推荐一个牛逼的商品智能推荐系统

作者：苏三2025-08-16

前言

最近缺项目经历想快速提升项目实战能力（包含多个AI项目），或者最近找工作，或者想学习AI的小伙伴，可以看看下面👇🏻的这个链接（或许真的能够帮到你）。

最近我又肝了一个新项目：商品智能推荐系统。

这不是一个简单的"商品展示页 + 搜索框"的电商壳子。

而是一套真正落地了 AI 大模型 + RAG 向量检索 + Graph 工作流编排 + 语义路由 的智能推荐导购系统。

用户的购物需求不再是冷冰冰的关键词搜索，而是像跟一个懂你的导购聊天一样自然。

"帮我推荐一款5000块以内、适合打游戏的轻薄本"，系统能理解你的预算、场景、偏好，给出精准推荐，还能直接帮你加购物车、下单、申请售后。

这个项目非常实用，可以直接写到简历中，很加分。

一、项目介绍

这个项目是干什么的？

简单说：让 AI 真正帮你逛商场。

你平时网购是不是这样的：

打开电商 App → 搜索框里敲关键词 → 翻十几页商品 → 一个一个点进去看详情 → 对比价格和参数 → 犹豫半天不知道该买哪个
想退货了 → 找售后入口 → 填单子 → 等审核 → 寄回去 → 几天了还没退款
想看看最近有什么值得买的 → 首页推荐全是你不感兴趣的东西

商品智能推荐系统就是来解决这些问题的。

它把 AI 大模型、向量检索、知识图谱、工作流引擎全部整合到一起，提供了一个自然语言驱动的智能购物体验：

你说"推荐一款3000以内的降噪耳机"，AI 直接给你 5 款精选，带推荐理由、价格、销量
你说"把第一个加到购物车"，系统自动识别"第一个"是哪个商品，帮你加进去
你说"帮我下单"，系统引导你一步步确认地址、优惠券、支付方式
你说"我买的耳机有杂音想退货"，系统自动帮你走售后流程

它不是 ChatGPT 套壳，而是一个真正理解电商业务的 AI Agent。

项目规模有多大？

维度	数据
后端微服务模块	1 个独立服务 + 对接 4 个外部微服务
Java 源文件	80+ 个
REST API 端点	25+ 个
前端页面	9 个（Thymeleaf 模板）
数据库	3 种（PostgreSQL + pgvector、Redis、MongoDB）
中间件集成	5 种（Nacos、Redis、PostgreSQL/pgvector、MongoDB、DashScope AI）
后端代码量	10,000+ 行 Java
前端代码量	6,000+ 行 HTML/CSS/JavaScript
总代码量	16,000+ 行

它是按照阿里巴巴 Java 开发规范、遵循企业级架构标准的生产级系统。

系统架构一览

二、使用技术

后端技术栈

技术	版本	在项目里的实际用途
Java	17	基础运行环境
Spring Boot	3.4.2	所有功能的基础框架
Spring Cloud	2024.0.0	微服务治理框架
Spring Cloud Alibaba	2023.0.1.0	Nacos 注册中心 & 配置中心集成
Spring Cloud OpenFeign	-	声明式微服务间调用
Spring AI	1.0.0-M6	LLM 集成框架，统一模型调用
spring-ai-alibaba-starter	1.0.0-M6.1	阿里云 DashScope 适配
spring-ai-alibaba-graph-core	1.0.0.4	Graph 工作流编排引擎
PostgreSQL + pgvector	-	向量数据库，HNSW 索引，余弦相似度检索
Redis	7.x	推荐结果缓存、购物车选中状态
MongoDB	6.x	对话历史、工作流状态持久化
Nacos	-	服务注册发现 + 配置中心
JWT (JJWT)	0.12.3	无状态身份认证
Thymeleaf	-	服务端模板渲染
Knife4j / Swagger	2.2.22	API 文档注解

