基于AI与规则引擎的智能报价系统：从Excel到Web应用的工程实践-平芜编程栈

1. 先搞清楚“AI报价工作台”到底要解决什么痛点

如果你还在用Excel手工查表、复制粘贴、套公式来算报价，那这个“AI报价工作台”的思路，就是帮你把整个流程自动化、智能化。它不是一个现成的软件，而是一个需要你动手搭建的系统。核心痛点很简单：手工报价慢、易出错、规则复杂时容易漏项，而且一旦报价规则（比如折扣表、成本表）更新，所有历史报价单都可能需要手动重算。

这个工作台的核心价值，是把动态的报价规则和标准化的报价流程封装成一个Web应用。用户（比如销售或客服）在前端页面选择或输入几个关键参数（如产品型号、数量、客户等级），后台就能自动调用规则引擎（初期可能就是处理好的Excel逻辑），结合AI大模型的理解能力，生成结构清晰、附带说明的报价单，甚至能给出一些议价策略建议。

它适合两类人看：一是经常被繁琐报价流程困扰的业务人员，想寻求效率提升；二是开发者，尤其是前端和全栈，想学习如何将业务逻辑（Excel函数）、AI能力（大模型提示词）和Web应用结合，做一个有实用价值的项目。最关键的，这不是一个玩具，而是一个有明确输入、处理、输出逻辑的工程化实践。

2. 环境与工具准备：别在配置上卡住

动手之前，先把环境理顺。这个项目会涉及前端、后端、数据处理和AI调用，但别被吓到，我们可以用最轻量的方式启动。

前端环境：前端负责用户交互和结果展示。直接用现代前端框架的脚手架能省很多事。

核心工具：Node.js (建议16.x或18.x LTS版本) + npm/yarn/pnpm。
开发环境：Visual Studio Code (VSCode) 是首选，插件丰富。
需要安装的包（以React为例）：
```
# 创建一个新的React应用 npx create-react-app ai-quote-dashboard cd ai-quote-dashboard # 安装一些可能用到的UI库和工具 npm install antd axios
```
如果使用Vue，可以用vue create；如果追求极简，甚至一个HTML+JS文件也能开始，但不利于后续扩展。

后端环境：后端负责业务逻辑计算和AI接口调用。Python是处理数据和AI调用的绝佳选择。

核心工具：Python 3.8+。
推荐框架：FastAPI（轻量、异步、自动生成API文档）或 Flask（更简单）。
需要安装的包：
```
pip install fastapi uvicorn pandas openpyxl
```
pandas和openpyxl是用来读取和处理Excel报价规则表的核心库。

AI能力接入：这是“智能”的来源。我们通过调用大模型的API来实现。

选择模型：国内可选科大讯飞、百度文心、阿里通义、智谱GLM等；国外需注意合规使用。选择一家提供稳定API服务的。
核心准备：去对应平台注册账号，获取API Key（密钥）。这是调用服务的凭证。

安装SDK：通常平台会提供Python SDK。

# 例如，使用某平台的SDK pip install zhipuai

数据准备（你的报价规则表）：这是项目的大脑。你需要一个结构清晰的Excel文件，例如：

product_price.xlsx: 产品基础价目表。
discount_rules.xlsx: 客户等级/采购量对应的折扣规则。
cost_details.xlsx: 成本明细表，用于计算利润。

把这些文件放在项目后端容易读取的目录下，比如data/文件夹。

3. 核心流程拆解：从输入到报价单生成

整个系统的工作流可以拆解为四个关键环节，我们一步步来实现。

3.1 第一步：设计前端交互与参数收集

前端页面不需要很复杂，但信息要收全。一个典型的表单可能包括：

客户信息：客户名称、客户等级（下拉选择）。
产品信息：产品型号（下拉选择，可搜索）、购买数量（数字输入）。
其他选项：是否含税、是否需要加急服务（复选框）。
操作按钮：“生成报价”、“重置”、“导出PDF”。

这里的关键是，下拉框的选项（如产品型号、客户等级）最好能通过API从后端动态获取，这样当Excel规则表更新时，前端无需修改代码。使用axios库来发起这些请求。

// 前端React组件示例：获取产品列表 import React, { useState, useEffect } from 'react'; import axios from 'axios'; import { Select, InputNumber, Button } from 'antd'; const QuoteForm = () => { const [products, setProducts] = useState([]); const [formData, setFormData] = useState({ productId: '', quantity: 1 }); useEffect(() => { // 组件加载时，从后端获取产品列表 axios.get('/api/products').then(response => { setProducts(response.data); }); }, []); const handleSubmit = async () => { // 提交表单数据到后端生成报价 const result = await axios.post('/api/generate-quote', formData); // 处理返回的报价结果... }; return ( <div> <Select options={products} onChange={value => setFormData({...formData, productId: value})} /> <InputNumber min={1} value={formData.quantity} onChange={value => setFormData({...formData, quantity: value})} /> <Button type="primary" onClick={handleSubmit}>生成报价</Button> </div> ); };

