一、前言
在之前的系列文章中,我写了 LikeShop 单商户高级版的定时任务机制、SKU 库存扣减体系和分销模块。这一篇聚焦一个传统商城系统普遍缺失、但在 2026 年已经成为刚需的能力:AI 驱动的智能补货预测与库存自动调整。
先说清楚这个需求的业务逻辑。LikeShop 原生的库存管理是“被动式”的:商品表里有一个 stock_alarm 预警值,当库存低于这个阈值时,后台的“库存预警”列表会把商品标红,运营人员看到后再手动去补货。这套机制有两个致命缺陷:第一,预警是滞后的,等到库存低于阈值才提醒,补货周期加上供应商交期,往往已经错过了最佳销售窗口;第二,预警是静态的,stock_alarm 是一个固定值,不会根据销量波动、季节变化或大促节奏自动调整。一个在淡季设置的安全库存值,到了旺季可能完全不够用。
这篇文章要做的二开,就是把“静态预警 + 人工判断”升级为“AI 预测 + 自动建议 + 可配置的自动调整”。核心思路是:从 ls_order 和 ls_order_goods 中抽取历史销量,用时间序列模型预测未来一段时间的需求,结合供应商交期和当前库存,计算出每个 SKU 的补货建议量,并通过 LikeShop 已有的定时任务机制自动更新 stock_alarm 预警值。
遵循 LikeShop 二开的“扩展优先”原则,整个方案不修改核心的订单和商品模块,而是新增独立的预测服务、定时任务和配置表。
二、整体架构:预测与执行分离
方案拆成两条独立的链路:
预测链路(离线/准实时):定时任务触发 → 从订单表抽取历史销量 → 调用 Python 预测服务(Prophet) → 返回每个 SKU 的未来 N 天需求预测 → 计算安全库存和补货点 → 写入预测结果表。
执行链路(在线/轻量):运营人员在后台查看补货建议 → 确认后触发库存调整(更新 stock_alarm 或生成采购单) → 也可以配置为“自动模式”由定时任务直接执行。
预测链路是重计算,走异步;执行链路是轻操作,走同步。两者通过预测结果表解耦。
LikeShop 单商户高级版的后端遵循 Controller → Service → Logic → Model 分层,二开时新增的 ForecastService 和 ReplenishLogic 都应该放在 app/common/ 下,供 adminapi 和定时任务共同调用。不碰 OrderLogic 和 GoodsLogic 的核心扣减逻辑,库存扣减的原子性(WHERE stock >= num)和流水记录机制保持原样。
三、数据层:预测结果表与配置表
3.1 预测结果表
新建 ls_stock_forecast,存储每个 SKU 每次预测的输出:
CREATE TABLE `ls_stock_forecast` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`item_id` int(11) NOT NULL COMMENT 'SKU id(ls_goods_item.id)',
`goods_id` int(11) NOT NULL COMMENT '商品id',
`forecast_date` date NOT NULL COMMENT '预测目标日期',
`predicted_sales` decimal(10,2) DEFAULT '0.00' COMMENT '预测销量',
`lower_bound` decimal(10,2) DEFAULT '0.00' COMMENT '置信区间下限',
`upper_bound` decimal(10,2) DEFAULT '0.00' COMMENT '置信区间上限',
`safety_stock` int(11) DEFAULT '0' COMMENT '建议安全库存',
`reorder_point` int(11) DEFAULT '0' COMMENT '建议补货点',
`current_stock` int(11) DEFAULT '0' COMMENT '预测时的当前库存',
`suggested_qty` int(11) DEFAULT '0' COMMENT '建议补货量',
`model_version` varchar(50) DEFAULT '' COMMENT '预测模型版本',
`create_time` int(11) DEFAULT '0',
PRIMARY KEY (`id`),
KEY `idx_item_date` (`item_id`,`forecast_date`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='AI补货预测结果';
item_id 指向 ls_goods_item,这是 LikeShop 中价格和库存的真正存储位置。单商户版没有商户维度,不需要 shop_id 过滤,预测范围覆盖全站 SKU。
3.2 补货配置表
新建 ls_replenish_config,存储每个 SKU(或商品级)的补货参数:
CREATE TABLE `ls_replenish_config` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`item_id` int(11) NOT NULL,
`lead_time_days` int(11) DEFAULT '7' COMMENT '供应商交期(天)',
`service_level` decimal(3,2) DEFAULT '0.95' COMMENT '服务水平(95%)',
`auto_adjust` tinyint(1) DEFAULT '0' COMMENT '是否自动调整stock_alarm',
`forecast_days` int(11) DEFAULT '30' COMMENT '预测天数',