AI / LLM 技术栈

技术	在项目里的实际用途
阿里云 DashScope	LLM 推理（qwen-plus-latest），文本嵌入（text-embedding-v2）
Spring AI ChatClient	统一 LLM 调用接口，支持工具调用（Function Calling）
Spring AI Advisor	对话记忆注入、RAG 上下文增强
pgvector	1536 维向量存储，HNSW 索引，余弦相似度检索
语义路由	Embedding + 质心 + 余弦相似度，轻量级意图分类
Graph 工作流	StateGraph 有状态流程编排，支持断点续跑、重试、取消

前端技术栈

技术	在项目里的实际用途
Thymeleaf	服务端模板引擎，动态渲染页面
HTML5 + CSS3	Flexbox 布局、CSS 变量主题、响应式设计
JavaScript (ES6+)	Fetch API、异步数据加载、DOM 操作
Font Awesome 6.4	图标系统
CSS Grid + Flexbox	商品卡片瀑布流、响应式列表

中间件 & 基础设施

三、功能介绍

我把最核心的功能一个一个拆开来说。

3.1 AI 智能对话导购

这是最硬核的部分。用户不再用搜索框，而是直接跟 AI 聊天：

自然语言商品推荐："帮我推荐几款适合学生党的平价机械键盘"
对话式加购："把第二个加到购物车"
对话式下单："帮我结算购物车"
对话式售后："我买的耳机坏了想退货"

每一次对话，系统都会经过意图识别、上下文增强、工具调用、结果生成四个阶段，给用户一个完整且可操作的回复。

3.2 双层语义路由

这不是简单的"关键词匹配 if-else"。

系统实现了两阶段意图分类机制：

第一层 - 粗粒度分类（Embedding + 质心 + 余弦相似度）：

路由类型	含义	示例语句	处理方式
WORKFLOW	多步骤业务流程	"我要下单"、"想退货"	Graph 工作流引擎
TOOL	确定性操作	"查看购物车"、"取消订单"	NLU 解析 + API 调用
RECOMMENDATION	商品推荐	"推荐一款耳机"	向量检索 + LLM 生成
CHAT	开放域对话	"今天天气怎么样"	RAG 增强的 LLM 对话

第二层 - 工作流子分类（当第一层路由到 WORKFLOW 时）：

ORDER_CHECKOUT：下单结算流程
AFTER_SALE：售后/退货/退款流程
REVIEW：商品评价流程
ADDRESS_CHANGE：修改地址流程

核心实现：每个路由类型预先定义一组典型例句，通过 text-embedding-v2 模型计算 embedding 向量，取均值作为"质心向量"。运行时将用户输入向量与各质心计算余弦相似度，取最高分路由。低置信度结果自动降级为 CHAT 兜底。

此外，系统还内置了正则规则覆盖：像"推荐耳机"、"加到购物车"这类高频意图，直接用正则匹配，绕过语义模型，确保零延迟响应。

3.3 Graph 工作流引擎

这不是简单的一问一答，而是有状态的多轮对话流程：

基于 spring-ai-alibaba-graph-core 的 StateGraph 实现，支持：

下单结算流程：收集商品 → 确认订单 → 校验库存 → 提交订单 → 支付引导
售后流程：收集订单号和原因 → 规则校验 → 提交退货/退款申请
评价流程：收集订单号 + 评分 + 内容 → 提交评价
地址变更流程：收集订单号 + 新地址 → 提交工单

关键能力：

状态持久化：流程状态存入 MongoDB，应用重启后可以断点续跑
槽位填充：缺少信息时系统主动追问（"请提供您的订单号"）
重试机制：每个节点最多重试 2 次
回滚/取消：支持流程中取消订单、撤销工单
事件审计：每个工作流实例的每一步都有完整的事件记录

3.4 RAG 向量检索增强生成

不是简单的全文搜索，而是语义级的智能检索：

向量存储方案：

PostgreSQL + pgvector 扩展，自动建表建索引
HNSW 索引，1536 维向量，COSINE_DISTANCE 距离度量
商品数据定时从外部商品服务同步，每 3 分钟增量刷新

