1.1 研究背景

我国是茶叶的发源地，茶产业是重要的传统优势产业。随着移动互联网与电子商务的普及，茶叶消费加速向线上迁移，越来越多的中小茶叶商家开始通过线上商城开展经营。然而，茶叶属于典型的非标准化农产品，品类繁多（绿茶、红茶、乌龙茶、白茶、黑茶、普洱茶等六大茶类各有特点），消费者在选购时对茶叶知识、冲泡方法、功效差异等存在大量咨询需求，传统的人工客服模式响应慢、成本高，难以满足中小商家的经营需要。

与此同时，以 GPT 系列为代表的大语言模型（Large Language Model, LLM）技术迅速发展，模型在自然语言理解、知识问答与多轮对话方面表现出接近人类的能力，为电商场景的智能化服务提供了新的技术途径。OpenAI 提出的 Function Calling（函数调用）机制使大模型能够调用外部工具获取实时数据，Spring AI 等应用框架进一步降低了大模型与 Java 企业级系统集成门槛。在此背景下，将大语言模型与传统茶叶电商系统深度融合，构建一个既能完成完整电商交易闭环、又具备专业茶叶咨询能力的智能商城系统，具有较强的现实需求与应用前景。

1.2 研究意义

理论意义：本课题探索了大语言模型在垂直电商领域的落地模式，研究基于 Function Calling 的工具调用与提示词工程相结合的方法抑制模型幻觉，验证通用大模型在无需微调的前提下通过领域知识注入具备垂直品类导购能力的可行性，为大模型与业务系统深度融合提供实践参考。

实践意义：本系统为中小茶叶商家提供一套覆盖商品管理、采购供应、订单交易、售后处理、权限治理全流程的低成本电商解决方案；引入 AI 智能客服后，可将大量重复性咨询（茶叶知识、商品推荐、订单查询）交由系统自动完成，降低人工客服成本，提升顾客购物咨询体验，对同类垂直品类电商的智能化升级具有借鉴意义。

二、国内外研究现状

2.1 电商系统技术研究现状

国外方面，以 Amazon 为代表的大型电商平台在分布式架构、高并发处理等方面处于领先地位，Shopify 等建站平台则以 SaaS 模式服务中小商家；系统架构上，前后端分离与 RESTful 接口设计已成为主流实践，Java Spring 生态（Spring Boot、Spring Security 等）在企业级 Web 开发中应用广泛。

国内方面，淘宝、京东、拼多多等平台构成了成熟的电商生态，有赞、微盟等 SaaS 服务商为中小商家提供了便捷的建站能力。技术路线上，Spring Boot + MyBatis ( -Plus ) + MySQL + Redis 的后端组合与 Vue + Element UI 的前端组合，是国内中小型 Web 应用与电商系统最主流、生态最成熟的技术选型；RBAC（基于角色的访问控制）权限模型、Redis 分布式会话与缓存、第三方支付（支付宝、微信支付）与对象存储（阿里云 OSS）的集成方案均有大量成熟实践。

2.2 大语言模型与智能客服研究现状

Transformer 结构（Vaswani 等，2017）奠定了大模型的技术基础；GPT-3（Brown 等，2020）展示了大规模预训练模型的少样本学习能力；InstructGPT（Ouyang 等，2022）通过人类反馈强化学习使模型输出对齐人类指令，催生了 ChatGPT 的爆发。2023 年 6 月，OpenAI 在 API 中正式推出 Function Calling 机制，使大模型能够按需调用开发者定义的函数获取实时数据、执行操作，成为大模型连接业务系统的关键途径。Spring AI 框架提供了 ChatClient、会话记忆 Advisor、@Tool 工具注解等统一抽象，显著简化了 Java 应用集成大模型的开发。

国内方面，百度文心一言、阿里通义千问、DeepSeek、智谱 GLM 等国产大模型相继发布，多数提供 OpenAI 兼容协议接口；学界围绕大模型的理论综述、评测与垂直领域应用展开了大量研究（车万翔等，2023；Zhao 等，2023）。在智能客服方向，大模型已在金融、电信、电商等领域落地，但通用大模型存在知识时效性不足、垂直领域数据缺乏、易产生幻觉等问题，直接用于电商咨询会导致商品信息、订单状态回答不准确，需要结合工具调用、检索增强与提示词约束加以解决。

