Sail的架构笔记

Appearance

点餐系统装上了「DeepSeek 大脑」 ​

基于 Spring AI + PgVector 的 RAG 落地指南 ​

大家好，我是 Sail。

pgsql 版本的 AI 点餐系统 已经完成，代码也已经提交到仓库 🎉 目前支持：

  • 🧠 本地 DeepSeek 1.5B 模型（960 显卡也能跑）
  • ☁️ DeepSeek API 云端模式

前段时间我开源了 Sail-Food 扬帆点餐系统（基础版），收到了不少反馈：

  • 👍 界面丝滑、部署简单
  • 🎓 非常适合 毕设 / 商用 / 二次开发
  • 🏪 有同学建议：搞个多商户版本

👉 多商户后面会看时间考虑补一个 PostgreSQL 版本

为什么写这篇文章？ ​

今天不聊“AI 概念”， 而是 完整复盘一次：Java 生态下，RAG（检索增强生成）是如何真正落地的。

✅ 不是 Demo

✅ 不是 PPT 架构

✅ 是已经跑在真实业务里的 AI 点餐系统

💡 架构设计：为什么选 PostgreSQL，而不是 Milvus？ ​

在设计 AI 功能时，我首先面临一个问题：

向量数据，存哪？

常见方案 ​

text
MySQL（业务数据）
+ Milvus / Elasticsearch（向量）

我最终的选择 ​

👉 PostgreSQL All-in-One

架构师视角的思考 ​

  • ❌ 引入 Milvus = 新组件 + 新运维成本
  • ❌ 小项目 / 中小系统 性价比极低
  • ❌ 数据一致性、备份、迁移复杂

而 PostgreSQL：

  • ✅ 原生 pgvector
  • ✅ 事务 + 向量一体化
  • ✅ Java 生态支持成熟
  • ✅ 一个数据库，解决所有问题

结论：

👉 业务规模没到“必须分库”的程度，PostgreSQL 是 RAG 的最优解

🧠 最终系统架构图 ​

mermaid
graph LR
User[用户提问] --> App[后端 SpringBoot]
App --> DeepSeek_1.5B[意图识别<br/>(本地 / 云端)]
DeepSeek_1.5B -- 是点餐 --> OrderService[下单逻辑]
DeepSeek_1.5B -- 是咨询 --> RAG[RAG 检索服务]
RAG -- 语义检索 --> PG[PostgreSQL<br/>(pgvector)]
PG -- 返回相似菜品 --> RAG
RAG -- 组装 Prompt --> DeepSeek_V3[DeepSeek V3 API]
DeepSeek_V3 -- 生成回答 --> User

🛠️ 核心代码实战 ​

1️⃣ 依赖引入（Maven） ​

全面拥抱 Spring AI 官方生态 👇

xml
<!-- PGVector -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-pgvector-store</artifactId>
</dependency>

<!-- Ollama（本地模型） -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
</dependency>

<!-- DeepSeek API（OpenAI 兼容） -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
</dependency>

2️⃣ 数据向量化（Embedding） ​

我们需要把 菜品信息转成向量 存入数据库。

⚠️ 关键技巧：不要只存菜名！

要拼装成一段 “人话描述”。

java
@Async
@Override
public void syncAllProductsToVectorStore() {

    List<WyProducts> products =
        wyProductsMapper.selectWyProductsList(new WyProducts());

    // 清空旧向量
    jdbcTemplate.execute("DELETE FROM vector_store");

    List<Document> documents = new ArrayList<>();

    for (WyProducts p : products) {

        String aiDesc = String.format(
            "菜名：%s，价格：%s元，分类：%s，介绍：%s",
            p.getProductName(),
            p.getPrice(),
            p.getWyProductCategories().getCategoryName(),
            p.getDescription() == null ? "暂无详细介绍" : p.getDescription()
        );

        Map<String, Object> metadata = Map.of(
            "id", p.getProductId(),
            "price", p.getPrice()
        );

        documents.add(new Document(aiDesc, metadata));
    }

    // 写入向量库
    vectorStore.add(documents);

    log.info("AI 数据同步完成，共 {} 条", documents.size());
}

3️⃣ 智能问答实现（Intent + RAG） ​

核心思路：

  1. 先让 AI 判断：是不是在点餐
  2. 如果能解析出 订单 JSON → 直接下单
  3. 否则 → 走 RAG 问答流程
java
public OrderIntentDTO parseOrder(String userMessage) {

    PromptTemplate promptTemplate =
        new PromptTemplate(INTENT_PROMPT);

    Prompt prompt = promptTemplate.create(
        Map.of("user_input", userMessage)
    );

    String jsonResult = chatClient.prompt(prompt)
        .options(ChatOptionsBuilder.builder()
            .withTemperature(0.0)
            .build())
        .call()
        .content();

    try {
        jsonResult = jsonResult
            .replace("```json", "")
            .replace("```", "")
            .trim();

        OrderIntentDTO intent =
            JSON.parseObject(jsonResult, OrderIntentDTO.class);

        // 防止把“抽象词”当成菜名
        if ("ORDER".equals(intent.getType())
            && intent.getItems() != null) {

            boolean isInvalid = intent.getItems().stream()
                .anyMatch(item ->
                    INVALID_DISH_NAMES.contains(item.getName()));

            if (isInvalid) {
                intent.setType(IntentType.QA);
                intent.setItems(null);
            }
        }

        return intent;

    } catch (Exception e) {
        return null;
    }
}

📱 效果展示 ​

场景一：AI 自动点餐 ​

  • 用户自然语言描述
  • AI 自动识别菜品
  • 直接加入购物车

用户只需要点击「结算」即可完成下单

场景二：AI 咨询菜品 ​

  • 「推荐点清淡的」
  • 「适合小孩吃的菜」
  • 「有没有辣的？」

👉 全部通过 RAG + PgVector 实时检索回答

🧵 总结 ​

通过 PostgreSQL + Spring AI + DeepSeek：

  • 🍽️ 点餐系统从「CRUD 工具」
  • 🚀 进化成「真正懂用户的 AI 助手」

这不仅是功能升级，更是：

Java 开发者迈向 AI 全栈的一次完整实践

🔮 下一步计划 ​

  • ⏳ 快过年了，先歇一歇
  • 🔥 年前补一个 Redis + Lua 库存扣减
  • 🏪 后续考虑 多商户版本（PG 方案）

👇 源码获取 ​

👉 Gitee: https://gitee.com/wyabsdai/sail-food

我是 Sail， 37 岁高级架构师。

不写代码就得去摆摊了 😂

👉 点个关注支持一下吧！