Luan Takeaway——大模型驱动的智能外卖管理系统（ Spring Cloud、Langchain4j ）

Luan Takeaway

一个基于 Spring Boot + Spring Cloud 构建的外卖业务系统，系统按照业务领域拆分为用户、菜品、订单、支付和智能推荐等多个服务，并通过 Gateway、Nacos、Redis、RabbitMQ 等组件构建完整的服务治理与异步处理体系。

在传统外卖业务链路基础上，系统实现了独立的 AI 点餐助手服务 （luan-takeaway-ai），基于 LLM 实现自然语言点餐、智能推荐与菜品知识增强。该服务基于 LangChain4j 构建大模型调用编排层，通过引入大模型语义理解、结构化检索、语义知识召回与融合排序机制，使系统能够同时处理明确条件查询与复杂语义推荐需求，并生成可解释的推荐结果。

项目支持一键切换微服务部署模式，开发阶段可以通过单体模式快速启动和调试，而在生产环境中可以按需拆分为多个微服务独立部署。

前端工程位于 luan-ui，基于 Vue3 + TypeScript + Vite 构建。

本项目的权限管理服务 luan-upms、认证服务 luan-auth 以及前端工程 luan-ui 基于开源项目 Pig 二次开发。原项目提供通用后台管理框架，不包含具体业务实现。本项目在此基础上设计并实现了完整的外卖业务系统，并对原有框架进行了业务适配改造。

本项目仓库地址：

gitee: https://gitee.com/daluan/luan-takeaway
github: https://github.com/daluan2000/luan-takeaway

演示视频

点击跳转到外链视频：

https://www.bilibili.com/video/BV1Cww5zNEKK

1 项目概述

本项目基于以下技术栈构建：

Spring Boot
Spring Cloud
Nacos
Redis
MySQL
RabbitMQ
Vue3 + Typescript + Vite
LangChain4j
vLLM（可选，本地大模型推理）

系统整体由两类能力共同构成：

传统业务服务层：负责用户、菜品、订单、支付等核心业务执行
AI 智能服务层：负责自然语言理解、智能推荐与知识增强检索

其中 AI 服务采用独立智能编排模式运行，不直接维护业务主数据，而是通过调用业务服务与知识数据完成推荐链路：

text 复制代码

用户自然语言输入
↓
AI Service
↓
结构化召回 + 语义相关度打分
↓
融合排序
↓
LLM 小池重排与解释
↓
返回推荐结果

系统支持一键切换两种运行模式：

微服务模式，多个服务独立部署：

text 复制代码

luan-gateway  网关服务
luan-auth  认证服务
luan-takeaway-ai  AI 点餐助手服务
luan-upms  用户权限管理服务
luan-takeaway-user 外卖业务用户管理服务
luan-takeaway-dish 菜品管理服务
luan-takeaway-order 订单管理服务
luan-takeaway-pay 支付管理服务

单体模式：

通过 luan-boot 聚合所有业务模块，以单进程方式运行。

2 系统架构

系统整体采用基于 Spring Cloud 的微服务架构，通过 Gateway 统一对外提供接口入口，并结合 Nacos 实现服务注册与配置管理。系统按照业务领域拆分为认证、权限管理、外卖业务以及智能推荐等多个微服务，各服务之间通过 Feign 进行同步调用，并通过 RabbitMQ 进行异步消息通信。

在数据层面，系统使用 MySQL 作为核心业务数据库，Redis 用于缓存与分布式锁控制，以提升高并发场景下的系统性能与稳定性。

除传统业务服务外，系统新增独立 AI Service 作为智能编排层，用于处理自然语言点餐请求与智能推荐任务。AI Service 不直接维护业务主数据，而是通过调用已有业务服务与知识数据完成混合检索推荐。