2.3 现状小结

综上所述，成熟电商技术体系与大模型技术均已具备良好基础，但两者结合的研究与实践多集中在通用品类平台，面向茶叶这类知识密度高的垂直品类、且将 Function Calling 真实业务查询与电商交易闭环完整打通的系统性实践仍较少，这正是本课题的切入点。

三、研究内容

本课题设计并实现一个基于 Spring Boot 与大语言模型的茶叶商城系统，采用前后端分离的 B/S 架构，支持顾客、商品管理员、订单管理员、人事管理员与超级管理员五类角色。主要研究内容包括以下五个方面：

3.1 系统总体设计

完成系统需求分析与总体架构设计。系统整体划分为前端展示层、后端应用层、数据存储层与外部服务层四层：前端基于 Vue 2 + Vue Router + Vuex + Element UI 构建单页应用，商城前台与管理后台同属一个 SPA 并通过路由级权限隔离；后端基于 Spring Boot 3.2（Java 17）构建 RESTful 服务，采用 Controller → Service → Mapper 分层结构；数据层采用 MySQL 存储业务数据、Redis 存储登录态与缓存、阿里云 OSS 存储图片资源；外部服务层集成大模型 API、支付宝支付、SMTP 邮件与心知天气服务。

3.2 电商基础业务模块

实现完整的电商交易闭环。顾客端功能包括：注册登录与邮件找回密码、茶叶浏览与多条件检索（分类、品牌、关键词）、商品详情与规格选择、购物车、下单结算、支付宝在线支付、我的订单与状态跟踪、退货申请、茶叶评价；管理端功能包括：茶叶列表与上下架、茶叶类别 / 品牌 / 规格管理、采购管理与供应商管理、订单列表与发货处理、退货申请处理与退货原因设置、轮播图管理、管理员 / 用户 / 角色管理，以及基于 ECharts 的销售统计看板。

3.3 权限与安全设计

采用 RBAC 权限模型（用户表、角色表、用户角色表），基于 Sa-Token 框架实现登录认证与接口鉴权，会话存入 Redis 实现分布式 Session 管理；前端通过路由守卫（meta 权限元信息）与后端接口拦截实现双层权限校验。安全方面，集成 Jasypt 对配置文件敏感信息加密，基于 sensitive-word 敏感词库对评价内容进行过滤，使用 Hibernate Validator 进行参数校验。

3.4 AI 智能客服模块（核心）

基于 Spring AI 1.0.0 构建茶叶商城智能客服 " 小茶 "，重点研究以下内容：

•模型接入与编排：通过 OpenAI 兼容协议接入大语言模型（gpt-4o-mini），使用 ChatClient 统一编排系统提示词、用户消息与工具调用。

•提示词工程：设计系统提示词，将模型角色设定为专业茶叶客服，注入六大茶类领域知识，并约束回答长度、禁止编造商品信息、超出范围引导转人工，抑制模型幻觉。

• Function Calling 工具调用：通过 @Tool 注解注册搜索商品（searchProducts）、按茶类查询（searchByTeaType）、查询订单状态（queryOrderStatus）、热销推荐（getHotProducts）四个业务工具，使大模型可实时查询数据库真实数据。

•多轮会话记忆：基于 MessageWindowChatMemory 实现窗口式会话记忆（保留最近 30 条消息），以会话 ID 隔离不同用户上下文，并支持清除会话历史。

•前端交互：商城端提供 AI 客服对话窗口，使用 marked 将模型返回的 Markdown 渲染为富文本，异常时返回兜底话术保证服务可用。

3.5 数据库与第三方服务集成

完成 MySQL 数据库设计，涵盖权限域、商品域、交易域、供应链域、运营域等 20 余张数据表；集成支付宝沙箱支付（RSA2 签名、异步回调更新订单状态）、阿里云 OSS 图片存储、SMTP 邮件服务（注册验证码、找回密码，Thymeleaf 模板渲染）、心知天气组件，并使用 Spring Task 定时任务实现超时未支付订单的自动回收（24 小时过期、每 5 分钟扫描）。

