大家好，我是 Sail， pgsql版本的AI点餐已经完成了，代码已经提交到仓库，支持本地deepseeker1.5b模型（我电脑960显卡- -）和deepseeker API。

前段时间，我开源了 [Sail-Food 扬帆点餐系统] 的基础版，收到了很多朋友反馈。大部分同学觉得界面丝滑、部署简单，非常适合做毕设活商用，有同学说建议我弄个多商户版本的。这块后面看时间会考虑加pgsql版本的。

 基于 Spring AI + PostgreSQL (pgvector) + DeepSeek，给系统加上了一个 “AI 智能导购” 功能。

今天就来复盘一下，我是如何在 Java 生态 下落地 RAG（检索增强生成）技术的。

---

💡 架构设计：为什么选 PostgreSQL 而不是 Milvus？

在设计 AI 功能时，我面临一个选择：向量数据存哪里？

市面上主流方案是 MySQL (业务) + Milvus/Elasticsearch (向量)。
但我果断放弃了，选择了 PostgreSQL All-in-One 方案。

架构师的思考：

1. 运维成本： 对于中小项目，多维护一个 ES 或 Milvus 是灾难。PG 安装一个 pgvector 插件就能存向量，且支持 ACID 事务。

2. 数据一致性： 菜品改了价格，向量库也要改。在同一个库里，一个事务就能搞定；分库的话还得搞分布式事务或 MQ，太重。

3. 混合查询能力： PG 支持 SQL 过滤 + 向量相似度 联合查询（比如：推荐 20 元以下 + 适合小孩吃的菜），这是独立向量库很难做到的。

最终架构图：

codeMermaid

graph LR
User[用户提问] --> App[后端 SpringBoot]
App --> DeepSeek_1.5B[意图识别 (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 (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

1. 依赖引入 (Maven)

拥抱官方生态，使用 spring-ai。

codeXml

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

        <!--Ollama -->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
        </dependency>

    <!-- 接入deepseek API -->
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
        </dependency>

2. 数据向量化 (Embedding)

我们需要把菜品的描述（名称、口味、食材）转换成向量存入数据库。
技巧： 不要只存菜名！要拼装成一段“人话”。

codeJava

  @Async
    @Override
    public void syncAllProductsToVectorStore() {
        List<WyProducts> products = wyProductsMapper.selectWyProductsList(new WyProducts());
        //先删除数据
        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));
        }
        // 3. 写入向量库
        vectorStore.add(documents);
        log.info("AI 数据同步完成，共 {} 条", documents.size());
    }

3. 智能问答实现 (Retrieval & Generation)

当用户提问时，先通过deepseeker解析出菜单的json ，如果能获取到json则返回给app，否则走Rag流程。

codeJava

public OrderIntentDTO parseOrder(String userMessage) {
        PromptTemplate promptTemplate = new PromptTemplate(INTENT_PROMPT);
        Prompt prompt = promptTemplate.create(Map.of("user_input", userMessage));
        System.out.println("发送给 AI 的完整 Prompt:\n" + prompt.getContents());
        String jsonResult = chatClient.prompt(prompt)
                .options(ChatOptionsBuilder.builder().withTemperature(0.0).build())
                .call()
                .content();
        try {
            jsonResult = jsonResult.replace("```json", "").replace("```", "").trim();
            log.info("jsonResult: " + jsonResult);
            OrderIntentDTO intent = JSON.parseObject(jsonResult,OrderIntentDTO.class);
            if ("ORDER".equals(intent.getType()) && intent.getItems() != null) {
                // 检查提取出的菜名是否在黑名单里
                boolean isInvalid = intent.getItems().stream()
                        .anyMatch(item -> INVALID_DISH_NAMES.contains(item.getName()));

                if (isInvalid) {
                    log.warn("AI 误将抽象词识别为菜名，强制回退为 QA 模式。原始内容: {}", intent);
                    intent.setType(IntentType.QA);
                    intent.setItems(null);
                }
            }

            return intent;
        } catch (Exception e) {
            System.out.println(e);
            return null; // 或者抛出业务异常,
        }
    }

---

📱 效果展示

场景一：通过AI点餐自动加入购物车

• 用户： “帮我来2份肉松崔崔卷”

• 截图如下： 

自动加入到购物车，用户点击结算就可以了。

场景二：

• 用户： “推荐点好吃的”

• Ai回复截图：

---

🧵 总结与预告

通过引入 PostgreSQL + AI，这个点餐系统瞬间从一个“死板的工具”变成了一个“懂你的助手”。
这不仅提升了用户体验，更是 Java 开发者转型 AI 全栈 的一次最佳实践。

我本地用的是deepseeker1.5B ，支持deepseeker API使用。

下一步计划：
快过年了。这段时间天冷，想休息一段时间，年前加个Redis Lua 库存扣减。

---

👇 源码获取

• 开源地址 (PostgreSQL 版)： https://gitee.com/wyabsdai/sail-food

• AI 旗舰版 / 架构交流： 欢迎关注我的主页或私信，一起探讨技术变现！

(我是 Sail，37岁的高级架构师。如果不写代码，我就得去摆摊了，所以点个关注支持一下吧！)