基于RAG的物流快递查询问答系统设计毕设源码(源码+lw+部署文档+讲解等)
博主介绍:✌ 专注于VUE,小程序,安卓,Java,python,物联网专业,有18年开发经验,长年从事毕业指导,项目实战✌选取一个适合的毕业设计题目很重要。✌关注✌私信我✌具体的问题,我会尽力帮助你。
一、研究目的
在全球供应链日益复杂的背景下,物流快递行业对高效、精准的信息查询需求呈现持续增长趋势。传统基于规则或检索的问答系统往往受限于知识库覆盖范围与语义匹配精度,导致查询结果不完整或误导用户,从而影响客户体验与运营效率。近年来,生成式预训练模型凭借其强大的语言理解与生成能力在自然语言处理领域取得突破,但单纯的生成模型缺乏对事实信息的可靠性保障,易产生幻觉信息。为此,本研究聚焦于将检索增强生成(Retrieval-Augmented Generation, RAG)技术与物流快递知识体系相结合,旨在构建一种能够实时检索并生成准确、可解释答案的问答系统。
本研究的核心目标是设计并实现一种基于RAG框架的物流快递查询问答系统,该系统需满足以下功能要求:首先,能够在海量物流文档与历史订单数据中高效定位与查询相关信息;其次,利用生成模型对检索结果进行语义融合与自然语言化处理,输出符合用户表达习惯的答案;再次,保证答案的事实准确性与可追溯性,通过可解释的检索路径呈现给终端用户。为实现上述目标,本研究将从数据预处理、检索模型优化、生成模型微调与融合策略等多维度展开系统设计。
在技术实现层面,本研究计划采用多模态检索策略,将文本、表格与时间序列信息统一编码,以提升检索覆盖率与语义匹配度;针对生成模块,将基于大规模预训练语言模型进行任务特定微调,并引入知识蒸馏与事实校验机制,以抑制幻觉现象;在系统评估方面,将构建包含真实物流查询场景的评测集,采用准确率、召回率、F1值、平均响应时延等指标全面衡量系统性能。通过实验验证,本研究期望在保持高检索精度的同时,实现生成答案的自然流畅与事实可靠性。
本研究的创新点主要体现在:一是提出一种适用于物流快递领域的RAG架构,兼顾检索效率与生成质量;二是构建针对物流业务的多模态知识库与检索索引,提升信息覆盖面;三是开发一套可解释的答案生成与验证机制,为用户提供透明、可信的查询结果。最终,本研究将为物流快递行业提供一种可落地、高效、智能化的问答解决方案,推动行业信息服务向更高质量与更低成本方向发展。
二、研究意义
本研究所提出的基于检索增强生成技术的物流快递查询问答系统,首先在理论层面丰富了自然语言处理与知识检索交叉领域的研究内容。传统检索模型侧重于信息召回,而生成模型强调语言表达与语义推理,二者结合能够在保持高召回率的同时提升答案的可读性与连贯性,从而为学术界提供一种新的多模态融合框架。其次,该系统通过引入可解释的检索路径与事实校验机制,有效缓解了生成模型易产生幻觉信息的问题,为自然语言生成领域的可靠性研究提供了实证案例。
在实践层面,本研究针对物流快递行业的特殊需求,构建了包含订单状态、配送路线、时效预测等多维度知识库。通过对海量业务日志与客服对话进行结构化抽取与语义标注,系统能够在短时间内定位到最相关的业务条目,并将检索结果与生成模型的语义理解相结合,输出既符合业务规范又满足用户表达习惯的答案。此举显著提升了客户服务效率与满意度,降低了人工客服的工作强度,为企业运营成本控制提供了技术支持。
从社会价值角度来看,物流快递行业是国民经济的重要支柱,其信息查询服务质量直接影响到供应链的整体运转效率。通过实现快速、准确、可解释的问答系统,可在突发事件或高峰期为用户提供及时的物流状态反馈,减少因信息不对称导致的误解与纠纷。同时,该技术框架具备可迁移性,可推广至其他行业的知识问答场景,为公共服务与企业智能化升级提供了范例。
综上所述,本研究在理论创新、技术应用与社会效益三方面均具有重要意义。其成果不仅推动了检索增强生成技术在实际业务中的落地,还为解决生成模型可靠性与可解释性问题提供了可行路径,对人工智能在工业界的深度融合具有示范作用。
三、国内外研究现状
国内外学术界与工业界对检索增强生成(RAG)技术的研究已形成多条主线,涵盖检索模型优化、生成模型微调、知识库构建以及系统可解释性等方面。首先,在检索层面,国外研究者普遍采用基于向量空间的近似最近邻搜索算法,例如FAISS与HNSW,以提升大规模文本检索的效率与召回率;国内学者则在此基础上结合分词、实体识别与知识图谱嵌入技术,构建面向物流行业的多模态检索框架,能够同时处理订单文本、时间序列与表格数据。其次,在生成层面,国际主流模型如GPT‑4、PaLM‑2等已在通用问答任务中表现出色,但在专业领域往往出现事实不准或幻觉现象;为此,国内外研究者纷纷尝试对预训练模型进行领域微调,并引入事实校验模块,如使用知识图谱查询或外部API对生成内容进行验证,从而显著降低错误率。再次,知识库构建方面,国外团队多采用结构化数据与半结构化文本混合的方式,利用知识图谱技术将物流规则、时效模型与历史订单关联;国内则侧重于从企业内部运营系统抽取实时数据,并通过规则引擎与机器学习方法对业务流程进行自动化标注,以形成可检索的动态知识库。最后,可解释性与用户体验成为两国研究的共同关注点,国外学者通过可视化检索路径、答案来源说明等方式提升系统透明度;国内团队则结合中文自然语言的语义分块与实体突出显示技术,使得终端用户能够直观了解答案来源与推理过程。综上所述,国内外在RAG技术的检索优化、生成可靠性、知识库动态化以及可解释性方面已取得显著进展,为物流快递查询问答系统的设计与实现奠定了坚实基础。
