企业官网建设流程全解析

很多同学看到“基于SpringBoot+微信小程序+AI的智能外卖点餐推荐系统”这种题目时，第一反应通常是：这不就是把外卖系统的增删改查套了个壳吗？如果你也这样想，那很可能低估了这个课题的价值，也容易在答辩时被老师问住。一个真正能拿高分的毕设，绝不是靠堆砌“SpringBoot + 小程序 + AI”三个热门词，而是要回答清楚一个问题：AI到底在这个系统里解决了什么业务问题？推荐逻辑在哪里体现？你的系统相比普通的外卖点餐系统，增量在哪里？

这篇文章不会只帮你把项目跑起来，而是把整个系统的设计思路、技术选型、核心代码、推荐算法落地、小程序联调以及答辩时最容易被追问的技术点一次讲透。你读完应该能达到三个效果：第一，能独立把这个项目从零搭起来并跑通；第二，能说清楚每个模块为什么这么设计；第三，面对老师关于“AI在哪里”的提问，你能给出有深度的回答。

1. 为什么“智能外卖点餐推荐系统”值得做

先下一个判断：外卖点餐系统是后端开发中业务闭环最完整、最适合做毕设的选题之一，加上推荐的AI能力后，它的技术含量立刻和普通CRUD项目拉开了档次。

你可以对比一下两个毕设题目的差异。如果题目是“基于SpringBoot的外卖点餐系统”，那么核心工作就是用户管理、商家管理、菜品管理、订单管理、购物车，确实偏业务流。但加上“AI推荐”后，系统必须回答几个新问题：

• 用户打开小程序，首页展示哪些菜品？依据是什么？
• 新用户没有任何行为记录时，怎么给他推荐？
• 用户浏览、加购、下单后，推荐列表如何动态调整？
• 推荐结果如何用大模型生成个性化描述，而不是单纯的数据库查询？

这些问题任何一个展开，都能变成一个很好的毕业设计亮点。更关键的是，这个题目覆盖了当前企业级Java开发的主流技术栈：SpringBoot做后端、MyBatis-Plus操作数据库、微信小程序做C端、AI大模型接口做智能增强。一套项目下来，简历上能写的内容非常充实。

什么样的读者最适合参考这个项目？如果你正在准备计算机、软件工程相关专业的毕业设计，后端方向为主，又希望项目里带一些算法和AI元素，那么这篇文章的匹配度非常高。即使你只是想在简历里增加一个完整的全栈项目，这个选题也值得做。

2. 系统整体架构与核心业务流程

2.1 系统角色划分

智能外卖点餐推荐系统的用户角色分为三类：普通用户、商家管理员、系统管理员。

普通用户通过微信小程序完成登录、浏览菜品、查看推荐、加入购物车、下单支付、订单查询、评价等操作。商家管理员在管理后台维护菜品信息、库存和订单状态。系统管理员负责用户管理、商家审核、数据统计等平台级功能。

从权限设计来看，小程序端是C端用户入口，管理后台是B端运营入口，两者不共用一套页面，但在后端共享同一套用户体系和鉴权机制。

2.2 核心业务流程

整个系统的核心链路是：

用户微信授权登录 -> 小程序首页请求推荐接口 -> 后端获取用户特征 -> 推荐引擎计算菜品列表 -> 叠加AI个性化描述 -> 返回小程序渲染 -> 用户加购下单 -> 订单状态流转 -> 商家接单处理

这个链路里有两个关键设计点。第一，推荐不是一次性计算，而是分层的：用户进入首页时触发一次推荐，搜索时触发关键词推荐，查看菜品详情时触发“相似菜品推荐”。第二，AI不是替代推荐算法，而是在推荐结果之上做增强，比如生成推荐理由、口味标签、搭配建议，这样既保证推荐质量可控，又让系统体现“智能化”。

2.3 技术架构分层

系统采用前后端分离架构，小程序端和后端通过RESTful API通信，管理后台采用Vue或Thymeleaf模板引擎，后端整体采用经典分层结构。

controller（接口层） | service（业务层） | |--- 推荐服务（基于用户行为 + 协同过滤） |--- AI服务（调用大模型接口做文案增强） | dao（数据访问层，MyBatis-Plus） | database（MySQL）