多源知识融合：

商品库数据（价格、库存、规格参数）
CMS 帮助文档（售后政策、退换货协议）
用户行为数据（浏览历史、收藏列表）

RAG 注入策略：

QuestionAnswerAdvisor：Spring AI 原生 Advisor，自动在 Prompt 中注入检索到的文档
显式上下文构造：在构建 Prompt 时手动拼接领域知识

3.5 商品智能推荐引擎

三路推荐，覆盖不同的用户场景：

每日精选（Daily Picks）：

LLM 生成 + 向量检索 + Redis 缓存
每 3 分钟自动刷新
无需登录即可查看

猜你喜欢（Personalized）：

基于用户浏览历史和收藏列表
按 userId 独立缓存
数据增强：合并 LLM 推荐 + 商品服务实时价格/库存/封面

场景推荐（On-Demand）：

接受场景描述 + 用户查询
向量检索 Top 5 → LLM 结构化输出
返回 JSON：商品名、价格、推荐理由、商品ID

多级降级链路：

Redis 缓存 → LLM 生成 → 商品服务分页查询 → 默认配置兜底

确保在任何异常情况下（AI 服务挂了、缓存过期、网络超时），用户都能看到推荐结果。

3.6 购物车 & 订单 NLU 引擎

用户用自然语言操作购物车和订单，系统自动解析意图并执行：

购物车操作：

"把第二个加到购物车" → 解析序数词"第二"，识别商品，调用加购 API
"查看我的购物车" → 调用购物车查询 API，返回结构化摘要
"把键盘的数量改成 2" → 解析商品名"键盘"和新数量"2"，调用更新 API
"删掉购物车里的鼠标" → 解析商品名"鼠标"，调用删除 API

订单操作：

"帮我下单" → 触发 ORDER_CHECKOUT 工作流
"取消尾号 8802 的订单" → 解析订单尾号，调用取消 API
"确认收货" → 触发确认收货流程
"申请退货" → 触发 AFTER_SALE 工作流

中文专项优化：

序数词解析：一/二/三、第一/第二/第三
商品引用：支持"第一个"、"那个耳机"、商品 ID、商品名等多种引用方式
再生修复：如果更新购物车时误删了商品，自动重新添加

3.7 对话记忆 & 多轮上下文

MongoDB 持久化：对话会话（Session）+ 历史消息（Entry）两级存储
游标分页：支持"加载更多"式滚动加载历史消息
上下文注入：每次对话自动注入最近 N 轮历史（默认 20 轮），让 AI 记住之前说过什么
会话管理：创建/重命名/删除会话，切换会话不丢失上下文
工作流记忆：如果用户在流程中间离开了，下次打开自动恢复流程状态

3.8 限流保护

令牌桶算法：每个会话每分钟最多 10 次请求
内存实现：无需外部中间件
友好提示：超限时返回"请求太频繁，请稍后再试"

3.9 统一认证 & 权限

JWT 无状态认证：从 Cookie 或 Authorization Header 提取 Token
请求拦截器：UserContextInterceptor 统一解析用户信息，注入 UserContextHolder
页面路由守卫：未登录用户访问 /chat、/orders、/cart 等页面自动跳转登录
匿名访问：每日精选和个性化推荐接口支持匿名调用
Feign 透传：调用外部微服务时自动携带 JWT Token

3.10 MCP 双模工具执行

项目支持两种工具执行模式，可灵活切换：

本地模式：Spring AI @Tool 注解，直接在本服务内执行业务逻辑
MCP 模式：通过 MCP Server 将工具暴露为外部可调用的服务，支持远程执行
降级策略：MCP 模式下如果远程调用失败，自动 fallback 到本地执行
适用范围：商品查询工具、购物车工具、订单工具均支持双模切换

四、核心数据流

来完整走一遍用户说"帮我推荐一款 5000 以内的游戏本"的全链路：

五、系统展示

六、项目亮点

6.1 架构亮点

1. 双层语义路由

它是轻量级意图分类的最优解。

没有用一个大模型调用来"猜意图"（省钱、快、准），也没有写一堆 if-else（难维护）：

Embedding 质心匹配：每个意图类别预计算一组典型例句的向量质心，运行时 O(1) 相似度计算
正则规则覆盖：高频精准意图走正则，零延迟
置信度阈值：低置信度自动降级为 CHAT 兜底，不会"硬判错"
可配置：所有路由原型例句集中在 application.yml，业务方可以随时增删