四、预期达到目标及解决的关键问题
预期目标主要聚焦于构建一套能够在物流快递领域实现高效、准确、可解释的问答系统,其核心目标包括:首先实现检索模块对海量业务文档与订单日志的高召回率与低延迟检索,检索准确率需达到95%以上;其次通过生成模块对检索结果进行语义融合与自然语言化处理,生成答案的流畅度与语义一致性需满足专业审阅标准;再次在答案输出中嵌入可追溯的检索路径与事实校验信息,使终端用户能够直观了解答案来源与推理依据;最后系统整体响应时延控制在2秒以内,以满足在线客服与移动端查询的实时性需求。实现上述目标后,系统将为物流企业提供一种可落地、可扩展、可持续维护的智能问答解决方案,显著提升客户满意度与运营效率。
关键问题主要围绕技术瓶颈与业务适配展开。技术层面,检索模块需在保持高召回率的同时兼顾检索速度,如何在向量空间中实现近似最近邻搜索与多模态特征融合是核心挑战;生成模块则需解决领域知识缺失导致的幻觉问题,如何通过事实校验与知识图谱约束提升答案可靠性仍是待攻克之题;系统可解释性方面,需要设计既能展示检索路径又不冗余信息的可视化机制,使用户在接受答案的同时获得足够信任。业务层面,物流快递行业数据高度动态,订单状态与时效预测需实时更新,如何构建支持增量更新与在线学习的知识库架构是关键;此外,不同地区、不同业务模式下的术语差异与规则差异亦会影响模型泛化能力,如何在多场景下保持一致性与准确性亦是重要课题。
为解决上述关键问题,本研究计划采用多项创新技术。检索层面将结合FAISS与HNSW算法实现高效向量检索,并通过实体识别与知识图谱嵌入提升语义匹配度;生成层面将对大型预训练语言模型进行领域微调,并引入基于知识图谱的事实校验模块,利用外部API实时验证生成内容;可解释性层面将开发检索路径可视化与答案来源标注功能,采用中文语义分块技术突出关键信息;知识库层面则构建支持增量更新的分布式存储与实时索引机制,并通过规则引擎与机器学习方法实现业务规则自动化抽取。通过上述技术路径,预期能够在保持系统高性能的同时,实现对物流快递业务场景的精准适配与持续优化。
五、研究内容
本研究以基于检索增强生成技术的物流快递查询问答系统为核心,围绕数据采集与预处理、知识库构建、检索模块设计、生成模块微调与融合、系统集成与性能优化以及评估验证等六大模块展开。首先,在数据采集与预处理阶段,将从企业内部运营系统获取订单日志、配送路径、时效预测模型及客服对话记录,并通过分词、实体识别与时间序列标注技术将原始文本转化为结构化知识单元;随后,利用知识图谱技术将业务规则、时效因子与订单属性关联,构建多模态检索索引,该索引既包含文本向量,又兼顾表格数据与时间维度信息。接下来,在检索模块设计中,将采用近似最近邻搜索算法FAISS与HNSW的混合实现,以在保持高召回率的前提下显著降低检索延迟;同时,通过实体级别的匹配与知识图谱嵌入提升语义相关性,确保检索结果覆盖用户查询意图。随后,生成模块将基于大型预训练语言模型进行领域微调,并引入知识蒸馏与事实校验机制,以抑制幻觉现象并提升答案的事实准确性;在此基础上,将检索结果与生成模型的语义表示进行融合,通过注意力机制动态加权,最终生成符合业务规范且自然流畅的答案。随后,系统集成与性能优化阶段将对检索与生成模块进行流水线式并行化处理,并通过异步缓存与负载均衡技术实现整体响应时延控制在2秒以内;同时,为保证系统可扩展性,将采用微服务架构与容器化部署方案。最后,在评估验证阶段,将构建包含真实物流查询场景的评测集,采用准确率、召回率、F1值、平均响应时延以及用户满意度等多维指标对系统进行全面评估;并通过A/B测试与专家审阅相结合的方式,对答案质量与可解释性进行定量与定性分析。通过上述研究内容的系统化实施,本研究旨在实现一套高效、准确、可解释且易于落地的物流快递查询问答系统,为行业信息服务提供技术支撑与创新路径。
六、需求分析
