SpringBoot+微信小程序+AI大模型智能外卖点餐推荐系统搭建详解

SpringBoot + 微信小程序 + AI 大模型，教你搭一套智能外卖点餐推荐系统

如果最近你在选毕业设计课题，或者想把手里的 SpringBoot 项目升级成带“AI 味”的作品，那今天这个项目值得认真看一遍。

这次我们要拆的项目是：基于 SpringBoot + 微信小程序 + AI 大模型的智能外卖点餐推荐系统。它不是一个简单的 CRUD 外卖项目，而是在传统点餐流程里接入了 AI 推荐能力。用户打开微信小程序，系统能根据用户偏好、历史行为、热门商品等信息，给出个性化菜品推荐。后端用 SpringBoot 做服务端和业务逻辑，小程序端负责用户交互，AI 大模型负责“推荐”这个核心卖点。

这个项目比较适合三类读者：

1. 计算机相关专业毕业设计选题，想找一个“前后端分离 + 小程序 + AI”综合型项目。
2. 想学习 SpringBoot 如何对接 AI 大模型接口的开发者。
3. 想快速搭一套带推荐逻辑的微信小程序点餐系统，用于课程设计、比赛或项目演示。

从技术栈来看，项目涉及 SpringBoot、微信小程序开发、AI 大模型 API 对接、协同过滤或推荐策略、MySQL 数据持久化等，属于覆盖面比较完整的一套毕业设计项目。

这篇文章不会只讲概念，我会按以下主线展开：先给核心能力速览，再讲适用场景和合规边界，然后给出环境准备、数据库设计、后端接口、AI 推荐对接、微信小程序、功能测试、常见错误排查、性能优化思路和总结。整个过程会给出可以直接照做的命令、代码片段和验证方法。

1. 核心能力速览

这里需要说明一点：标题里提到的“源码 + LW + PPT + 讲解”，属于毕业设计常见配套材料，LW 通常指论文/文档（“李文”或“论文”的简称）。这类项目的核心价值在于：一套包含完整开发文档、答辩 PPT 和讲解视频的代码仓库。具体代码实现细节要以实际拿到的源码为准。

2. 适用场景与使用边界

2.1 适合谁用

这个项目的使用场景很清晰：

• 毕业设计：需要一个“有技术亮点、能讲清楚、有演示效果”的系统。AI 推荐是一个很好的加分项，和传统外卖管理系统区分度明显。
• 课程设计：SpringBoot + 小程序 + AI 三件事串起来，覆盖面广，各层都有内容可写。
• 学习 SpringBoot 接口开发：项目里包含完整的 controller / service / mapper 分层，适合对照学习。
• 学习微信小程序开发：小程序页面、API 调用、用户登录、本地存储都有涉及。
• 学习 AI 大模型接入：推荐服务对接大模型 API，是一种比较典型的业务场景。

2.2 能解决什么问题

传统外卖点餐系统通常只提供“按分类浏览”和“按关键词搜索”，用户面对大量菜品时选择成本高。本项目的核心卖点是：

• 根据用户历史订单、浏览记录、收藏行为，计算出用户偏好标签。
• 通过 AI 大模型生成个性化推荐理由和推荐列表。
• 用户可以主动输入需求，比如“推荐一份低卡的午餐”，AI 结合菜品数据给出答案。
• 商家或管理员可以查看推荐效果，调整推荐策略。

2.3 不适合什么场景

• 不适合直接用于真实商用外卖平台。真实外卖系统的周边服务、骑手调度、支付清结算、风控体系远比这个复杂。
• 不适合作为“纯算法研究”项目。这里 AI 推荐本质是“传统推荐策略 + 大模型生成”，不是从零训练一个推荐模型。
• 如果对 AI 原理零基础，建议先把大模型 API 调用流程跑通，再进入项目。