2. Graph 工作流引擎

它让业务流程可暂停、可恢复、可回溯。

传统方案是写一堆 if-else 或状态机 switch-case，流程一复杂代码就崩。Graph 方案的优势：

声明式 DAG：流程定义清晰，新增/修改流程只需定义新的节点和边
状态持久化：流程中断（用户关闭页面、服务重启）后可以从断点恢复
槽位填充模式：优雅处理"缺信息追问"的场景
完善的异常处理：重试、回滚、取消、超时全支持

以下单流程为例：

3. RAG 全链路闭环

不是简单的"调个向量库 + 调个 LLM"，而是一条完整的 pipeline：

每个步骤都有独立的 Service 实现，方便替换或升级：

想换 Embedding 模型？改 EmbeddingModelConfig 一行配置
想换向量数据库？改 PgVectorConfig 切换到 Milvus 或 Elasticsearch
想换 LLM？改 application.yml 的 model 配置

4. 多级降级链路

每个对外依赖都有兜底方案：

依赖	主方案	降级方案
AI 推荐	LLM 生成	商品服务分页查询 → 默认配置
缓存	Redis	直接调用生成逻辑
商品数据	Feign 调用商品服务	本地向量库检索结果
MCP 工具	远程 MCP Server	本地 @Tool 直接执行
意图分类	Embedding 语义路由	正则规则匹配 → CHAT 兜底

5. 微服务生态集成

项目不是孤立的，而是作为"AI 智能层"嵌入到现有微服务体系中：

4 个 Feign Client 分别对接商品、购物车、订单、用户服务
Nacos 统一注册发现和配置管理
Feign 拦截器自动注入 JWT Token，下游服务无需改造
ClientResponseResolver 统一处理各服务的响应信封差异

6. MCP 双模工具执行

它能在本地与远程无缝切换。

项目没有把工具执行写死在本地，而是实现了一套可切换的双模架构：

模式	原理	优势	劣势
本地模式	Spring AI `@Tool` 注解直接调用 Service	零网络延迟，可靠性高	与服务耦合
MCP 模式	通过 MCP Server 暴露工具，远程调用	解耦，独立部署和扩缩容	增加网络开销

关键设计：

通过 sra.mcp.*.enabled 一行配置即可切换
MCP 调用失败时，通过 fallbackLocal 标记自动降级到本地执行
商品、购物车、订单三类工具全部支持双模，且接口一致

这个设计的意义在于：开发阶段用本地模式快速迭代，生产阶段切 MCP 模式实现工具服务独立治理。两个模式共享同一套接口定义，业务代码完全无感。

7. 自愈式缓存 + 定时数据同步

推荐系统的缓存不是简单的"查得到就用，查不到就生成"，而是一套带自愈能力的多级缓存体系：

定时增量同步：每 3 分钟从外部商品服务拉取最新数据，同步到 pgvector 向量库，确保推荐基于实时库存
缓存自愈：检测到 Redis 缓存中的遗留序列化格式、损坏的 URL、过期数据时，自动标记失效并重建
嵌入式降级：当 Redis 不可用时，直接跳过缓存层走生成链路，用户无感知
预热机制：每日精选和个性化推荐都在服务启动时预加载，首次访问无需等待