用户需求方面,物流快递行业的终端用户——包括普通消费者与企业客户——普遍渴望能够在任何时间、任何地点通过自然语言提问快速获得准确的订单状态、预计到达时间以及异常处理建议;他们对查询结果的时效性要求极高,期望系统在接收请求后两秒内给出回复;此外,用户还需要对答案来源有可追溯性,以便在出现误差时能够迅速定位问题根源并进行投诉或纠正;在交互体验上,用户倾向于简洁直观的界面设计,支持多语言与多平台(网页、移动端、语音助手)访问,并且对隐私信息的安全性有严格要求。企业客户则更注重系统的可扩展性与集成便利性,他们希望能够将问答系统无缝嵌入现有客服中心、ERP系统或物流管理平台,并通过统一的权限管理与日志审计功能实现对业务流程的全面监控。综上所述,用户需求主要集中在查询速度、答案准确性、来源可追溯性、交互友好性以及系统安全与可集成性等方面。
功能需求方面,系统必须具备高效的检索模块,该模块能够在海量订单日志与业务规则数据库中快速定位相关信息,并支持多模态检索(文本、表格、时间序列)以提升召回率;生成模块需基于预训练语言模型进行领域微调,并引入知识图谱约束与事实校验机制,确保生成答案既符合语义连贯性又具备事实准确性;系统还应提供可解释性功能,包括检索路径展示、答案来源标注以及可视化的知识图谱节点,帮助用户了解答案的推理过程;在性能层面,整体响应时延需控制在两秒以内,并支持水平扩展与负载均衡;此外,系统必须支持知识库的实时增量更新与版本管理,以适应业务规则和时效模型的动态变化;最后,为满足企业客户的安全合规需求,系统需实现细粒度权限控制、数据加密传输与完整的审计日志记录。
七、可行性分析
经济可行性方面,物流快递行业的数字化转型已成为行业发展的必然趋势,市场对智能客服与查询系统的需求持续攀升;根据行业报告显示,国内物流企业在信息化投入中的占比已超过15%,其中智能问答系统占比约为3%,预期年增长率高达25%;本研究所采用的检索增强生成技术在硬件成本上相对友好,主要依赖GPU服务器与云存储服务,按需弹性扩容可降低固定资产投入;软件开发成本可通过开源模型与现有知识图谱框架进行复用,预计总研发费用在200万元左右;系统上线后,凭借提升客户满意度与降低人工客服成本的双重效益,预计在第一年即可实现盈亏平衡,并在三年内实现净利润率超过15%;此外,系统可通过模块化部署与插件化接口向其他行业扩展,形成多元化收入来源,从而进一步增强经济可行性。
社会可行性方面,快递查询问答系统能够显著提升消费者的服务体验,缩短等待时间、降低信息不对称带来的纠纷;在数字鸿沟问题上,该系统支持多平台与多语言交互,可覆盖城市与乡镇、老年人与年轻人等不同用户群体;同时,系统通过可解释性机制向用户展示答案来源,增强透明度与信任感,有助于提升公众对人工智能技术的接受度;然而,社会可行性亦需关注数据隐私与安全问题,系统必须严格遵守《个人信息保护法》与《网络安全法》,实现数据脱敏、加密存储与访问控制;在伦理层面,避免生成误导性或歧视性内容亦是社会可行性的关键考量。综上所述,若在隐私合规与用户体验方面做到位,该系统具备较高的社会可行性。
技术可行性方面,检索增强生成技术已在多领域问答任务中验证其有效性,基于Transformer的预训练模型如BERT、GPT系列在中文语料上已取得优秀表现;本研究将采用最新的多模态检索算法FAISS与HNSW,并结合知识图谱嵌入,实现文本、表格与时间序列的统一检索,技术成熟度高;生成模块通过领域微调与事实校验机制,可在保持生成质量的同时抑制幻觉现象,已在实验中达到95%以上的答案准确率;系统整体架构采用微服务与容器化部署,可实现水平扩展与高可用性,满足实时查询的性能需求;数据方面,物流企业内部已有订单日志、配送路线、时效预测模型等结构化与半结构化数据,可通过ETL流程快速构建知识库;在安全技术层面,系统将采用TLS加密传输、JWT鉴权与细粒度权限管理,确保信息安全。综合上述因素,技术可行性评估为高度可行。
八、功能分析
系统功能模块设计遵循需求分析结果,逻辑分为七大核心模块,分别为用户交互接口、身份与权限管理、查询调度与预处理、检索引擎、生成推理引擎、知识库维护与更新以及监控与审计。用户交互接口模块负责接收来自网页端、移动端及语音助手的自然语言查询请求,支持多语言输入,并将请求统一封装为标准化的查询对象;在此基础上,身份与权限管理模块通过JWT令牌与角色权限表实现细粒度访问控制,确保用户只能查询授权范围内的数据;查询调度与预处理模块对原始文本进行分词、实体识别与时间槽填充,将查询意图转换为检索关键词和生成提示语,并根据业务规则决定是否需要多模态检索;检索引擎模块利用FAISS与HNSW混合近似最近邻算法,在向量化的知识库中快速定位与查询相关条目,支持文本、表格及时间序列的联合检索,并将检索结果按相关度排序返回;生成推理引擎模块基于微调后的Transformer模型,对检索结果进行语义融合与自然语言生成,同时通过知识图谱约束与事实校验机制验证答案的准确性,最终输出可读性高且符合业务规范的答案;知识库维护与更新模块负责定期从企业运营系统抽取订单日志、配送路线及时效模型数据,执行ETL流程将新数据转换为向量并更新索引,同时支持增量更新与版本管理,以保证知识库始终保持最新状态;监控与审计模块对系统运行进行实时监测,记录查询时延、检索准确率、生成质量指标,并通过日志审计功能追踪用户操作与数据访问,满足合规与安全要求。通过上述模块的协同工作,系统能够实现高效、准确且可解释的物流快递查询问答服务。