2.4 使用边界与合规提醒

这个项目涉及用户数据、订单数据、浏览行为。如果要用真实用户数据测试，必须注意：

• 不能采集和存储非授权个人信息。
• 用户手机号、微信号、地址等敏感信息，需要在小程序隐私协议中声明用途。
• AI 推荐生成的内容可能包含不确定性，需要在页面中增加“推荐结果仅供参考”的提示。
• 接入大模型 API 时，不要把用户明文密钥放在小程序前端代码里，必须由后端转发。
• 如果项目中包含菜品图片、品牌信息，仅限于学习演示，不可直接用于商业发布。

3. 系统总体设计

3.1 系统角色

系统按角色划分为三类：

3.2 技术架构

从技术分层来看，项目采用的是比较标准的前后端分离架构：

微信小程序端 ↓ 微信小程序 API / HTTPS 请求 SpringBoot 后端 ├── Controller 层（接收请求、参数校验、返回结果） ├── Service 层（业务逻辑、推荐策略、AI 调用） ├── Mapper/Repository 层（数据库操作） └── AI 服务客户端（封装大模型 API） MySQL 数据库（用户表、菜品表、分类表、订单表、行为表、推荐日志表） 外部 AI 大模型 API

整个调用链路大致是：

1. 用户在小程序端打开首页。
2. 小程序调用后端/api/recommend/list接口。
3. 后端读取当前用户的浏览记录、历史订单、收藏数据。
4. 后端计算用户偏好标签，组装推荐请求，调用 AI 大模型 API。
5. 大模型返回推荐结果和推荐理由。
6. 后端把结果封装成统一响应格式，返回给小程序端展示。

3.3 数据库设计

数据库表设计是毕业设计答辩中的核心内容。下面给出一个常见的外卖推荐系统表结构设计方案，实际字段以源码为准：

菜品 tags 字段是 AI 推荐的关键。例如某菜品的 tags 可以是：低卡、微辣、鸡肉、午餐。这样 AI 收到请求时，能够基于标签做语义匹配。

4. 环境准备与前置条件

4.1 后端环境

如果按常见毕业设计项目环境来准备，建议先检查以下内容：

这里要特别注意 SpringBoot 版本问题。热词里也有“springboot版本太高”这个关注点。很多老项目基于 SpringBoot 2.x 开发，如果你本机装的是 SpringBoot 3.x 或较新的 JDK，可能会遇到 javax 包名改为 jakarta、配置项变化、依赖冲突等问题。稳妥的做法是：拿到源码后先看 pom.xml 里声明的 SpringBoot 版本，不要盲目升级。

4.2 微信小程序环境

微信小程序端需要准备：

• 微信开发者工具（稳定版即可）
• 一个微信小程序 AppID（测试阶段可以使用测试号）
• 如果涉及登录接口，需要在微信公众平台配置合法域名；本地调试可以在开发者工具中勾选“不校验合法域名”

4.3 AI 大模型 API 准备

如果项目要对接大模型 API，需要提前准备好：

• 一个可用的模型服务 API Key
• 完成身份认证和额度开通
• 在代码中配置模型名称、接口地址、API Key

注意：API Key 只能配置在后端服务里，不能直接放到小程序前端代码中。否则前端代码被反编译后，密钥会泄露，产生费用和安全风险。

4.4 目录结构规划

拿到源码后，建议先确认目录结构，避免后面找不到文件。常见的 SpringBoot + 小程序项目目录结构如下：

project-root ├── backend │ ├── src/main/java │ ├── src/main/resources │ └── pom.xml ├── miniapp │ ├── pages │ ├── utils │ ├── app.js │ ├── app.json │ └── project.config.json ├── sql │ └── takeout.sql ├── 论文/ └── 演示PPT/