这种分层的价值在毕设答辩时特别容易讲清楚：每一层只负责自己的职责，推荐逻辑被封装在独立的service中，不会污染订单和菜品模块的代码。如果以后想替换推荐算法，只需要修改推荐服务实现类，其他模块完全不受影响。

3. 数据库表结构设计

数据库设计是一个毕设项目的骨架。智能外卖点餐系统的核心表包括用户表、商家表、菜品表、分类表、购物车表、订单表、订单明细表、地址表、评价表、用户行为表。

3.1 核心表结构说明

用户表（user）保存微信用户的openId、昵称、头像、手机号、性别等基础信息。openId是微信生态下用户的唯一标识，设计时必须加唯一索引，否则同一用户反复登录会产生多条脏数据。

菜品表（dish）是推荐系统的核心数据源，字段包括菜品名称、图片、价格、分类ID、商家ID、月销量、评分、库存、状态。其中月销量和评分是后续推荐算法的重要特征，也是冷启动时兜底推荐的主要依据。

订单表（orders）和订单明细表（order_detail）是典型的父子表关系，一个订单对应多条明细。设计时要注意用订单号作为业务主键，在支付回调、对账等场景下使用，自增主键只作为内部标识。

用户行为表（user_behavior）是推荐系统的关键，记录的字段包括用户ID、菜品ID、行为类型（浏览、加购、下单、收藏）、行为时间。这张表会持续增长，建议以用户ID做分表设计，并在行为时间上建立索引。

3.2 建表SQL示例

-- 菜品表 CREATE TABLE `dish` ( `id` bigint(20) NOT NULL AUTO_INCREMENT, `name` varchar(100) NOT NULL COMMENT '菜品名称', `image` varchar(500) DEFAULT NULL COMMENT '菜品图片', `price` decimal(10,2) NOT NULL COMMENT '价格', `category_id` bigint(20) DEFAULT NULL COMMENT '分类ID', `merchant_id` bigint(20) DEFAULT NULL COMMENT '商家ID', `month_sales` int(11) DEFAULT '0' COMMENT '月销量', `rating` decimal(3,2) DEFAULT '5.00' COMMENT '评分', `status` tinyint(4) DEFAULT '1' COMMENT '状态 1上架 0下架', `create_time` datetime DEFAULT CURRENT_TIMESTAMP, `update_time` datetime DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP, PRIMARY KEY (`id`), KEY `idx_category` (`category_id`), KEY `idx_merchant` (`merchant_id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='菜品表'; -- 用户行为表 CREATE TABLE `user_behavior` ( `id` bigint(20) NOT NULL AUTO_INCREMENT, `user_id` bigint(20) NOT NULL COMMENT '用户ID', `dish_id` bigint(20) NOT NULL COMMENT '菜品ID', `behavior_type` tinyint(4) NOT NULL COMMENT '行为类型 1浏览 2加购 3下单 4收藏', `create_time` datetime DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`), KEY `idx_user_time` (`user_id`, `create_time`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户行为表';

4. SpringBoot后端核心模块实现

4.1 项目初始化与依赖配置

后端项目使用SpringBoot 2.7.x作为基础框架，搭配MyBatis-Plus 3.5.x、MySQL 8.0、Redis可选、Swagger接口文档、Lombok简化开发。

<dependencies> <!-- SpringBoot Web --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <!-- MyBatis-Plus --> <dependency> <groupId>com.baomidou</groupId> <artifactId>mybatis-plus-boot-starter</artifactId> <version>3.5.3</version> </dependency> <!-- MySQL --> <dependency> <groupId>com.mysql</groupId> <artifactId>mysql-connector-java</artifactId> <scope>runtime</scope> </dependency> <!-- Lombok --> <dependency> <groupId>org.projectlombok</groupId> <artifactId>lombok</artifactId> <optional>true</optional> </dependency> </dependencies>

配置文件中需要特别注意的是数据库连接配置和MyBatis-Plus的日志配置，前者关系到项目能否启动，后者关系到你是否能方便地查看SQL执行情况。

server: port: 8080 spring: datasource: driver-class-name: com.mysql.cj.jdbc.Driver url: jdbc:mysql://localhost:3306/smart_order?useUnicode=true&characterEncoding=utf8&serverTimezone=Asia/Shanghai username: root password: your_password mybatis-plus: configuration: log-impl: org.apache.ibatis.logging.stdout.StdOutImpl map-underscore-to-camel-case: true global-config: db-config: logic-delete-field: deleted logic-delete-value: 1 logic-not-delete-value: 0