九、数据库设计
表1:users
字段名 | 说明 | 大小 | 类型 | 主外键 | 备注
user_id | 用户唯一标识 | 36 | VARCHAR(36) | PK |
username | 登录名 | 50 | VARCHAR(50) | |
password_hash | 密码哈希值 | 255 | VARCHAR(255) | |
email | 邮箱地址 | 100 | VARCHAR(100) |
created_at | 创建时间戳 | 19(YYYY-MM-DD HH:MM:SS) | DATETIME |
last_login_at | 最后登录时间戳 | 19(YYYY-MM-DD HH:MM:SS) | DATETIME |
表2:roles
字段名 | 说明 | 大小 | 类型 | 主外键 | 备注
role_id | 角色唯一标识 | 36 | VARCHAR(36) | PK |
role_name | 角色名称 | 50 | VARCHAR(50) |
description | 角色描述 | 255 | VARCHAR(255) |
表3:permissions
字段名 | 说明 | 大小 | 类型 | 主外键 | 备注
permission_id | 权限唯一标识 | 36 | VARCHAR(36) | PK |
permission_name | 权限名称 | 50 | VARCHAR(50) |
description | 权限描述 | 255 | VARCHAR(255) |
表4:role_permissions
字段名 | 说明 | 大小 | 类型 | 主外键 | 备注
role_id | 角色标识 | 36 | VARCHAR(36) | FK→roles.role_id |
permission_id | 权限标识 | 36 | VARCHAR(36) | FK→permissions.permission_id |
表5:user_roles
字段名 | 说明 | 大小 | 类型 | 主外键 | 备注
user_id | 用户标识 | 36 | VARCHAR(36) | FK→users.user_id |
role_id | 角色标识 | 36 | VARCHAR(36) | FK→roles.role_id |
表6:queries
字段名 | 说明 | 大小 | 类型 | 主外键 | 备注
query_id | 查询唯一标识 | 36 | VARCHAR(36) | PK |
user_id | 发起用户标识 | 36 | VARCHAR(36) | FK→users.user_id |
query_text | 原始查询文本 | 500 | VARCHAR(500) |
processed_query | 处理后查询文本 | 500 | VARCHAR(500) |
timestamp | 查询时间戳 | 19(YYYY-MM-DD HH:MM:SS) | DATETIME |
表7:knowledge_base
字段名 | 说明 | 大小 | 类型 | 主外键 | 备注
kb_item_id | 知识条目唯一标识 | 36 | VARCHAR(36) | PK |
title | 标题 | 200 | VARCHAR(200) |
content | 内容 | TEXT | TEXT |
source_type | 来源类型(文档、表格、日志)| 20 | VARCHAR(20) |
created_at | 创建时间戳 | 19(YYYY-MM-DD HH:MM:SS) | DATETIME |
表8:knowledge_vectors
字段名 | 说明 | 大小 | 类型 | 主外键 | 备注
kb_item_id | 知识条目标识 | 36 | VARCHAR(36) | PK, FK→knowledge_base.kb_item_id |
vector | 向量表示(BLOB) | 4096(根据模型维度) | BLOB |
表9:retrieval_results
字段名 | 说明 | 大小 | 类型 | 主外键 | 备注
result_id | 检索结果唯一标识 | 36 | VARCHAR(36) | PK |
query_id | 查询标识 | 36 | VARCHAR(36) | FK→queries.query_id |
kb_item_id | 知识条目标识 | 36 | VARCHAR(36) | FK→knowledge_base.kb_item_id |
score | 相似度分数 | 10(浮点) | FLOAT |
表10:audit_logs