3.2 第二步：后端业务逻辑与Excel数据处理

这是报价计算的核心。后端接收到前端传来的参数后，需要做以下几件事：

参数校验：检查产品ID、数量是否有效。

查询基础数据：用pandas读取Excel，找到对应产品的基础价格。

import pandas as pd def get_product_base_price(product_id): df = pd.read_excel('data/product_price.xlsx') product_row = df[df['产品ID'] == product_id] if product_row.empty: raise ValueError(f"未找到产品ID: {product_id}") return product_row.iloc[0]['基础单价']

应用业务规则：根据客户等级和数量，查询折扣规则表，计算折扣率。

def calculate_discount(customer_level, quantity): df = pd.read_excel('data/discount_rules.xlsx') # 假设规则是：先按客户等级找基准折扣，再根据数量区间找额外折扣 level_discount = df[df['客户等级'] == customer_level]['基准折扣'].values[0] # 简化逻辑：找到数量所在的区间 quantity_rule = df[(df['最小数量'] <= quantity) & (df['最大数量'] >= quantity)] extra_discount = quantity_rule['额外折扣'].values[0] if not quantity_rule.empty else 0 return level_discount + extra_discount

执行计算：计算折后单价、总价、税费（如果含税）、最终报价。

base_price = get_product_base_price(product_id) discount_rate = calculate_discount(customer_level, quantity) discounted_unit_price = base_price * (1 - discount_rate) total_price = discounted_unit_price * quantity if include_tax: total_price *= 1.13 # 假设税率为13% final_quote = total_price

3.3 第三步：集成AI生成个性化说明与建议

纯数字的报价单冷冰冰的。AI的作用是为这份报价增加“温度”和“策略”。

设计提示词（Prompt）：这是最关键的一步。你需要告诉AI背景、角色、任务和格式。
角色：你是一名专业的销售顾问。任务：根据以下报价信息，生成一段给客户的报价说明。需要突出产品价值，解释价格构成（如折扣来源），并根据客户等级给出1-2条后续跟进的建议。报价信息：{产品名称}，数量{数量}，原单价{原单价}，适用折扣率{折扣率}，折后单价{折后单价}，总计{总计}（含税/不含税）。客户等级为{客户等级}。输出要求：语言专业、友好，控制在200字以内。

调用AI API：在后端计算完价格后，将构造好的提示词发送给大模型。

import zhipuai # 以智谱AI为例 zhipuai.api_key = "你的API密钥" def generate_quote_narrative(quote_info): prompt = f"""你是一名专业的销售顾问。根据以下报价信息，生成一段给客户的报价说明... 报价信息：{quote_info}""" response = zhipuai.model_api.invoke( model="glm-4", prompt=prompt, temperature=0.7, # 控制创造性，报价建议可以稍高，纯计算则用0.1 ) return response['data']['choices'][0]['content']

处理AI返回：将AI生成的文本说明，和之前计算好的结构化报价数据（产品明细、单价、总价等）一起，组合成最终的报价结果返回给前端。

注意AI的“幻觉”：AI可能会编造不存在的产品特性或折扣理由。因此，所有核心数据（价格、折扣率）必须来自你的业务规则表（Excel），AI只负责文本润色和建议生成。切勿让AI直接计算关键数字。

3.4 第四步：结果展示、导出与状态管理

前端拿到后端返回的完整报价结果后，需要清晰展示：

结构化数据区：用表格展示产品、单价、数量、折扣、小计、总计，确保数字准确无误。
AI生成区：展示AI生成的报价说明和建议，可以放在一个独立的卡片或区域。
操作区：提供“重新生成说明”（仅重新调用AI）、“导出为PDF”、“发送邮件”等按钮。

导出功能可以使用前端库如jspdf或html2canvas将报价单DOM节点转换为PDF。更稳定的做法是后端生成PDF，前端下载。

状态管理：一个完整的报价单生成后，应该被保存下来（可以存数据库，或简单点存为JSON文件），并生成一个唯一的报价单号。这样便于后续查询、修改或跟踪。

4. 关键细节与避坑指南

把流程跑通只是第一步，要让这个工作台真正可用、可靠，下面这些细节必须处理好。

4.1 Excel数据与程序的耦合问题

问题：直接在后端代码里写死Excel文件路径和列名（如df['产品ID']），一旦Excel表格结构变化（例如列名从“产品ID”改为“SKU”），程序就会报错。解决方案：

