点餐系统装上了“DeepSeek大脑”：基于 Spring AI + PgVector 的 RAG 落地指南-平芜编程栈

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：

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。
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。
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, } }