整体架构中各组件职责如下：

Gateway：系统统一入口，负责路由转发、统一鉴权与接口限流
Auth：认证服务，负责 Token 签发与认证校验
Upms：权限管理服务，提供用户、角色、菜单等系统管理能力
Takeaway Services：外卖业务服务，包括用户、菜品、订单和支付等业务模块
Takeaway AI：智能推荐服务，负责自然语言理解、混合检索编排与推荐解释生成
RabbitMQ：用于订单相关的异步处理与延时任务，例如库存更新、订单自动取消等
Redis：提供缓存能力与分布式锁支持
MySQL：存储系统核心业务数据
Nacos：提供服务注册发现与配置管理能力

系统依赖的基础组件：

Nacos：服务注册与配置中心
MySQL：数据库
Redis：缓存与分布式锁
RabbitMQ：服务间异步通信

3 业务模块说明

3.1 平台基础能力

系统基础能力主要包括认证、权限管理及网关等通用组件：

认证服务（luan-auth）：提供系统统一认证能力。

权限管理服务（luan-upms）：提供用户、角色与菜单等系统管理能力。

网关服务（luan-gateway）：作为系统统一入口，负责请求路由与网关过滤。

公共组件（luan-common）：提供各服务共享的基础组件，例如安全组件、日志组件及 Feign 调用封装等。

3.2 外卖业务域

外卖业务 luan-takeaway 按领域划分为多个服务。

用户域（luan-takeaway-user）负责外卖业务用户相关能力：

商家管理
客户管理
骑手管理

菜品域（luan-takeaway-dish）负责菜品相关能力：

菜品维护
菜品上下架
库存管理
菜品知识实体管理

订单域（luan-takeaway-order）负责订单核心业务：

创建订单
订单状态流转
订单查询

支付域（luan-takeaway-pay）负责支付流程：

模拟支付
支付状态更新

3.3 AI 智能服务

AI 服务（luan-takeaway-ai）作为独立智能服务层，为系统提供自然语言点餐与推荐能力。

主要职责包括：

自然语言需求理解
结构化条件解析
语义知识检索
候选结果融合排序
推荐结果解释生成
菜品知识自动生成

4 典型业务流程

系统最小可用业务闭环如下：

商家入驻、维护店铺信息
商家上架菜品
用户浏览并下单（传统点单，AI推荐点单）
用户完成支付
商家接单
骑手配送
订单完成

AI 点餐流程如下：

text 复制代码

用户自然语言输入
↓
Gateway
↓
AI Service
↓
Query Understanding
↓
Structured Retrieval + Semantic Scoring
↓
Fusion Ranking
↓
LLM Rerank on Top Candidates
↓
Response Generation
↓
返回推荐结果

5 微服务划分

基础中间件：

服务	说明
luan-register	Nacos（注册中心 + 配置中心）
luan-mysql	MySQL 数据库
luan-redis	Redis 缓存
luan-rabbitmq	MQ异步通信

mysql 中包含两个数据库：

text 复制代码

luan （业务数据库）
luan_config （微服务配置数据，提供 nacos 使用）

核心服务：

服务	说明
luan-gateway	系统网关（默认端口 9999）
luan-auth	认证中心
luan-takeaway-ai	AI 点餐助手服务
luan-upms	系统管理服务
luan-takeaway-user	用户服务
luan-takeaway-dish	菜品服务
luan-takeaway-order	订单服务
luan-takeaway-pay	支付服务

6 项目启动

项目支持 微服务模式 与 单体模式 两种启动方式。

6.1 微服务模式启动

如果是 linux 系统并且已安装 docker，系统提供了一键启动脚本：

bash 复制代码

./start-middlewares.sh
./start-java-services.sh

先执行 ./start-middlewares.sh，会自动拉取官网的 mysql、redis、nacos、rabbitmq 镜像，创建容器并初始化，自动执行初始化 sql 脚本。

后执行 ./start-java-services.sh 会自动使用 mvn 编译打包所有 java 代码，然后使用 docker 将每个微服务的 jar 包转为镜像，创建对应微服务容器并启动。