5. 后端 SpringBoot 项目搭建与启动

5.1 导入项目

使用 IDEA 导入后端项目：

# 进入后端目录，使用 Maven 下载依赖 mvn clean install -DskipTests

如果项目没有使用 Maven 而是 Gradle，则根据实际构建工具执行对应命令。

导入时最容易遇到的问题有两个：Maven 依赖下载慢、SpringBoot 版本不匹配。建议给 Maven 配置阿里云镜像：

<mirror> <id>aliyunmaven</id> <mirrorOf>*</mirrorOf> <name>阿里云公共仓库</name> <url>https://maven.aliyun.com/repository/public</url> </mirror>

5.2 修改数据库配置

在src/main/resources/application.yml中配置 MySQL 连接：

spring: datasource: url: jdbc:mysql://localhost:3306/takeout?useUnicode=true&characterEncoding=utf8&serverTimezone=Asia/Shanghai username: root password: 123456 driver-class-name: com.mysql.cj.jdbc.Driver

如果项目使用 SpringBoot 2.x，驱动一般为com.mysql.cj.jdbc.Driver。如果使用旧版本 MySQL 驱动，可能还需要调整。

5.3 初始化数据库

在 MySQL 中创建数据库并导入 SQL 文件：

mysql -u root -p

CREATE DATABASE IF NOT EXISTS takeout DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci; USE takeout; SOURCE /你的路径/sql/takeout.sql;

执行之后，查看核心表是否存在：

SHOW TABLES;

预期应看到 user、dish、category、order 等表。

5.4 配置 AI 大模型 API

在配置文件中增加 AI 服务相关配置：

ai: api-key: sk-xxxxxxxxxxxxxxxx model: qwen-plus base-url: https://dashscope.aliyuncs.com/compatible-mode/v1 timeout: 30

这里只是通用配置示例，实际参数名以项目源码为准。常见的 AI 接入方式包括：

• 直接调用 OpenAI 兼容接口
• 调用阿里云通义千问 DashScope API
• 调用本地部署的大模型服务（Ollama / vLLM）
• 调用百度千帆、讯飞星火等平台

如果项目支持配置多个模型源，可以设计一个策略接口，方便切换。

5.5 启动后端

# 在项目根目录 mvn spring-boot:run

或在 IDEA 中直接运行主类Application。

启动成功后，控制台会输出 Spring Boot 启动日志。如果看到类似下面的日志，说明后端启动成功：

Tomcat started on port(s): 8080 (http) Started Application in 5.32 seconds

验证后端是否正常：

curl http://localhost:8080/api/dish/list

如果返回 JSON 数据，说明后端接口正常。

5.6 AOP 统一响应与异常处理

毕业设计答辩中比较加分的一个点是统一响应结构。后端可以定义统一的返回结果类：

public class Result<T> { private Integer code; private String message; private T data; }

正常情况下 code 为 200，异常时抛出业务异常。这样可以避免小程序端拿到各种不同格式的返回结果。

6. AI 大模型推荐服务实现

6.1 推荐功能设计思路

AI 推荐不是简单的“把菜品列表丢给大模型”。完整链路包括：

1. 收集用户行为数据。
2. 生成用户偏好标签。
3. 从数据库筛选候选菜品。
4. 将候选菜品与用户标签组装成 Prompt。
5. 调用大模型 API。
6. 解析模型返回结果。
7. 保存推荐日志。

下面的伪代码展示推荐服务的基本结构：

@Service public class RecommendService { @Autowired private UserBehaviorMapper behaviorMapper; @Autowired private DishMapper dishMapper; @Autowired private AiClient aiClient; public List<Dish> recommend(Long userId) { // 1. 获取当前用户偏好标签 List<String> tags = behaviorMapper.findUserTags(userId); // 2. 获取候选菜品 List<Dish> candidates = dishMapper.findAll(); // 3. 组装数量可控的候选集 List<Dish> topCandidates = candidates.stream() .limit(30) .collect(Collectors.toList()); // 4. 调用 AI 大模型返回推荐结果（示意） // String result = aiClient.recommend(tags, topCandidates); // 5. 返回推荐菜品 return topCandidates; } }

