.3 导出 Excel

两种做法,看数据量:

  • 前端生成:用 SheetJS 把当前表格数据转成 xlsx,几百到几千行几秒就好,服务器零压力;
  • 后端生成:数据量大或者要做多 sheet、加公式、套模板时,服务端用 openpyxl 生成,前端只负责下载。

我两个都留了:默认走前端(快),超过五千行走后端(稳)。

11.4 「查看 SQL」这个小功能很值

页面上放一个按钮,点了显示这次实际执行的 SQL(参数已代入)。对业务同事来说,它能拿去跟 IT 沟通”我是这么查的”;对我来说,它是排查数据对不上的最快入口。

加这个功能只花十分钟,但省掉的沟通成本无法计算。

十二、写在最后

这件事的技术含量其实不高——一个网页、几条参数化 SQL、一个只读账号,任何一个后端开发一天都能做出来。

它真正难的地方在愿意去做。大部分 IT 部门习惯了”业务提需求、我执行”,把这类重复劳动当成工作的一部分,没想过它其实是可以消灭的。而一旦把它做成自助工具,释放出来的不是一个小时,是”人肉查询机”这个角色本身。

另外一点体会:这类工具的价值不在”先进”,在”刚好够用”。不需要微服务、不需要容器编排、不需要前端框架,一个 HTML 文件加一个 Python 脚本就能跑。过度设计反而会让它活不长——维护成本一高,就没人维护了。

如果你那边也在被报表查询淹没,可以从最小的一张开始试。做完第一张你会发现,后面全是复制粘贴。

另外补一句关于”上线节奏”的建议:先在 IT 内部用两周,让自己人当第一批用户,把所有报错和口径问题踩完再放给业务。业务同事的容错耐心远低于同事——第一印象如果是”查出来是错的”,后面再想推广就难了。

评论区可以说说你们公司的报表是怎么流转的,或者已经做过类似的自助查询工具、踩过什么坑。如果你正在纠结”到底该上 BI 还是自己做”,也可以把现状描述一下,我帮你判断走哪条路更划算。

✍️ 关于作者

IT 峰哥,互联网技术从业者。日常折腾服务器、虚拟化、数据库与企业级应用,关注开源系统的二次开发与基础设施落地。这里记录的是踩过的坑和验证过跑得通的方案,不是转述文档。

交流:微信 / 手机 17712677007(注明来意,看到会回)

文中方案如有疏漏,欢迎在评论区指正 · 技术问题欢迎交流

给TA打赏
共{{data.count}}人
人已打赏
默认

ApkStart 怎么用?Windows 双击 APK 就跑安卓,比模拟器轻一个量级

2026-11-14 6:50:09

默认

NectarLink 实测:手机通知电脑回,文件双向传,还能反向控电脑

2026-11-14 14:50:50

❯
购物车
优惠劵
搜索