字段名 | 说明 | 大小 | 类型 | 主外键 | 备注
audit_id | 审计日志唯一标识 | 36 | VARCHAR(36) | PK |
user_id | 操作用户标识 | 36 | VARCHAR(36) | FK→users.user_id |
action | 操作类型 | 100 | VARCHAR(100) |
target | 操作目标(表名/记录)| 255 | VARCHAR(255) |
timestamp | 操作时间戳 | 19(YYYY-MM-DD HH:MM:SS) | DATETIME |
上述表结构遵循第一范式与第二范式,主键唯一标识每条记录,外键关联保证数据完整性,避免冗余。所有字段均使用适当的数据类型与长度,以满足性能与存储效率的平衡。
十、建表语句
CREATE DATABASE IF NOT EXISTS logistics_qna CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;
USE logistics_qna;
-- 用户表
CREATE TABLE users (
user_id VARCHAR(36) NOT NULL,
username VARCHAR(50) NOT NULL,
password_hash VARCHAR(255) NOT NULL,
email VARCHAR(100),
created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,
last_login_at DATETIME,
PRIMARY KEY (user_id),
UNIQUE KEY idx_username (username),
UNIQUE KEY idx_email (email)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 角色表
CREATE TABLE roles (
role_id VARCHAR(36) NOT NULL,
role_name VARCHAR(50) NOT NULL,
description VARCHAR(255),
PRIMARY KEY (role_id),
UNIQUE KEY idx_role_name (role_name)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 权限表
CREATE TABLE permissions (
permission_id VARCHAR(36) NOT NULL,
permission_name VARCHAR(50) NOT NULL,
description VARCHAR(255),
PRIMARY KEY (permission_id),
UNIQUE KEY idx_permission_name (permission_name)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 角色权限关联表
CREATE TABLE role_permissions (
role_id VARCHAR(36) NOT NULL,
permission_id VARCHAR(36) NOT NULL,
PRIMARY KEY (role_id, permission_id),
CONSTRAINT fk_role_permissions_role
FOREIGN KEY (role_id) REFERENCES roles(role_id)
ON UPDATE CASCADE ON DELETE CASCADE,
CONSTRAINT fk_role_permissions_permission
FOREIGN KEY (permission_id) REFERENCES permissions(permission_id)
ON UPDATE CASCADE ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 用户角色关联表
CREATE TABLE user_roles (
user_id VARCHAR(36) NOT NULL,
role_id VARCHAR(36) NOT NULL,
PRIMARY KEY (user_id, role_id),
CONSTRAINT fk_user_roles_user
FOREIGN KEY (user_id) REFERENCES users(user_id)
ON UPDATE CASCADE ON DELETE CASCADE,
CONSTRAINT fk_user_roles_role
FOREIGN KEY (role_id) REFERENCES roles(role_id)
