2026 实战:LikeShop 单商户高级版 AI 智能补货预测与库存自动调整二开教程

简介: 本文介绍LikeShop单商户版AI智能补货二开方案:基于Prophet模型分析历史销量,动态预测需求、计算安全库存与补货点,并通过新增预测表与配置表,实现`stock_alarm`阈值的自动优化。坚持“预测离线、执行轻量、绝不修改核心库存扣减逻辑”,兼顾智能性与系统稳定性。

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。

目录
相关文章
|
17天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
7379 56
|
2天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
1348 0
|
5天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
18天前
|
JavaScript API iOS开发
DeepSeek Harness下载、安装、配置一篇搞定(2026整理,送常用插件)
DeepSeek Harness(DSH)是DeepSeek于2026年开源的MIT协议AI Agent框架,支持插件化组装模型、工具、沙箱与UI,兼容主流大模型。本文提供免Node.js的桌面端安装包(Win/macOS),含详细图文教程及热门插件推荐。
5575 67
|
6天前
|
云安全 人工智能 安全
|
12天前
|
Linux 开发工具 iOS开发
2026最新codex下载安装保姆级使用教程(下载+安装+登录+使用,含所有历史版本)
本文详解OpenAI Codex国内快速上手指南:提供Win/macOS/Linux全平台免安装包、npm/Homebrew等多方式安装、账号/API Key双登录、简体中文切换,覆盖下载、安装、汉化、使用及高频避坑(如微软商店失败、npm超时等),10分钟即可跑通。
2837 9
|
5天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
2天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
1473 0
|
10天前
|
人工智能 安全 API
DeepSeek Harness下载、安装、配置一篇搞定(2026整理,送常用插件)
DeepSeek Harness(dsh)是DeepSeek AI于2026年开源的轻量级Agent运行框架,基于Cordis内核,践行“一切皆插件”理念。支持Web/桌面双端,开箱即用;内置多模型接入、丰富插件生态(超3.5万),适配编程、办公、创作等场景。(239字)
1829 1