4.2 微信登录接口实现

微信小程序登录的核心流程是：小程序端调用wx.login获取临时code，将code发送到后端，后端通过code向微信接口换取openId和session_key，然后生成自定义登录态token返回给小程序。

// 文件路径：src/main/java/com/example/smartorder/controller/AuthController.java @RestController @RequestMapping("/api/auth") public class AuthController { @Autowired private UserService userService; @PostMapping("/wx-login") public Result<String> wxLogin(@RequestBody WxLoginRequest request) { // 1. 使用code调用微信接口，获取openId String openId = userService.getOpenIdByCode(request.getCode()); // 2. 根据openId查找用户，不存在则自动注册 User user = userService.findOrCreateUser(openId); // 3. 生成登录token并返回 String token = JwtUtil.generateToken(user.getId()); return Result.success(token); } }

这里有一个非常常见的坑点：如果后端没有正确配置微信小程序的AppId和AppSecret，或者请求微信接口时网络不通，前端就会提示“获取登录后的微信用户失败”。排查时优先检查后端日志中微信接口返回的errcode，常见的40029表示code无效，40163表示code已被使用过，需要重新调用wx.login。

4.3 菜品推荐接口实现

推荐接口是整个系统的核心，也是毕业设计答辩时老师最关注的部分。推荐策略采用多路召回、统一排序的思路：先通过不同策略召回候选菜品，再根据规则或模型打分排序，最后返回TopN。

// 文件路径：src/main/java/com/example/smartorder/service/impl/RecommendServiceImpl.java @Service public class RecommendServiceImpl implements RecommendService { @Autowired private DishMapper dishMapper; @Autowired private UserBehaviorMapper behaviorMapper; @Autowired private AiService aiService; @Override public List<DishVO> recommendForUser(Long userId, int size) { // 1. 判断用户是否有行为记录 int behaviorCount = behaviorMapper.countByUserId(userId); List<Dish> candidateDishes; if (behaviorCount == 0) { // 2. 冷启动：基于热门菜品兜底推荐 candidateDishes = dishMapper.selectHotDishes(size); } else { // 3. 有行为数据：基于协同过滤思想召回候选菜品 // 先找到相似用户，再推荐相似用户喜欢的菜品 List<Long> similarUserIds = behaviorMapper.findSimilarUserIds(userId); candidateDishes = dishMapper.selectDishesByUserPreferences(similarUserIds, size); } // 4. AI生成个性化推荐理由 List<DishVO> result = new ArrayList<>(); for (Dish dish : candidateDishes) { DishVO vo = DishVO.fromEntity(dish); vo.setRecommendReason(aiService.generateRecommendReason(userId, dish)); result.add(vo); } return result; } }

这个实现里有一个设计亮点：推荐模块可以自由切换策略。冷启动时使用热门排行榜，有行为数据时使用基于物品的协同过滤，后期还可以接入基于内容的推荐或向量召回。这种可扩展的架构在答辩时很加分。

