Искусственный интеллект в WMS без облака: локальная LLM на 30 ГБ генерирует SQL-запросы

Разработчик логистической компании «Аэросиб-С» опубликовал на Хабре подробный разбор того, как он внедрил генерацию SQL-запросов с помощью LLM (Large Language Model, большая языковая модель) прямо на площадке заказчика. «Аэросиб-С» специализируется на складской логистике и ответственном хранении на складах класса «A». Через склады проходят тысячи товарных единиц в день, а WMS (система управления складом) фиксирует сотни миллионов транзакций. Автоматизация здесь не роскошь, а условие выживания.

Какую задачу решали?

Разработчик автоматизировал выставление счетов за логистические услуги. Данные для расчёта брались из WMS и ТСД (терминалов сбора данных, ручных сканеров, которыми кладовщики считывают штрихкоды на складе). Система сокращала ручной ввод и снижала число ошибок в расчётах.

Проблема возникла на этапе сопровождения. Каждая новая услуга или изменение логики расчёта требовали нового SQL-запроса (команды к базе данных на языке SQL). Написать такой запрос мог только разработчик, а менеджер, который понимает бизнес-логику услуги, SQL не владеет. Это создавало узкое место: разработчик превращался в постоянного посредника.

Решение: подключить локальную LLM, которая переводит текстовое описание услуги в готовый SQL-запрос. Менеджер или аналитик описывает задачу словами, модель выдаёт код.

Что понадобится

• Сервер: Linux Debian, 30 ГБ оперативной памяти (без видеоускорителя)
• Ollama: локальный сервер для запуска открытых моделей (опенсорс)
• Открытая модель: автор протестировал несколько моделей с 16 и 32 миллиардами параметров, победила «Gemma 4:26b»
• DDL-описание схемы базы: в данном кейсе хватило описания 10 таблиц WMS
• Эталонный SQL-запрос: для проверки качества генерации
• Время на тестирование: генерация одного ответа без видеоускорителя занимает десятки минут

Пошаговая инструкция

1. Проанализируйте существующие SQL-запросы вашей системы. Определите, какие таблицы базы данных реально участвуют в расчётах. В кейсе «Аэросиб-С» из всей схемы WMS потребовалось описать только 10 таблиц. Чем уже круг, тем точнее модель.

2. Подготовьте DDL-описание (описание структуры таблиц) для выбранных таблиц. Это станет частью системного промпта (системный промпт, постоянная инструкция, которую модель получает перед каждым запросом пользователя).

3. Составьте эталонный тестовый запрос на естественном языке. Автор использовал такой:

Создать запрос, который получает количество уникальных идентификаторов
паллет — cnt и пустое поле nomenklatura_n из таблицы стока,
для оприходованных на склад записей, на основании уникального
идентификатора приходной накладной, используемого в качестве
параметра:ST_DOC, для Европейских типов паллет.

1. Установите Ollama и создайте modelfile с системным промптом. Вот шаблон, который использовал автор:

FROM model-name
PARAMETER temperature 0.1
PARAMETER num_ctx 8192
SYSTEM """
Ты — ведущий разработчик баз данных Oracle.
Твоя задача — переводить текст в SQL-запросы.
Используй ТОЛЬКО диалект Oracle SQL.
Выдавай только чистый SQL-код внутри блока sql, без лишних объяснений.
Используй ТОЛЬКО следующую схему данных:
[СТРУКТУРА ТАБЛИЦ (DDL)]:
"""

1. Запустите модель и прогоните через неё эталонный запрос:

ollama create test_model -f test_modelfile
ollama run test_model

1. Сравните результат с эталонным SQL. Протестируйте несколько моделей. Автор обнаружил, что специализированные «coder»-модели (модели, заточенные под генерацию кода) показали себя хуже, чем рассуждающие модели (reasoning model, модель, которая перед ответом выстраивает цепочку логических шагов). Возможная причина: ограничение размером 16-32 миллиарда параметров.

2. Выберите финальную модель и интегрируйте её в рабочий процесс. Автор остановился на «Gemma 4:26b» как генерирующей наиболее корректный SQL-код.

Что делать с этим прямо сейчас?

• Авторам Дзена и копирайтерам. Кейс показывает рабочий формат технического контента, который набирает просмотры на Хабре: не абстрактные рассуждения про искусственный интеллект в WMS, а конкретная задача, конкретное железо, конкретный результат. Если у вас есть опыт внедрения ИИ в любой рутинный процесс, это материал для статьи.

• Маркетологам и предпринимателям. Если ваш склад работает на WMS и вы платите разработчику за каждое изменение в отчётности или биллинге, посмотрите на локальные LLM как на способ убрать это узкое место. Стоимость входа: сервер с 30 ГБ RAM, Ollama бесплатен, модель «Gemma 4:26b» бесплатна. Главное ограничение: без GPU будет медленно.

• Тем, кто работает в логистике РФ. Кейс целиком российский: компания «Аэросиб-С», склады класса «A», Oracle-база WMS. Никаких зарубежных подписок, никакой передачи данных за периметр. Для компаний с жёсткими требованиями к хранению данных это рабочий путь.

Автор кейса завершает мыслью, которую стоит запомнить: «ИИ это инструмент. Изучайте его, используйте самым свободным, дерзким и оригинальным способом, экспериментируйте в своих проектах». Сервер с 30 ГБ оперативной памяти, 10 таблиц и бесплатная открытая модель хватило, чтобы убрать разработчика из ежедневной поддержки биллинга на складе.