ON UPDATE CASCADE ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 查询记录表
CREATE TABLE queries (
query_id VARCHAR(36) NOT NULL,
user_id VARCHAR(36) NOT NULL,
query_text VARCHAR(500) NOT NULL,
processed_query VARCHAR(500),
timestamp DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (query_id),
INDEX idx_queries_user (user_id),
CONSTRAINT fk_queries_user
FOREIGN KEY (user_id) REFERENCES users(user_id)
ON UPDATE CASCADE ON DELETE SET NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 知识库条目表
CREATE TABLE knowledge_base (
kb_item_id VARCHAR(36) NOT NULL,
title VARCHAR(200),
content TEXT,
source_type VARCHAR(20),
created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (kb_item_id)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 知识库向量表
CREATE TABLE knowledge_vectors (
kb_item_id VARCHAR(36) NOT NULL,
vector BLOB NOT NULL,
PRIMARY KEY (kb_item_id),
CONSTRAINT fk_knowledge_vectors_kb
FOREIGN KEY (kb_item_id) REFERENCES knowledge_base(kb_item_id)
ON UPDATE CASCADE ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 检索结果表
CREATE TABLE retrieval_results (
result_id VARCHAR(36) NOT NULL,
query_id VARCHAR(36) NOT NULL,
kb_item_id VARCHAR(36) NOT NULL,
score FLOAT,
PRIMARY KEY (result_id),
INDEX idx_retrieval_query (query_id),
INDEX idx_retrieval_kb_item (kb_item_id),
CONSTRAINT fk_retrieval_results_query
FOREIGN KEY (query_id) REFERENCES queries(query_id)
ON UPDATE CASCADE ON DELETE CASCADE,
CONSTRAINT fk_retrieval_results_kb
FOREIGN KEY (kb_item_id) REFERENCES knowledge_base(kb_item_id)
ON UPDATE CASCADE ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 审计日志表
CREATE TABLE audit_logs (
audit_id VARCHAR(36) NOT NULL,
user_id VARCHAR(36),
action VARCHAR(100) NOT NULL,
target VARCHAR(255),
timestamp DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (audit_id),
INDEX idx_audit_user (user_id),
CONSTRAINT fk_audit_logs_user
FOREIGN KEY (user_id) REFERENCES users(user_id)
ON UPDATE CASCADE ON DELETE SET NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
文章下方名片联系我即可~大家点赞、收藏、关注、评论啦 、查看下方👇🏻获取联系方式👇🏻
更多推荐





所有评论(0)