6.2 设计推荐 Prompt

AI 推荐效果好不好，Prompt 很关键。给出一套推荐类 Prompt 参考模板：

你是一个外卖点餐推荐助手。 用户偏好标签：辣、鸡肉、快餐、低卡。 候选菜品如下： 1. 鸡胸肉沙拉，价格 28 元，标签：低卡、鸡肉、轻食 2. 麻辣香锅，价格 35 元，标签：辣、午餐、多人餐 3. 黄焖鸡米饭，价格 22 元，标签：鸡肉、午餐 请根据用户偏好推荐 3 个菜品，并给出推荐理由。返回格式为 JSON 数组， 每个元素包含 dishId、reason 两个字段。

在实际项目中，建议使用 Jackson 或 Fastjson 将候选菜品列表序列化为 JSON，拼接到 Prompt 中。

6.3 接入大模型 API

如果项目使用 OpenAI 兼容接口，可以封装一个 AiClient。下面给出一个通用示例，实际实现需要根据项目调整：

import com.alibaba.fastjson.JSONObject; import org.springframework.beans.factory.annotation.Value; import org.springframework.stereotype.Component; import org.springframework.web.client.RestTemplate; @Component public class AiClient { @Value("${ai.api-key}") private String apiKey; @Value("${ai.base-url}") private String baseUrl; @Value("${ai.model}") private String model; @Value("${ai.timeout}") private int timeout; public String recommend(String userPrompt) { // 构建请求体 JSONObject body = new JSONObject(); body.put("model", model); body.put("messages", new Object[]{ new JSONObject().fluentPut("role", "system").fluentPut("content", "你是外卖推荐助手。"), new JSONObject().fluentPut("role", "user").fluentPut("content", userPrompt) }); body.put("temperature", 0.3); // 实际调用时需要设置请求头和超时时间 return "解析后的推荐结果"; } }

需要注意：上面只是代码骨架，缺少 HTTP 调用细节和异常处理。在真实项目中，建议使用 OpenAI Java SDK 或 Spring 的 RestTemplate / WebClient 完成请求。

6.4 推荐结果解析

大模型返回内容通常是文本，需要转成结构化数据。推荐做法：

1. 在 Prompt 中强制指定 JSON 输出格式。
2. 后端使用正则或 JSON 解析器提取结果。
3. 解析失败时降级为默认推荐策略。

降级方案很重要。真实场景下，大模型 API 可能超时、限流或返回非法格式。系统不应该因为 AI 服务异常导致整个推荐页面崩溃。降级策略可以设计为：

• 按销量排序返回热门菜品。
• 按用户收藏去重后返回相似标签菜品。
• 直接返回最新菜品列表。

6.5 AI 对话推荐功能

除了列表式推荐，还可以在小程序端增加“智能点餐助手”入口。用户输入“我想吃辣的，预算 30 以内”，后端把问题转发给大模型，大模型结合菜单数据输出答案。

这个功能适合作为项目的亮点展示，因为它在演示时效果很直观：用户输入自然语言，AI 返回个性化结果。

7. 微信小程序端实现

7.1 小程序目录结构

微信小程序端通常包含以下页面：

7.2 小程序请求封装

小程序端调用后端接口时，建议统一封装 request 工具：

const BASE_URL = 'http://localhost:8080/api'; function request(url, method = 'GET', data = {}) { return new Promise((resolve, reject) => { wx.request({ url: BASE_URL + url, method, data, header: { 'Content-Type': 'application/json' }, success(res) { if (res.statusCode === 200) { resolve(res.data); } else { reject(res); } }, fail(err) { reject(err); } }); }); } module.exports = { request };

注意：真机调试时需要将localhost改为后端所在电脑的局域网 IP，并在微信公众平台配置合法域名。如果只是本地开发调试，在微信开发者工具中勾选“不校验合法域名、web-view（业务域名）、TLS 版本以及 HTTPS 证书”即可。