4.4 协同过滤推荐算法具体实现

协同过滤是推荐系统最经典的算法，核心思想是“物以类聚，人以群分”。在毕业设计场景下，不需要实现完整的矩阵分解，使用基于物品的协同过滤即可达到演示效果。

基于物品的协同过滤分三步走：

第一步，构建用户-菜品交互矩阵。第二步，计算菜品之间的相似度，常用公式是余弦相似度。第三步，根据用户历史喜欢的菜品，找出相似度最高的TopN菜品进行推荐。

// 文件路径：src/main/java/com/example/smartorder/recommend/ItemCFRecommender.java @Component public class ItemCFRecommender { /** * 计算两个菜品之间的余弦相似度 */ public double cosineSimilarity(Map<Long, Integer> userScoresForDishA, Map<Long, Integer> userScoresForDishB) { Set<Long> commonUsers = new HashSet<>(userScoresForDishA.keySet()); commonUsers.retainAll(userScoresForDishB.keySet()); if (commonUsers.isEmpty()) { return 0.0; } double dotProduct = 0.0; double normA = 0.0; double normB = 0.0; for (Long userId : commonUsers) { int scoreA = userScoresForDishA.get(userId); int scoreB = userScoresForDishB.get(userId); dotProduct += scoreA * scoreB; } for (Integer score : userScoresForDishA.values()) { normA += score * score; } for (Integer score : userScoresForDishB.values()) { normB += score * score; } if (normA == 0 || normB == 0) { return 0.0; } return dotProduct / (Math.sqrt(normA) * Math.sqrt(normB)); } }

在真实项目中，菜品相似度可以离线计算并缓存到Redis中，用户请求推荐时直接读取，不必每次实时计算。但在毕业设计中，如果数据量不大，实时计算完全够用，还能展示你对算法的理解。

5. AI大模型接入与智能推荐增强

5.1 大模型在系统中的定位

现在回答一个最关键的问题：大模型在这个系统里到底做什么？很多毕设项目只是把大模型接口当作聊天机器人接入，和业务毫无关联，答辩时很容易被质疑。这个项目的正确做法是：让AI成为推荐链路中的“文案增强器”和“语义理解器”。

具体来说，AI大模型承担三个职责：

第一，推荐理由生成。用户看到“为您推荐：黄焖鸡米饭”和“为您推荐：黄焖鸡米饭，因为您最近浏览过川湘菜，这道菜口味接近且评分高达4.8分”，后者的体验明显更好。前者是推荐算法算出来的，后者是AI根据推荐结果生成的。

第二，搜索意图理解。用户输入“辣一点的”“适合下雨天吃的”“低卡的”，这些口语化、非结构化的搜索词，传统SQL很难处理，但大模型可以将自然语言转换为结构化的查询条件或标签集合。

第三，菜品描述生成。商家上传菜品时只需填写基础信息，AI自动生成诱人的菜品描述和推荐标签。

5.2 大模型接口接入示例

后端接入大模型一般通过HTTP接口调用，这里以OpenAI兼容格式为例，实际项目由于网络环境原因，你需要根据自己可访问的模型服务地址进行调整。

// 文件路径：src/main/java/com/example/smartorder/service/impl/AiServiceImpl.java @Service public class AiServiceImpl implements AiService { @Value("${ai.api-url}") private String apiUrl; @Value("${ai.api-key}") private String apiKey; @Value("${ai.model}") private String model; @Override public String generateRecommendReason(Long userId, Dish dish) { // 构建提示词 String prompt = String.format( "你是一个美食推荐助手。用户最近浏览过川湘菜、烧烤类菜品，" + "请为菜品【%s】生成一句20字以内的推荐理由，要求口语化、有吸引力，不要提及AI。", dish.getName() ); // 调用大模型接口 String result = callLlm(prompt); // 如果调用失败，返回兜底文案 if (result == null || result.isEmpty()) { return String.format("月售%s份，好评率%s%%", dish.getMonthSales(), dish.getRating().multiply(BigDecimal.valueOf(20))); } return result; } }

大模型接入有一个很重要的工程原则：必须设计兜底逻辑。AI接口可能出现超时、限流、返回格式异常等问题，不能因为AI挂了整个推荐接口就报错。生成推荐理由失败时，就回退到销量和评分组成的模板文案，保证主流程的稳定性。

另外需要配置AI接口的参数，放在application.yml中便于统一管理：

ai: api-url: https://your-llm-service.example.com/v1/chat/completions api-key: your-api-key model: your-model-name timeout: 5000

5.3 Prompt设计的实际技巧

接入大模型后你会发现，真正影响效果的不是模型本身，而是Prompt怎么写。推荐理由生成这个场景，比较好的Prompt模板是：

你是一个本地生活美食推荐助手。 背景：用户最近浏览过以下菜品：[麻辣香锅、烤鱼、小龙虾]。 任务：为菜品【毛血旺】生成推荐理由。 要求： 1. 30字以内，口语化，像朋友推荐一样自然。 2. 结合用户最近的浏览偏好解释推荐原因。 3. 不要出现“根据您的浏览记录”“AI推荐”等字样。 4. 如果无法生成，只回复“这道菜非常受欢迎”即可。