这套设计确保了即使外部商品服务挂了、Redis 挂了、AI 服务超时了，用户始终能拿到一份可用的推荐结果。

8. 中文 NLU 深度优化

项目的 NLU 层没有把一切甩给大模型，而是做了大量中文特有的工程优化：

序数词解析引擎：支持"一/二/三/四/五"、"第一/第二/第三"、"第一个/第二个"等全部中文序数表达，自动映射到列表索引
多形态商品引用：用户可以用"第一个"（位置引用）、"那个耳机"（名称引用）、"ID 12345"（编号引用）、"刚才那个"（上下文引用）来指代商品，系统统一解析
中文金额解析："5000 以内"、"不超过 3000"、"两千块左右"、"500-1000 之间"，全部解析为标准预算区间
再生修复机制：更新购物车数量时如果误删了商品（比如把数量改成 0），系统自动检测并重新添加，不会让用户的操作不可逆
模糊容错：用户说"把键盘加到购物车里"、"加键盘到购物车"、"购物车加个键盘"三种表述都能正确解析

这些优化看似琐碎，但恰恰是"AI 导购是否好用"的关键分水岭。

**9. 商品规格智能提取

外部商品服务的详情接口返回的是 原始 HTML，不是结构化 JSON。

里面的 CPU、内存、硬盘型号散落在一堆 <div> 和 <span> 里。

项目没有把这坨 HTML 直接塞进向量库污染检索质量，而是实现了一套零 LLM 成本的规格提取引擎：

规格维度	正则匹配模式	提取示例
CPU	i3 / i5 / i7 / i9, 锐龙 R5 / R7 / R9, 酷睿 Ultra 5/7/9	`"i7-13700H"`
内存	4G / 8G / 16G / 32G / 64G, DDR4 / DDR5	`"16GB DDR5"`
硬盘	128G / 256G / 512G / 1T / 2T, SSD / HDD / NVMe	`"512GB NVMe SSD"`
屏幕	13.3 / 14 / 15.6 / 16 / 17 英寸, 2K / 2.5K / 4K	`"15.6英寸 2.5K"`
显卡	RTX 3050/3060/4060/4070, GTX 1650, 核显/独显	`"RTX 4060 8G"`

提取后的结构化规格作为额外字段存入 pgvector 向量库。

这意味着用户搜"16G 内存 i7 笔记本"时，向量检索能在结构化维度 + 语义维度双路命中，准确率远超纯文本向量化。

更关键的是：整个过程零 LLM 调用，零额外成本，纯正则实现，毫秒级完成。这才是工程化的正确姿势。

10. Spring AI Advisor 记忆注入 + 会话自动修复

对话记忆不是简单的"把消息存 MongoDB 然后查出来拼到 Prompt 里"。

项目实现了一套多层记忆架构：

核心设计：

Advisor 模式注入：不手动拼 Prompt，而是通过 Spring AI 的 MessageChatMemoryAdvisor 自动将历史消息注入到 LLM 调用上下文中。可配置注入轮数（默认 20 轮），自动截断超出部分
会话自动修复：用户发送消息时携带了 sessionId，但 MongoDB 中查不到对应会话文档（可能被清理或异常丢失）。系统不会报错，而是自动检测已有历史消息，从消息中反向重建会话文档，用户完全无感知
工作流续跑检测：每次对话前检查该会话是否有未完成的工作流。如果有（比如上次下单到一半退出了），自动加载流程状态，从断点继续执行
游标分页：前端"加载更多"滚动时，通过游标（最后一条消息的 ID）分页拉取，避免深分页的性能问题
双文档结构：Session（会话级：标题、创建时间、状态）和 Entry（消息级：角色、内容、工具调用记录、时间戳）分离存储，互不干扰

这套设计让多轮对话体验丝滑流畅——AI 不会"忘记"之前的对话，也不会因为异常中断而丢失进度。

6.2 工程亮点

分类	亮点数	核心关键词
AI/LLM	6	双层语义路由、RAG 向量检索、Graph 工作流、Function Calling、Memory 注入、双模 MCP
推荐引擎	3	LLM 生成 + 向量检索融合、多级降级链路、定时缓存刷新
电商业务	4	对话式下单、NLU 购物车操作、售后工作流、中文序数词解析
架构设计	4	编排器模式、降级兜底、会话状态恢复、Feign 统一鉴权透传
数据工程	3	pgvector HNSW 索引、MongoDB 对话存储、Redis 推荐缓存
运营工程	3	限流保护、JWT 认证拦截器、全局异常处理