7.3 小程序用户登录

小程序登录的常见流程是：

1. 小程序端调用wx.login()获取 code。
2. 将 code 发送到后端。
3. 后端调用微信接口换取 openid。
4. 后端根据 openid 查找或创建用户，返回自定义登录态 token。
5. 小程序端保存 token 到 storage，后续请求携带 token。

wx.login({ success(res) { if (res.code) { wx.request({ url: 'http://localhost:8080/api/auth/login', method: 'POST', data: { code: res.code }, success(response) { const token = response.data.data.token; wx.setStorageSync('token', token); } }); } } });

热词里有一个高频问题：“小程序获取登录后的微信用户失败”。出现这个问题的常见原因：

• 小程序没有配置scope.userInfo或没有使用新版头像昵称填写能力。
• 接口返回的用户信息字段与前端取的不一致。
• openid 获取成功，但用户表插入失败，导致登录接口报错。
• 后端解析 code 的接口请求失败，需要检查 AppSecret 是否正确。

建议处理方式：后端先返回 openid 对应的 userId，前端拿到 userId 后再调用/api/user/info获取用户资料，不要把头像昵称的获取和登录强耦合。

7.4 首页推荐列表展示

小程序首页调用推荐接口：

Page({ data: { recommendList: [], loading: true }, onLoad() { this.loadRecommendList(); }, loadRecommendList() { wx.request({ url: 'http://localhost:8080/api/recommend/list', method: 'GET', success: (res) => { this.setData({ recommendList: res.data.data || [], loading: false }); }, fail: () => { this.setData({ loading: false }); } }); } });

7.5 智能点餐助手页面

智能点餐助手是小程序端的 AI 交互入口。页面大致包含输入框、聊天展示区域和发送按钮。用户可以输入：

• “推荐一份适合减脂吃的午餐”
• “预算 20 元能吃什么”
• “我不吃香菜，推荐几个菜”

后端/api/ai/chat接口接收用户输入，调用大模型，返回推荐内容。

const handleSend = () => { const content = this.data.inputValue; if (!content) return; wx.request({ url: 'http://localhost:8080/api/ai/chat', method: 'POST', data: { message: content }, success: (res) => { const reply = res.data.data.reply; // 追加到聊天记录 this.setData({ messages: [...this.data.messages, { role: 'ai', content: reply }], inputValue: '' }); } }); };

8. 接口 API 与批量任务

8.1 核心接口列表

一个完整的外卖点餐推荐系统，后端接口通常包括：

8.2 推荐接口示例

GET /api/recommend/list

响应：

{ "code": 200, "message": "success", "data": [ { "dishId": 1, "name": "鸡胸肉沙拉", "price": 28, "tags": ["低卡", "鸡肉", "轻食"], "reason": "根据你的减脂偏好，鸡胸肉沙拉蛋白质丰富且热量可控。" } ] }

8.3 AI Chat 接口示例

POST /api/ai/chat Content-Type: application/json { "message": "推荐一份适合减脂吃的午餐" }

响应：

{ "code": 200, "message": "success", "data": { "reply": "推荐你尝试鸡胸肉沙拉（28元），蛋白质含量高，热量较低，搭配少量油醋汁口感更佳。" } }

8.4 批量推荐思路

如果推荐结果不需要实时生成，可以设计定时任务批量预计算：

@Component public class RecommendTask { @Scheduled(cron = "0 0 3 * * ?") public void generateDailyRecommend() { // 1. 查询所有活跃用户 // 2. 对每个用户计算偏好标签 // 3. 调用大模型 API 生成推荐列表 // 4. 保存到 recommend_result 表 // 5. 小程序端直接读取预计算结果 } }

批量任务的好处是：用户打开首页时响应更快，不依赖大模型实时返回；缺点是数据可能不够新鲜。实际项目中可以选择“热点用户实时计算，普通用户读取缓存”的混合策略。

8.5 批量任务注意事项

• 大模型 API 有 QPS 限制，批量调用时要控制并发数。
• 任务执行需要记录日志，方便失败重跑。
• 推荐结果表要设计唯一索引，避免重复写入。
• 建议使用线程池或消息队列来削峰。