`create_time` int(11) DEFAULT '0',
`update_time` int(11) DEFAULT '0',
PRIMARY KEY (`id`),
UNIQUE KEY `uk_item` (`item_id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
auto_adjust 是关键开关。默认关闭,运营人员在后台确认预测结果后再决定是否让系统自动更新 stock_alarm。这个设计避免了“黑盒自动调整”带来的风险。
四、AI 预测引擎:Python 服务 + Prophet
4.1 为什么用 Prophet 而不是手写简单移动平均
电商销量数据有三个典型特征:周季节性(周末和工作日销量不同)、趋势变化(新品爬坡、老品衰退)、异常值(大促、缺货导致的销量截断)。简单移动平均无法处理这些模式,而 Prophet 内置了趋势、周季节性和年度季节性分解,对缺失值和异常值也有较好的鲁棒性。
LikeShop 是 PHP 技术栈,不适合在 PHP 进程内直接跑时间序列模型。二开方案采用 PHP + Python 微服务分离:PHP 负责数据抽取和业务编排,Python 负责模型训练和预测,两者通过 HTTP 或消息队列通信。
4.2 Python 预测服务
预测服务对外暴露一个 /forecast 接口,接收 SKU 的历史日销量数组,返回未来 N 天的预测值和置信区间:
# forecast_service/app.py(精简示意)
import pandas as pd
from prophet import Prophet
from flask import Flask, request, jsonify
app = Flask(__name__)
@app.route('/forecast', methods=['POST'])
def forecast():
data = request.json
item_id = data['item_id']
history = data['history'] # [{"ds": "2026-09-01", "y": 12.0}, ...]
days = data.get('days', 30)
df = pd.DataFrame(history)
df['ds'] = pd.to_datetime(df['ds'])
df['y'] = df['y'].astype(float)
# 处理缺货截断:y 为 0 且当天有缺货标记的日期,视为缺失
# (缺货标记由 PHP 侧传入 shortage_dates)
shortage_dates = data.get('shortage_dates', [])
df.loc[df['ds'].isin(pd.to_datetime(shortage_dates)), 'y'] = None
model = Prophet(
yearly_seasonality=True,
weekly_seasonality=True,
daily_seasonality=False,
changepoint_prior_scale=0.05 # 电商数据变化快,适度敏感
)
model.fit(df)
future = model.make_future_dataframe(periods=days)
forecast = model.predict(future)
result = forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail(days)
return jsonify({
'item_id': item_id,
'forecast': result.to_dict(orient='records')
})
缺货截断的处理是预测准确性的关键。如果某个 SKU 在过去缺货了 5 天,那 5 天的销量是 0,但这不是“需求为 0”,而是“供给为 0”。如果不剔除这段数据,模型会把缺货期误判为需求低谷,导致预测值系统性偏低。PHP 侧在抽取历史销量时,需要同时标记哪些日期该 SKU 处于“库存为 0 且仍在上架”的状态,作为 shortage_dates 传给 Python。
4.3 PHP 侧的数据抽取
在 app/common/logic/ForecastLogic.php 中实现历史销量抽取:
class ForecastLogic
{
/**
* 抽取 SKU 近 N 天的日销量(含缺货标记)
*/
public static function extractHistory(int $itemId, int $days = 90): array
{
$startDate = date('Y-m-d', strtotime("-{$days} days"));
// 按日聚合订单商品表的销量(仅统计已完成/已支付订单)
$sales = Db::name('order_goods og')
->join('order o', 'og.order_id = o.id')
->where('og.item_id', $itemId)
->whereIn('o.order_status', [1, 2, 3]) // 排除未支付和已关闭
->where('o.pay_time', '>=', strtotime($startDate))
->field("FROM_UNIXTIME(o.pay_time, '%Y-%m-%d') as ds, SUM(og.goods_num) as y")
->group('ds')
->select();
// 补齐缺失日期(无销量的日期补 0)
$history = self::fillDates($sales, $startDate, $days);
// 标记缺货日期:stock 为 0 且 status = 1 的日期