查看中间件状态：

bash 复制代码

docker compose ps luan-mysql luan-redis luan-register

查看微服务状态：

bash 复制代码

docker compose ps luan-gateway luan-auth luan-takeaway-ai luan-upms luan-takeaway-user luan-takeaway-dish luan-takeaway-order luan-takeaway-pay

停止 Java 服务：

bash 复制代码

./stop-java-services.sh

停止中间件：

bash 复制代码

./stop-middlewares.sh

如果需要图形化查看编辑 mysql 数据内容，请运行以下指令并浏览器访问 8082 端口：

bash 复制代码

docker compose up luan-phpmyadmin -d

6.2 单体模式启动

单体模式由 luan-boot 聚合运行，直接运行该项目即可，系统也提供一键运行脚本（linux）：

bash 复制代码

./start.sh

其实现方式是在 luan-boot 的 pom.xml 中直接聚合认证、权限和外卖各业务模块依赖，让原本拆分的 Controller、Service、Mapper 一起加载到同一个 Spring Boot 应用上下文中。

运行时通过关闭 Nacos 的服务发现与配置能力，并统一使用 /admin 单入口和单端口，使 Feign 顺着入口"回调自己"，把原本多服务部署的系统收敛为单 JVM 进程运行。

单体模式依然需要：

MySQL
Redis
RabbitMQ

6.3 前端启动

进入前端工程：

text 复制代码

luan-ui

微服务模式：

bash 复制代码

npm run dev

单体模式：

bash 复制代码

npm run dev:mono

6.4 本地 vLLM 启动（可选）

如果希望 luan-takeaway-ai 使用本地模型，可先启动 vLLM 的 OpenAI 兼容接口。

启动：

bash 复制代码

./start-vllm.sh

停止：

bash 复制代码

./stop-vllm.sh

默认服务地址：

text 复制代码

http://127.0.0.1:8000/v1

7 业务技术实现

7.1 Redis 缓存优化

在商户信息和菜品查询等高频读场景中，系统通过 Redis 缓存降低数据库访问压力。

统一封装缓存访问组件 RedisSafeCacheService，解决：

缓存穿透
缓存击穿
缓存雪崩

7.2 Redis 分布式锁（骑手抢单）

骑手抢单场景中使用 Redis 分布式锁控制并发，避免重复接单。

7.3 Redis库存扣减 + MQ异步落库

采用 Redis 预扣减库存 + MQ 异步更新数据库：

text 复制代码

下单请求
↓
Redis Lua脚本校验库存并扣减
↓
发送MQ消息
↓
消费者异步更新MySQL库存

7.4 RabbitMQ 异步与延时任务

用于：

自动取消未支付订单
订单状态异步通知

8 AI 点餐助手混合智能架构

系统采用分阶段混合检索机制，将自然语言输入逐步转换为可控推荐结果。

核心执行流程如下：

Query Understanding：由 LLM 完成两步解析：先识别请求模式标签（TOOL_CALLING / RAG，用于意图提取与结果解释，不做二选一路由），再提取结构化意图（如类别、预算、辣度、营养区间、场景标签等）。
Hybrid Retrieval：根据结构化意图调用菜品服务召回候选集合（Candidate Set）：
- 结构化召回：先按商家、在售状态、价格上限筛选菜品。
- 结构化过滤：结合 DishKnowledgeDoc 继续过滤类别、辣度、清淡/油腻、营养区间、餐段、分量等条件。（这两步理论上可以合并，但出于工程权衡，还是拆成两步）
Fusion Ranking：对候选集合计算融合分并排序：FusionScore = StructuredScore * 0.45 + SemanticScore * 0.35 + BusinessScore * 0.20。
- StructuredScore：类别/预算/辣度/清淡/餐段命中加分。
- SemanticScore：基于意图词与知识文档词（tags、scenes、summary、embeddingText）的词项重合度打分。
- BusinessScore：基于库存与价格带（平价优先）加分。
LLM Selection and Generation：先取规则排序后的前置候选池（Top-N）交给 LLM 二次重排与理由改写，再返回最终推荐结果；若 LLM 失败则回退规则排序结果。

