AI智能体如何按架构交付业务应用:open-mercato 的模块与审批边界

open-mercato AI智能体 项目概念

让AI智能体写出客户、订单和库存页面之后,谁来决定代码放在哪里、权限怎样划分、数据库变更由谁批准?open-mercato 试图把这些重复决策变成框架约定,让业务应用从已有后台起步,而不是从空目录开始。下面以一个假设的咖啡烘焙企业贯穿说明:它已有批发订单需求,还想补上烘焙批次管理。这个场景用于解释设计,不代表真实部署或实测结果。

页面能生成,为什么批次与库存仍可能接不上?

假设这家企业同时请几个编码助手开发客户、仓库和烘焙页面。单看每个页面可能都像样,但批次怎样引用原料、谁能修改库存、异常怎样留痕,仍需要共同约定。README指出,AI代码助手生成代码,却不会替团队决定代码位置与分层。

这正是项目要处理的问题:生成局部代码,不等于建立一致的业务系统。如果每个任务都重新选择目录、数据结构和权限写法,后续集成就会反复补课。对假设企业而言,第一步不是让助手多写几个表单,而是明确哪些对象属于现有仓库,哪些规则属于新增烘焙模块,以及它们通过什么边界协作。框架提供的是这些工作的起点,并不替企业决定业务规则。

从现成后台起步,把定制集中在业务差异上

open-mercato 是基于 Next.js 和 PostgreSQL 的开源 TypeScript 框架。Next.js 承担应用框架角色,PostgreSQL 是数据库;项目还提供客户、销售、仓库等可协作的业务模块,目标不是只交付一个界面模板。

在假设场景中,企业可以先利用客户、商品和订单等已有结构,再判断烘焙批次应怎样扩展。先复用共同部分,再实现业务差异,是其“从大部分已完成的基础开始”的思路。不过,README中的完成比例属于项目定位,不能理解为任意企业都已完成相同比例的需求。原料追溯、产出计量、损耗处理是否匹配,仍须逐项核对;模块名称相近,也不代表业务语义完全相同。

规范与技能怎样约束编码助手的实现路径?

项目把架构知识交给助手的方式,不只是附上一段提示词。每个应用带有说明代码、模块、数据模型和界面归属的规则与技能;这里的“技能”指可供编码助手使用的任务指导,而不是模型重新训练出的能力。

规范存放在 `.ai/specs/` 中,并按先计划、再批准、后实现的顺序驱动工作。规范优先意味着先形成可讨论的交付边界,再进入实现。对假设企业,批次关联哪些原料、完成后是否增加成品库存,都应在这一阶段说清楚。README描述的流程还会在未决问题处停下,等待人作答。它试图减少助手自行补全业务假设的空间,但规则能否持续被遵守,仍要靠实际交付检查。

open-mercato 从需求到迁移,哪些步骤必须有人确认? 机制示意

从需求到迁移,哪些步骤必须有人确认?

README给出的主线是先建立可运行后台,再定位需求、编写规范、批准实现,最后进入持续维护。om-help 只负责路由指导材料和技能,不写代码、不规划业务,也不加载数据。这里的“路由”是为任务挑选适合的指南及检查项,而不是网络转发。

假设企业提出“记录每次烘焙的投入与产出”,应先把它收敛成一个可验收的小范围任务。规范获批后,助手分阶段实现,并在数据库迁移前展示 SQL、请求批准;迁移就是修改数据库结构的过程。随后还需生成相关代码、同步角色权限,并进行类型、代码风格、测试和构建检查。页面出现并不是流程终点,数据变更和访问权限同样需要验收。

模块边界与租户字段如何支撑业务扩展?

项目把页面、接口、命令、翻译和数据实体组织在模块目录内,并通过自动发现接入应用;各模块维护自己的实体和迁移,而不是依赖一个全局模型文件。实体带有 `tenant_id` 和 `organization_id` 字段。前者标识租户,后者标识组织,用于表达不同客户或组织的数据归属。

对假设企业,烘焙模块因而不必只是散落在后台里的几张页面,而可以成为边界明确的一组实现。README还描述了基于角色的访问控制,即按角色和用户授予功能权限,以及在每次请求中创建的依赖注入容器,用来注册或替换服务。这些是作者所述的架构安排;字段存在、机制齐备,并不能直接证明每条查询和每个接口都正确实施了隔离。

哪些业务能复用后台,又能保留自己的前端?

这套思路更贴近具有客户、订单、库存和组织权限等共同结构的业务应用。项目可通过生成的 REST API 和 OpenAPI 文档,作为自定义前端的业务后端。REST API 是供其他程序调用的接口,OpenAPI 则用结构化方式描述接口的输入、输出等约定。

假设企业希望后台供员工管理批次,同时保留面向咖啡馆的独立订货界面,这种前后端分工就有讨论价值。若还需要客户自助门户、按团队变化的流程,也可进一步核对已有模块的覆盖范围。相反,如果业务主要是独特的生产调度或设备控制,就不能仅凭“仓库”“资源”等名称判断适配。是否适用,应看数据与流程的重合度,而不只是功能数量。

试用沙箱、演示耗时与审批卡不能替代上线验证

云端试用工作区不是生产托管环境。README明确区分了浏览器中的试用工作区和生产部署,因此假设企业即使能在沙箱中演示批次页面,也仍需安排代码导出、部署、备份与运维判断。材料中的示例耗时同样不能作为团队交付工期或性能保证。

另一条边界是自动化写入:README描述,后台内的助手受模块、权限和工具白名单约束,数据写入先经过审批卡。这体现了把写操作放在可确认边界之后的设计意图,却不等于已经证明系统安全。本文未独立实测;真实数据下的权限隔离、迁移恢复和异常处理仍需验证,材料未说明的行业合规适配与容量表现也尚待确认。

采用前先验证一个业务闭环,而不是追求全自动

建议把判断收敛到假设企业的一条小闭环:创建批次、关联原料、记录产出,再分别用管理员和普通员工身份检查可见范围与可执行操作。重点不是演示是否流畅,而是团队能否解释数据归属、理解生成的迁移,并为错误操作准备恢复办法。

Cezar 和应用附带的技能不会自行合并变更。Cezar 是运行编码任务的开发环境,本地任务使用独立的 Git 工作树,也就是同一仓库的分离工作目录;这种隔离有助于组织并行改动,但最终仍要有人审查并合并。采用门槛是愿意接管工程责任:若团队无法批准规范、检查数据库变化或持续维护依赖,就应先缩小试点,而不是把自动运行当成无人负责。

这套框架的价值主张,是让编码助手在约定好的业务骨架内工作,同时把业务问题、数据库变更和最终合并留在人可判断的位置。是否值得采用,应由一个可验收的小闭环来回答,而不是由完成比例的口号决定。本文仅依据README资料整理,未独立实测。

参考来源

本文仅据固定版本 README 整理,未独立实测;仅作技术介绍,不构成安全审计或投资建议。

采集时间:2026-11-20T23:10:33.682Z;1952 Star 快照。首次发现;暂无可用的约24小时基线,日增长未知。

open-mercato/open-mercato README · a2b3e8bbaebe9cacb5bcab2d10a7c19a53a6878e

GitHub 仓库及采集时元数据

标签 AI智能体open-mercatoAI Agent智能体工作流

本文基于公开媒体报道整理,仅作信息参考,不构成任何投资依据,内容以原文为准。

相关阅读

同分类「人工智能」的其他稿件

更多人工智能 →