配置化：创建一个config.yaml或config.json文件，专门定义Excel的路径、工作表名、列名映射。
```
# config.yaml excel_files: product_price: path: "data/product_price.xlsx" sheet: "Sheet1" columns: id: "产品ID" name: "产品名称" price: "基础单价"
```
程序读取配置，而不是硬编码。
数据校验：在启动服务或读取Excel时，增加校验逻辑，检查必要的列是否存在，数据格式是否正确。
缓存机制：报价规则表通常不会频繁变动。不要每次请求都读取Excel，可以将其加载到内存（如Python字典）中，并设置一个文件监听或定时任务来更新缓存。

4.2 AI提示词工程：稳定输出想要的格式

问题：AI返回的文本格式不稳定，有时是段落，有时带列表，有时还会说“作为AI模型，我无法...”。解决方案：

明确指令：在提示词中严格规定输出格式，例如“请用以下JSON格式输出：{“summary”: “一段话总结”, “suggestions”: [“建议一”, “建议二”]}”。大模型对JSON格式遵循得比较好。
系统角色设定：充分利用API中的system或role参数来设定AI的固定身份，这比在用户提示词中写“你是...”更有效。
后处理：对AI返回的内容做一层后处理。例如，如果要求返回纯文本说明，但AI返回了Markdown符号，就用正则表达式过滤掉。
设置温度（Temperature）和核采样（Top-p）：对于报价这种需要稳定性的场景，将temperature调低（如0.3），top_p调低（如0.8），可以减少随机性，让输出更可控。

4.3 错误处理与用户体验

问题：网络波动导致AI调用失败，或者Excel数据异常，前端只显示一个“Internal Server Error”。解决方案：

后端分层捕获异常：在数据读取、规则计算、AI调用等每个环节都用try...except包裹，并抛出带有明确错误类型和信息的自定义异常。
定义清晰的API错误码：如1001: 产品不存在,1002: 折扣规则配置错误,2001: AI服务暂时不可用。
前端友好提示：根据后端返回的错误码，在前端展示对应的友好提示，而不是技术性的错误信息。例如，“当前无法生成报价建议，请稍后重试或联系管理员”。
加载状态：在发起“生成报价”请求后，前端按钮应变为禁用并显示加载动画，防止用户重复提交。

4.4 性能与扩展性考量

问题：当产品表有上万条数据，或者需要同时处理多个报价请求时，系统变慢。解决方案：

数据索引：将Excel数据读入内存后，使用字典（Dict）或集合（Set）进行存储，以产品ID为键，实现O(1)复杂度的查询，避免每次都在DataFrame里全表扫描。
异步处理：如果AI调用耗时较长（可能2-5秒），使用异步框架（如FastAPI的async/await）来处理/api/generate-quote请求，避免阻塞其他快速请求（如获取产品列表）。
限流与队列：如果预计有高并发，需要对AI调用接口实施限流，或者将报价请求放入任务队列（如Celery、RQ），后端异步处理完成后通知前端。
脱离Excel：当规则变得非常复杂时，应考虑将业务规则从Excel迁移到数据库（如MySQL, PostgreSQL）甚至规则引擎（如Drools）中，这是项目后期演进的必然方向。

5. 从Demo到生产：还需要考虑什么

如果你只想验证想法，做到第3步就足够了。但如果想用于实际团队，下面这些点必须规划。

权限与多用户：不同的销售员可能只能看到自己的客户或报价。需要引入用户登录、权限控制（RBAC），报价单需要关联创建者。报价单版本管理：客户讨价还价后，价格可能修改，需要保存每一次修改的版本，并能查看差异。审计日志：记录谁、在什么时候、生成了哪份报价、输入参数是什么。这对于追溯问题和业务分析至关重要。与CRM/ERP集成：真正的价值在于打通。报价单审核通过后，能否一键生成销售订单？客户信息能否从CRM系统自动带入？这需要设计API与其他系统对接。部署：前端可以打包成静态文件，用Nginx托管。后端FastAPI应用可以用Uvicorn或Gunicorn部署在服务器上，并用Supervisor或Systemd管理进程。记得设置好环境变量来管理API Key等敏感信息。

最后，也是最实际的建议：不要一开始就追求大而全。先用一个最核心的产品、最简单的折扣规则，把“前端输入 -> 后端查表计算 -> AI生成说明 -> 前端展示”这个闭环跑通。然后，再逐步加入客户管理、复杂规则、导出PDF、历史记录等功能。每加一个功能，都确保原有的核心流程依然稳固。这样搭建起来的“AI报价工作台”，才能真正甩掉手工查表算价的繁琐，而不是变成另一个需要维护的“麻烦”。