四、需要解决的问题及解决方案

1.大模型幻觉与知识时效性问题。通用大模型不了解本商城的真实商品与订单数据，直接回答会编造信息。解决方案：通过 Function Calling 注册商品搜索、订单查询等业务工具，使模型按需调用真实数据；配合系统提示词约束（不确定必须调用工具查询、不编造商品信息、超范围转人工）；调用异常时返回兜底话术。

2.多轮对话的上下文管理问题。大模型 API 本身无状态，多轮对话需自行维护上下文。解决方案：基于 Spring AI 的 MessageWindowChatMemory 实现窗口式会话记忆（保留最近 30 条消息），通过 MessageChatMemoryAdvisor 自动注入历史消息；以 UUID 会话 ID 隔离不同用户，并提供清除会话历史接口。

3.多角色细粒度权限控制问题。系统涉及五类角色，功能入口多，需防止越权访问。解决方案：采用 RBAC 模型管理角色与权限，Sa-Token 完成登录认证与接口鉴权，会话存入 Redis 支持分布式部署；前端路由守卫与后端接口拦截双层校验，无权限访问统一跳转提示页。

4.超时未支付订单占用库存问题。顾客下单后长时间不支付会导致库存被无效占用。解决方案：基于 Spring Task 编写定时任务，每 5 分钟扫描一次，将超过 24 小时未支付的订单自动回收并释放库存。

5.用户评价内容合规问题。开放评价可能引入违规词汇。解决方案：集成 sensitive-word 敏感词组件，在评价提交链路中进行敏感词过滤，保证 UGC 内容合规。

6.敏感配置与静态资源管理问题。配置文件中的密钥明文存储存在泄露风险，图片直接存服务器不利于扩展。解决方案：使用 Jasypt 对配置文件敏感信息加密存储；商品图片、轮播图等静态资源统一上传至阿里云 OSS 对象存储。

五、项目进度安排

本课题计划共 16 周，进度安排如下表所示：

六、参考文献

[ 1 ] VASWANI A, SHAZEER N, PARMAR N, et al. Attention is all you need [ C ] //Advances in Neural Information Processing Systems 30. Long Beach: Curran Associates, 2017: 5998-6008.

[ 2 ] BROWN T B, MANN B, RYDER N, et al. Language models are few-shot learners [ C ] //Advances in Neural Information Processing Systems 33. Vancouver: Curran Associates, 2020: 1877-1901.

[ 3 ] OUYANG L, WU J, JIANG X, et al. Training language models to follow instructions with human feedback [ C ] //Advances in Neural Information Processing Systems 35. New Orleans: Curran Associates, 2022: 27730-27744.

[ 4 ] ZHAO W X, ZHOU K, LI J, et al. A survey of large language models [ EB/OL ] . ( 2023-03-31 ) . https://arxiv.org/abs/2303.18223.

[ 5 ] 车万翔 , 窦志成 , 冯岩松 , 等 . 大模型时代的自然语言处理：挑战、机遇与发展 [ J ] . 中国科学：信息科学 , 2023, 53 ( 9 ) : 1645-1687.

[ 6 ] OpenAI. Function calling and other API updates [ EB/OL ] . ( 2023-06-13 ) . https://openai.com/blog/function-calling-and-other-api-updates.

[ 7 ] Spring. Spring AI reference documentation [ EB/OL ] . https://docs.spring.io/spring-ai/reference/.

[ 8 ] WALLS C. Spring Boot 实战 [ M ] . 丁雪丰 , 译 . 北京 : 人民邮电出版社 , 2016.

[ 9 ] 黄健宏 . Redis 设计与实现 [ M ] . 北京 : 机械工业出版社 , 2014.

[ 10 ] 苞米豆（Baomidou）. MyBatis-Plus 官方文档 [ EB/OL ] . https://baomidou.com/.

[ 11 ] Sa-Token. Sa-Token 轻量级 Java 权限认证框架文档 [ EB/OL ] . https://sa-token.cc/.