$shortageDates = Db::name('goods_item_stock_log')
->where('item_id', $itemId)
->where('stock_after', 0)
->where('create_time', '>=', strtotime($startDate))
->column('DATE(FROM_UNIXTIME(create_time))');
return [
'history' => $history,
'shortage_dates' => array_values(array_unique($shortageDates)),
];
}
}
这里的 goods_item_stock_log 是建议新增的库存流水表(如果 LikeShop 当前版本尚未内置完整流水)。搜索材料指出,LikeShop 的库存可靠性不应只依赖 stock 字段本身,而应依赖流水记录来实现可追溯和对账。二开时补上这张表,既服务于预测的缺货标记,也为后续的库存审计提供依据。
五、补货点与安全库存的计算
预测服务返回的是“未来 N 天每天的需求预测”。要转化为补货建议,需要套用经典的库存公式:
补货点(Reorder Point) = 交期内的平均需求 + 安全库存。
安全库存(Safety Stock) = Z × 日需求标准差 × √交期。
其中 Z 是服务水平对应的正态分位数(95% 服务水平对应 Z ≈ 1.65)。
// app/common/logic/ReplenishLogic.php
class ReplenishLogic
{
public static function calc(
float $avgDailyDemand,
float $stdDailyDemand,
int $leadTimeDays,
float $serviceLevel,
int $currentStock
): array {
$z = self::zScore($serviceLevel);
$safetyStock = (int)ceil($z * $stdDailyDemand * sqrt($leadTimeDays));
$reorderPoint = (int)ceil($avgDailyDemand * $leadTimeDays + $safetyStock);
// 建议补货量 = 目标库存(覆盖预测期 + 安全库存) - 当前库存
$targetStock = (int)ceil($avgDailyDemand * 30 + $safetyStock);
$suggestedQty = max(0, $targetStock - $currentStock);
return [
'safety_stock' => $safetyStock,
'reorder_point' => $reorderPoint,
'suggested_qty' => $suggestedQty,
];
}
private static function zScore(float $serviceLevel): float
{
// 简化映射:95% → 1.65,98% → 2.05,99% → 2.33
return match (true) {
$serviceLevel >= 0.99 => 2.33,
$serviceLevel >= 0.98 => 2.05,
$serviceLevel >= 0.95 => 1.65,
default => 1.28,
};
}
}
avgDailyDemand 和 stdDailyDemand 从预测结果的 predicted_sales 序列中计算(取交期内的预测值均值与标准差,或直接取历史窗口的统计量,二开时可选)。
六、接入 LikeShop 定时任务
LikeShop 单商户高级版的定时任务通过一条统一命令 php think crontab 每分钟执行,子任务在后台「系统设置 → 系统维护 → 定时任务」中配置和开关。AI 补货任务应该作为一个新的子任务注册进去,而不是另起一条服务器 Crontab。
6.1 新增定时任务类
在 app/common/command/ 下新增 StockForecast.php(或扩展现有的 Crontab.php 子任务调度逻辑):
// app/common/command/StockForecast.php
class StockForecast
{
public function handle(): void
{
// 每次处理一批 SKU,避免一次全量拖垮服务
$itemIds = Db::name('goods_item')
->where('stock', '<', 99999) // 排除异常值
->where('status', 1)
->order('id', 'asc')
->limit(50)
->column('id');
foreach ($itemIds as $itemId) {
try {
$this->forecastOne($itemId);
} catch (\Exception $e) {
Log::error("AI补货预测失败:item {$itemId},{$e->getMessage()}");
}
}
}
private function forecastOne(int $itemId): void
{
$config = ReplenishConfigModel::where('item_id', $itemId)->find();
if (!$config) {
return; // 未配置补货参数的 SKU 跳过
}
$history = ForecastLogic::extractHistory($itemId, 90);
