数字药店系统源码核心模块拆解:商品、库存、订单、会员如何设计

简介: 传统药店加速线上化,需专属数字系统而非普通商城。本文基于成熟源码,详解四大核心模块:支持药品特性的商品管理、防超卖的库存控制(Redis预扣+最终一致性)、合规处方订单流程、驱动复购的会员运营,并附架构设计与关键代码。(239字)

传统药店正在加速线上化。
从“到店买药”,到“线上下单 + 骑手配送 + 电子处方审核”,背后依赖的不是简单商城,而是一套完整的 数字药店系统。
QQ20260205-095129.png

很多团队在做医药电商时都会踩坑:
商品结构混乱
库存不准,经常超卖
处方订单流程复杂
会员无法沉淀复购
本质原因只有一个:
底层模块设计没有从医药行业特性出发。
本文结合一套成熟的数字药店系统源码,拆解四个核心模块的技术实现思路,并附关键代码示例。

一、系统整体架构设计

先看整体分层:

用户层:小程序 / APP / H5
          ↓
业务层:商品服务 / 库存服务 / 订单服务 / 会员服务
          ↓
中台层:支付 / 处方审核 / 配送调度 / 消息中心
          ↓
数据层:MySQL + Redis + MQ

推荐架构:
Spring Boot + MySQL + Redis + RabbitMQ
或微服务:Spring Cloud / Dubbo
原因很简单:
药店属于 高并发 + 强库存一致性 + 强合规 场景,必须服务拆分。

二、商品模块设计(支持药品特性)

药品不同于普通商品,必须支持:
处方药/非处方分类
批准文号
生产厂家
效期管理
是否需要处方
表结构设计

CREATE TABLE drug_product (
  id BIGINT PRIMARY KEY AUTO_INCREMENT,
  name VARCHAR(255),
  category_id BIGINT,
  prescription_type TINYINT, -- 0 OTC 1 处方药
  approval_no VARCHAR(100),
  manufacturer VARCHAR(255),
  spec VARCHAR(100),
  price DECIMAL(10,2),
  status TINYINT,
  created_at DATETIME
);

商品查询接口示例

@GetMapping("/products")
public Page<ProductVO> list(ProductQuery query){
   
    return productService.pageQuery(query);
}

Service 层:

public Page<ProductVO> pageQuery(ProductQuery query){
   
    return productMapper.selectPage(query);
}

关键点:
必须支持
分类筛选
关键字搜索
医保标签
是否处方药过滤
否则无法满足真实购药场景。
QQ20260205-095144.png

三、库存模块设计(防超卖核心)

医药零售最大问题是:
库存不准 = 直接损失利润 + 合规风险
因此必须:
Redis 预扣 + 数据库最终一致性 + 分布式锁
库存表

CREATE TABLE drug_stock (
  product_id BIGINT,
  warehouse_id BIGINT,
  stock INT,
  lock_stock INT,
  PRIMARY KEY(product_id, warehouse_id)
);

字段解释:
stock:可售库存
lock_stock:锁定库存(已下单未支付)
扣减库存核心代码

public boolean deductStock(Long productId, Integer num){
   
    String key = "stock:" + productId;

    Long remain = redisTemplate.opsForValue().decrement(key, num);

    if(remain < 0){
   
        redisTemplate.opsForValue().increment(key, num);
        throw new RuntimeException("库存不足");
    }

    // 异步落库
    mqSender.send("stock.update", new StockDTO(productId, num));

    return true;
}

消费者落库:

@RabbitListener(queues="stock.update")
public void updateStock(StockDTO dto){
   
    stockMapper.deduct(dto.getProductId(), dto.getNum());
}

这样可以做到:
高并发不超卖
数据库压力小
性能提升 10 倍以上

四、订单模块设计(药店最复杂模块)

药店订单流程:
普通商品:下单 → 支付 → 配送
处方药:上传处方 → 审核 → 支付 → 配送
比普通商城多一个“审核节点”。
订单状态机设计

public enum OrderStatus {
   
    WAIT_PAY,
    WAIT_REVIEW,
    REVIEW_PASS,
    WAIT_DELIVERY,
    FINISH,
    CANCEL
}

创建订单核心代码

@Transactional
public Long createOrder(CreateOrderDTO dto){
   

    // 扣库存
    stockService.deductStock(dto.getProductId(), dto.getNum());

    Order order = new Order();
    order.setUserId(dto.getUserId());
    order.setAmount(dto.getAmount());

    if(dto.isPrescription()){
   
        order.setStatus(OrderStatus.WAIT_REVIEW);
    }else{
   
        order.setStatus(OrderStatus.WAIT_PAY);
    }

    orderMapper.insert(order);

    return order.getId();
}

设计重点:
处方药必须强制审核
不可直接支付
需留审计日志
否则不合规。

五、会员模块设计(复购增长核心)

很多药店上线系统后没效果,本质问题是:
只卖药,不运营会员。
数字药店真正利润来自:
慢病复购
家庭常备药
私域营销
会员表设计

CREATE TABLE member (
  id BIGINT PRIMARY KEY AUTO_INCREMENT,
  phone VARCHAR(20),
  level INT,
  points INT,
  balance DECIMAL(10,2),
  created_at DATETIME
);

积分累计示例

public void addPoints(Long userId, BigDecimal amount){
   
    int points = amount.multiply(new BigDecimal("1")).intValue();
    memberMapper.addPoints(userId, points);
}