8.1 查询处理流程

首先由大模型对用户自然语言进行统一语义解析：

结构约束意图（可直接映射为筛选条件）
- 定义：能够转成明确过滤条件的"硬约束"，用于菜品候选召回与结构化过滤。
- 对应字段：category、priceMax、spicy、lightTaste、oily、vegetarian、caloriesMin/Max、proteinMin/Max、fatMin/Max、mealTime、portionSize 等。
- 示例：
- - 用户输入：晚饭想吃不辣的面，预算 30 以内
- - 解析结果：category=面、spicy=false、priceMax=30、mealTime=[dinner]
语义推荐意图（用于相关度打分与最终重排）
- 定义：不一定是硬过滤条件，但能表达偏好、场景和人群特征的"软约束"。
- 对应字段：keywords、tags、suitableScenes、avoidScenes、suitablePeople、queryRewrite 等。
- 示例：
- - 用户输入：今天有点上火，想吃清淡、好消化的
- - 解析结果：tags=[清淡, 易消化]、avoidScenes=[上火] 或 suitableScenes=[胃不舒服]

两类意图会在同一条混合链路中同时生效：结构约束负责"先筛准"，语义意图负责"再排优"，最后由 LLM 在候选池中二次重排并生成解释。

8.2 知识建模设计

基础的菜品信息不足以提供LLM作出理解与推荐，因此为菜品构建了扩展知识库，定义为DishKnowledgeDoc实体。

DishKnowledgeDoc实体包含三层信息：结构化字段，语义字段，描述字段（任意文字描述）。结构化层里放类别、辣度、营养、餐段、分量等明确边界字段，主要在 dish 服务侧参与硬过滤；语义层里放标签、适用场景、人群这类文本特征，主要参与相关度计算。

描述层使用 llmSummary、flavorDescription、recommendationReason 等字段，最终用于推荐理由与展示文案生成。

关键代码位于：WmDishServiceImpl.java、HybridRecommendationService.java、DishKnowledgeGenerationService.java。

知识数据自动生成

系统支持LLM基于菜品基础信息自动生成扩展知识数据，当前采用同步调用链路：dish 服务在需要时调用 AI 接口生成 DishKnowledgeDoc。

关键代码位于：WmDishServiceImpl.java、DishKnowledgeGenerationService.java、AiAssistantController.java。

8.3 融合排序机制

根据结构化意图获取候选菜品后，做一轮规则融合排序。排序逻辑由三部分共同决定：结构命中（是否满足类目、预算、辣度、餐段等）、语义相关（用户意图词与知识文档词的重合程度）、业务可售（库存和价格带）。

算出融合得分后按降序排列，得到 Top-N 个候选最优菜品。关键代码位于：HybridRecommendationService.java。

8.4 候选结果选取与解释

规则排序得到的 Top-N 候选并不是最终输出，系统会将该候选池交给 LLM 做二次重排，由 LLM 从中选择最多 k 个菜品并生成推荐理由（k 为前端请求的推荐数量），再返回前端。

关键代码位于：HybridRecommendationService.java、OpenAiIntentRecognizer.java。

8.5 当前工程实现

LLM 调用与配置

支持 local/remote 两种来源配置，接口为 OpenAI 兼容 chat/completions。
当前默认本地 vLLM，可切换到远程模型服务。

可扩展方向

可将 embeddingText 接入向量数据库/向量索引，升级为"向量召回 + 融合重排"架构。

9 系统设计总结

本项目在实现外卖业务流程的基础上，重点实践了基于 Spring Cloud 的微服务架构设计。

系统通过 Gateway + Nacos + Feign 实现服务治理，通过 Redis + RabbitMQ 优化高并发链路，通过 Lua 脚本、分布式锁和异步消息机制提升稳定性。

在此基础上，系统进一步引入独立 AI Service，将自然语言理解、大模型推理与业务检索融合，形成面向真实业务场景的 Hybrid Retrieval 推荐链路，使系统同时具备结构化业务执行能力与语义智能交互能力。