$result = ForecastService::call($itemId, $history, $config['forecast_days']);
$predicted = array_column($result['forecast'], 'yhat');
$avg = array_sum($predicted) / count($predicted);
$std = self::std($predicted);
$currentStock = Db::name('goods_item')->where('id', $itemId)->value('stock');
$calc = ReplenishLogic::calc(
$avg, $std, $config['lead_time_days'],
$config['service_level'], $currentStock
);
// 写入预测结果
StockForecastModel::create([
'item_id' => $itemId,
'goods_id' => Db::name('goods_item')->where('id', $itemId)->value('goods_id'),
'forecast_date' => date('Y-m-d', strtotime('+30 days')),
'predicted_sales'=> round($avg * 30, 2),
'safety_stock' => $calc['safety_stock'],
'reorder_point' => $calc['reorder_point'],
'current_stock' => $currentStock,
'suggested_qty' => $calc['suggested_qty'],
'model_version' => 'prophet-v1',
'create_time' => time(),
]);
// 自动调整(仅在开关开启时执行)
if ($config['auto_adjust'] && $calc['reorder_point'] > 0) {
Db::name('goods_item')->where('id', $itemId)->update([
'stock_alarm' => $calc['reorder_point'],
'update_time' => time(),
]);
}
}
}
6.2 后台配置
在管理后台的定时任务管理中,添加这个任务,执行周期建议设置为每天凌晨一次(0 3 * * *),而不是每分钟。预测计算是重操作,每天一次足够覆盖补货决策的节奏,每分钟执行毫无必要且浪费资源。
七、库存自动调整的两种模式
7.1 建议模式(默认)
auto_adjust = 0 时,定时任务只写入 ls_stock_forecast,不修改 ls_goods_item.stock_alarm。运营人员在后台的「AI 补货建议」页面看到每个 SKU 的当前库存、预测需求、建议补货点和建议补货量,手动勾选后点击“应用”。
这种模式适合预测系统上线的初期,运营需要观察模型准确度,积累信任。
7.2 自动模式
auto_adjust = 1 时,定时任务在计算完成后直接更新 stock_alarm 为建议的 reorder_point。注意:自动调整的是预警阈值,不是实际库存。实际库存的入库仍然走人工或采购流程,系统不会自动生成采购单或修改 stock 字段。
这个边界必须守住。AI 预测可以优化“什么时候提醒”,但不能代替“实际下单采购”的决策。LikeShop 的 stock 字段是交易链路的扣减依据,自动修改它会绕过库存流水和原子扣减机制,带来严重的账实不符风险。
八、二开避坑清单
坑一:用全量历史数据训练模型。 两年前的销量数据对当前补货决策参考价值很低,反而会拉偏趋势。建议只用最近 90~180 天的数据,并剔除缺货截断期。
坑二:缺货期的 0 销量没有剔除。 这是预测偏差最大的来源。必须把“库存为 0 且仍在架”的日期标记为缺失,而不是当成 0 需求。
坑三:自动调整直接改 stock 而非 stock_alarm。 改动 stock 会绕过 LikeShop 的库存扣减原子操作和流水记录,导致超卖或对账失败。自动调整只能动预警阈值。
坑四:定时任务每分钟执行预测。 Prophet 模型训练需要秒级时间,每分钟对全量 SKU 跑一次会耗尽 CPU。预测任务应该每天一次,且分批处理。
坑五:没有配置 auto_adjust 开关就上线。 AI 预测一定有误差,初期必须让运营人工确认。只有模型准确率经过验证后,才逐步开启自动模式。
坑六:stock_alarm 被设置得极低或为 0。 如果 reorder_point 计算出 0,跳过写入,不要用 0 覆盖原有的预警值。LikeShop 后台的库存预警列表依赖 stock_alarm 大于 0 才能正常显示。
九、总结
LikeShop 单商户高级版 AI 智能补货的二开,核心是三条线:
数据层:新增 ls_stock_forecast(预测结果)和 ls_replenish_config(补货参数),并确保有库存流水支持缺货标记。
预测层:PHP 侧抽取历史销量并标记缺货期,Python + Prophet 服务返回未来需求预测,PHP 侧套用补货点与安全库存公式生成建议。
执行层:通过 LikeShop 已有的 crontab 定时任务机制每天执行一次预测,默认只写入建议,运营确认后手动应用;auto_adjust 开关控制是否自动更新 stock_alarm,但绝不自动修改 stock。
守住三条底线:预测任务每天一次而非实时、自动调整只动阈值不动库存、缺货期必须从训练数据中剔除。这样既能利用 AI 把库存管理从“事后救火”升级为“事前预判”,又不会破坏 LikeShop 交易链路的稳定性和数据一致性。