可扩展:
会员等级折扣
优惠券
周期购药提醒
慢病复购推荐
这些才是真正的利润来源。
QQ20260205-095154.png

六、总结

一个成熟的数字药店系统源码,本质是四大能力:
商品标准化管理
库存精准控制
订单合规流转
会员长期沉淀
如果只是做一个普通商城,根本跑不通医药场景。
真正可商用的系统,一定是:
支持处方审核
支持多门店库存
支持配送调度
支持会员复购运营

相关文章
|
22天前
|
人工智能 安全 调度
AI工程vs传统工程 —「道法术」中的变与不变
本文从“道、法、术”三个层面对比AI工程与传统软件工程的异同,指出AI工程并非推倒重来,而是在传统工程坚实基础上,为应对大模型带来的不确定性(如概率性输出、幻觉、高延迟等)所进行的架构升级:在“道”上,从追求绝对正确转向管理概率预期;在“法”上,延续分层解耦、高可用等原则,但建模重心转向上下文工程与不确定性边界控制;在“术”上,融合传统工程基本功与AI新工具(如Context Engineering、轨迹可视化、多维评估体系),最终以确定性架构驾驭不确定性智能,实现可靠价值交付。
308 41
AI工程vs传统工程 —「道法术」中的变与不变
|
18天前
|
弹性计算
阿里云轻量应用服务器38元,云服务器2核2G99元与2核4G199元购买入口,亲测有效
阿里云最便宜的轻量应用服务器38元,最便宜的云服务器云服务器2核2G3M99元与2核4G5M199元,在哪里购买呢?有部分新手用户不知道购买入口了。本文为大家分享几个亲测有效的入口,都是官方购买入口,以供参考。
156 14
|
22天前
|
数据采集 人工智能 IDE
告别碎片化日志:一套方案采集所有主流 AI 编程工具
本文介绍了一套基于MCP架构的轻量化、多AI工具代码采集方案,支持CLI、IDE等多类工具,实现用户无感、可扩展的数据采集,已对接Aone日志平台,助力AI代码采纳率分析与研发效能提升。
396 46
告别碎片化日志:一套方案采集所有主流 AI 编程工具
|
29天前
|
SQL 人工智能 分布式计算
从工单、文档到结构化知识库:一套可复用的 Agent 知识采集方案
我们构建了一套“自动提取 → 智能泛化 → 增量更新 → 向量化同步”的全链路自动化 pipeline,将 Agent 知识库建设中的收集、提质与维护难题转化为简单易用的 Python 工具,让知识高效、持续、低门槛地赋能智能体。
310 36
|
28天前
|
存储 缓存 调度
阿里云Tair KVCache仿真分析:高精度的计算和缓存模拟设计与实现
在大模型推理迈向“智能体时代”的今天,KVCache 已从性能优化手段升级为系统级基础设施,“显存内缓存”模式在长上下文、多轮交互等场景下难以为继,而“以存代算”的多级 KVCache 架构虽突破了容量瓶颈,却引入了一个由模型结构、硬件平台、推理引擎与缓存策略等因素交织而成的高维配置空间。如何在满足 SLO(如延迟、吞吐等服务等级目标)的前提下,找到“时延–吞吐–成本”的最优平衡点,成为规模化部署的核心挑战。
455 38
阿里云Tair KVCache仿真分析:高精度的计算和缓存模拟设计与实现
|
23天前
|
存储 数据采集 弹性计算
面向多租户云的 IO 智能诊断:从异常发现到分钟级定位
当 iowait 暴涨、IO 延迟飙升时,你是否还在手忙脚乱翻日志?阿里云 IO 一键诊断基于动态阈值模型与智能采集机制,实现异常秒级感知、现场自动抓取、根因结构化输出,让每一次 IO 波动都有据可查,真正实现从“被动响应”到“主动洞察”的跃迁。
251 55
|
22天前
|
存储 缓存 数据建模
StarRocks + Paimon: 构建 Lakehouse Native 数据引擎
12月10日,Streaming Lakehouse Meetup Online EP.2重磅回归,聚焦StarRocks与Apache Paimon深度集成,探讨Lakehouse Native数据引擎的构建。活动涵盖架构统一、多源联邦分析、性能优化及可观测性提升,助力企业打造高效实时湖仓一体平台。
298 39
|
24天前
|
人工智能 弹性计算 运维
探秘 AgentRun丨为什么应该把 LangChain 等框架部署到函数计算 AgentRun
阿里云函数计算 AgentRun,专为 AI Agent 打造的一站式 Serverless 基础设施。无缝集成 LangChain、AgentScope 等主流框架,零代码改造即可享受弹性伸缩、企业级沙箱、模型高可用与全链路可观测能力,助力 Agent 高效、安全、低成本地落地生产。
307 48
|
22天前
|
人工智能 运维 监控
进阶指南:BrowserUse + AgentRun Sandbox 最佳实践
本文将深入讲解 BrowserUse 框架集成、提供类 Manus Agent 的代码示例、Sandbox 高级生命周期管理、性能优化与生产部署策略。涵盖连接池设计、安全控制、可观测性建设及成本优化方案,助力构建高效、稳定、可扩展的 AI 浏览器自动化系统。
416 47
|
28天前
|
设计模式 XML NoSQL
从HITL(Human In The Loop) 实践出发看Agent与设计模式的对跖点
本文探讨在ReactAgent中引入HITL(人机回路)机制的实践方案,分析传统多轮对话的局限性,提出通过交互设计、对话挂起与工具化实现真正的人机协同,并揭示Agent演进背后与工程设计模式(如钩子、适配器、工厂模式等)的深层关联,展望未来Agent的进化方向。
502 44
从HITL(Human In The Loop) 实践出发看Agent与设计模式的对跖点