智能商品导购助手系统如何包装简历？

最近有球友反馈说，想把咱们星球中的智能导购AI Agent系统，写到自己的求职简历中。

今天这篇专门给大家分享一下，智能导购AI Agent系统如何包装简历？

项目名称：智能导购AI Agent系统

核心技术：SpringBoot 3、Spring AI、Spring Cloud、Nacos、PostgreSQL + PGVector、MongoDB、Redis、DashScope（通义千问）、OpenFeign、Graph 工作流引擎、MCP 协议、RAG、JWT 等。

项目描述：SmartRecommendationAssistant 是电商平台中的一个核心 AI 子系统。考虑到用户在购物过程中决策成本高、商品信息过载，传统搜索式购物体验无法满足个性化导购需求，因此构建了该智能导购助手。用户通过自然语言与系统对话，系统自动理解购物意图，提供个性化商品推荐，并引导用户完成下单、售后、评价等完整购物链路。

我的职责：主要参与智能导购系统的架构设计和核心代码编写。包括：双层语义路由模块、RAG 检索增强模块、Graph 工作流编排引擎、多模型工具调用层（Function Calling + MCP 协议）、推荐服务（三级推荐策略）、会话记忆管理等核心功能开发。

项目亮点：

1. 系统设计了双层语义路由（Two-Stage Semantic Routing）机制，采用 Embedding + 原型质心 + 余弦相似度的方式对用户意图进行粗分类和细分。第一层将意图分为工作流、工具调用、商品推荐、闲聊四类；第二层在工作流内部进一步判定下单、售后、评价、改地址等具体流程类型。相比传统的大模型意图分类方案，该方案延迟从秒级降低到毫秒级，且无需额外消耗 Token 成本。
2. 在语义路由层增加了规则强覆盖兜底策略。当语义匹配置信度低于阈值（0.33）或 top 与 second 差值小于 0.05 时，自动回退到基于正则的规则匹配或通用闲聊模式，确保系统在边界场景下的稳定性。
3. 实现了基于 StateGraph 的工作流编排引擎，通过 12 个节点和 4 种流程类型（下单结算、售后处理、订单评价、地址变更），将复杂的电商业务对话建模为有向有环状态机。每个节点通过 Slot Filling 机制逐步收集关键信息（如订单号、评分、原因等），并在最大 2 次重试内完成信息确认，避免了模型在对话中反复追问导致体验下降的问题。
4. 工作流支持断点续聊（Conversation Continuity）。工作流状态持久化到 MongoDB，用户中断对话后再回来，系统能自动检测未完成的工作流（ACTIVE 状态），优先续跑，而非重新开始。同时支持回滚操作，如下单后可取消、改地址可撤销工单。
5. 设计了双模工具执行架构（Dual-Mode Tool Execution），既支持本地 Function Calling，也支持通过 MCP（Model Context Protocol）协议远程调用工具。通过配置开关（product/cart/order 三级粒度）可动态切换执行模式，且支持 Fallback 到本地调用，实现了工具层的热插拔和高可用。
6. 推荐服务采用三级推荐策略。第一级：通过 RAG 从向量库召回相似商品，构建 Prompt 让 LLM 生成结构化 JSON 推荐（含推荐理由）；第二级：LLM 调用失败时自动回退到商品服务 Feign 客户端分页拉取；第三级：商品服务不可用时从本地配置文件读取默认推荐。结合 Redis 缓存（个性化推荐和每日精选每 3 分钟刷新），在保证推荐质量的同时实现了高可用。
7. RAG 检索增强采用了 Top-K 向量相似度检索，将商品元数据通过 TokenTextSplitter 进行语义分片（chunk size=512），存储到 PGVector 向量数据库中。检索结果以结构化 Context Block 形式注入到 System Prompt 中，使 LLM 能够基于真实商品数据而非幻觉生成推荐，有效解决了"推荐已下架商品"或"虚构价格"等问题。
8. Embedding 模型实现了多 Provider 可切换设计，支持 DashScope（text-embedding-v2）和 OpenAI 两个 Provider，通过配置即可切换。同时包装了 RetryingEmbeddingModel，实现了最多 3 次指数退避 + 随机抖动（jitter）的重试机制，保障了向量化环节的可靠性。
9. 会话管理实现了完整的记忆系统。用户的购物偏好、预算信息、对话历史存储到 MongoDB，通过 MemoryService 在每次请求时注入到上下文中。支持"第一个商品"等人称指代的解析——系统记录了最近推荐的候选列表，能够正确将代词映射到具体商品 ID。
10. 系统接入层实现了完整的防护机制。包括 JWT 认证鉴权、令牌桶限流（10 次/分钟/会话）、CORS 跨域控制、统一异常处理、全局 API 响应包装（ApiResponseBodyAdvice）、以及请求/响应日志全量记录（含 traceId），保证了系统的安全性和可观测性。

常见问题

1 部署了几台服务器？并发量多大？

2 语义路由相比直接让大模型判断意图，有什么优势？

3 推荐如何避免 LLM 生成不存在的商品？

4 Graph 工作流和普通的状态机有什么区别？

5 为什么选择 MCP 协议来做工具调用？

6 为什么向量存储用 PGVector 而不是专门的向量数据库？

如何获取项目源代码、完整教程和问题答案？