9. 资源占用与性能观察

9.1 后端资源占用

SpringBoot 项目默认使用嵌入式 Tomcat，内存占用通常在 200MB 到 500MB 之间，具体取决于机器配置和业务复杂度。启动时可以在 IDE 或命令行中观察 JVM 内存变化。

如果内存占用过高，可以限制 JVM 堆内存：

java -jar -Xms256m -Xmx512m takeout-server.jar

9.2 数据库连接池

项目通常会整合 HikariCP 连接池。如果访问量较大，容易出现连接池不够用的情况。观察指标：

• 连接池活跃连接数
• 等待获取连接的时间
• 慢 SQL 日志

常见优化：

• 增加连接池最大连接数，但不要超过数据库实例上限。
• 给商品列表、用户查询等高频 SQL 增加索引。
• 使用 Redis 缓存菜品列表和推荐结果。

9.3 AI 接口耗时

AI 大模型接口通常需要 1 到 5 秒才能返回。小程序端必须有 loading 状态。如果接口调用时间过长，可以在后端增加超时控制：

ai: timeout: 10

建议在小程序端设置 15 秒左右的请求超时，避免用户长时间等待。

9.4 性能优化方向

10. 常见问题与排查方法

下面是这个项目开发过程中最容易出现的几类问题，整理成排查表。

11. 最佳实践与使用建议

11.1 项目开发顺序

如果你要基于这个项目做二次开发，建议按照以下顺序：

1. 先把数据库导入成功。
2. 跑通后端接口。
3. 用 Postman 测登录、菜品列表、下单接口。
4. 再启动小程序，把页面流程跑通。
5. 最后接入 AI 推荐，先用简单 Prompt 验证效果。
6. 完成论文和答辩 PPT 的截图素材收集。

11.2 代码管理建议

• 使用 Git 管理源码，每次功能完成提交一次。
• 不要把 API Key 提交到 Git 仓库。
• 数据库 SQL 文件放单独目录。
• 小程序端的接口地址单独抽到 config.js 中。

module.exports = { BASE_URL: 'http://localhost:8080/api' };

11.3 答辩演示技巧

如果这是毕业设计，演示时建议按以下顺序：

1. 展示小程序端首页和 AI 推荐列表。
2. 演示智能点餐助手，输入一句自然语言。
3. 展示后端接口返回结果。
4. 打开数据库说明关键表结构。
5. 展示推荐日志表，说明 AI 调用流程。
6. 最后演示管理端菜品管理。

11.4 安全与隐私合规

• 小程序涉及用户信息必须符合微信平台规范。
• 用户敏感数据在传输时建议加密。
• AI 生成内容要经过审核，至少要有过滤机制。
• 不要在前端硬编码 API Key。
• 如果部署到公网，后端接口要加登录校验和频率限制。

12. 总结

这个项目的价值在于把 SpringBoot、微信小程序和 AI 大模型三个能力串成了一条完整的业务链路。从传统外卖管理系统升级到带 AI 推荐的智能点餐系统，技术亮点足够清晰，演示效果也直观。

对于正在做毕业设计选题的人来说，建议先跑通最小闭环：后端启动、数据库导入、小程序登录、菜品浏览、订单提交。这个链路通了之后，再逐步加入 AI 推荐和智能对话。

最容易踩的坑集中在 SpringBoot 版本兼容、小程序本地调试域名校验、API Key 安全、大模型返回结果解析这几个地方。把这几个问题提前处理好，项目开发和答辩都会顺利很多。

如果想进一步扩展，可以考虑加入 Redis 缓存、用户画像标签管理、商家端管理、推荐效果统计、基于用户协同过滤的召回策略，以及把大模型接入升级为流式输出。这些都是能让项目更加完整和出彩的方向。

建议收藏备用，后面开发时可以直接对照这套流程来排错和验证。