6. 微信小程序端实现

6.1 项目结构与页面设计

微信小程序端使用原生框架或uni-app开发。如果使用原生，项目结构包括pages、components、utils、api四个目录。页面主要包括首页、菜品分类页、购物车页、订单页、我的页面。

首页是推荐功能的主要展示位置，设计上建议使用“轮播图 + 推荐菜品瀑布流”的结构。推荐区域上方加一行说明文案，比如“智能推荐 · 根据您的口味定制”，让用户和评委都能直观感知到推荐功能的存在。

6.2 小程序登录与请求封装

小程序的request请求需要封装成一个公共模块，统一处理token携带、错误提示、状态码判断。

// 文件路径：miniprogram/utils/request.js const BASE_URL = 'http://localhost:8080'; function request(url, method, data) { return new Promise((resolve, reject) => { const token = wx.getStorageSync('token'); wx.request({ url: BASE_URL + url, method: method || 'GET', data: data || {}, header: { 'Content-Type': 'application/json', 'Authorization': token ? 'Bearer ' + token : '' }, success: (res) => { if (res.data.code === 200) { resolve(res.data.data); } else if (res.data.code === 401) { wx.navigateTo({ url: '/pages/login/login' }); } else { wx.showToast({ title: res.data.msg || '请求失败', icon: 'none' }); } }, fail: (err) => { wx.showToast({ title: '网络异常，请稍后重试', icon: 'none' }); reject(err); } }); }); } module.exports = { request };

在开发者工具中进行本地调试时，有一个容易卡住的地方：默认情况下小程序不允许请求http接口，必须在“详情 -> 本地设置”中勾选“不校验合法域名、web-view（业务域名）、TLS版本以及HTTPS证书”。如果发布正式版本或真机预览，则需要在微信公众平台配置合法域名，而且必须是HTTPS。

6.3 推荐列表渲染

获取推荐菜品列表后，小程序端通过wx:for循环渲染。需要注意图片懒加载和加载状态的处理，避免弱网环境下页面白屏。

<!-- 文件路径：miniprogram/pages/index/index.wxml --> <view class="recommend-section"> <view class="section-title"> <text>智能推荐</text> <text class="subtitle">根据你的口味定制</text> </view> <view class="dish-grid"> <view class="dish-card" wx:for="{{recommendList}}" wx:key="id" bindtap="handleDishTap" >mvn spring-boot:run

或者使用IDE直接运行主启动类。启动成功后，控制台会看到SpringBoot的启动日志，访问http://localhost:8080/swagger-ui.html可以查看接口文档。

第四步，打开微信开发者工具，导入小程序项目目录，修改utils/request.js中的BASE_URL为本机IP加端口。这里要注意，如果使用真机调试，不能填localhost，要填电脑在局域网中的IP地址。

7.2 项目部署到服务器

如果毕业设计需要演示远程访问，可以将后端打包成Jar包部署到云服务器。

# 打包 mvn clean package -DskipTests # 部署到服务器 scp target/smart-order-1.0.0.jar root@your-server:/opt/app/ # 启动 java -jar /opt/app/smart-order-1.0.0.jar --spring.profiles.active=prod

生产环境部署时，建议使用nohup或systemd管理进程，避免SSH断开后进程退出。

8. 常见问题与排查思路

8.1 问题排查表

8.2 “小程序获取登录后的微信用户失败”深度排查

这个话题在开发者社区检索量很高，如果你的项目也遇到这个问题，按照下面的顺序排查成功率最高。

第一，确认code是新的。wx.login获取的code只能使用一次，如果前端重复发送同一个code，后端第二次调用微信接口时必然报错。检查前端代码中登录逻辑是否在每次点击时都重新调用wx.login。

第二，确认AppSecret正确。在微信公众平台重置AppSecret后，旧Secret立即失效。如果项目代码中硬编码了旧的Secret，排查时很难发现，建议将AppSecret放到后端配置文件中。

第三，确认网络环境能访问微信接口。如果后端部署在服务器上，需要确认目标地域能正常访问微信的API域名，否则请求会超时。如果部署在本地，确保开发机网络正常。

9. 最佳实践与毕业设计答辩建议

9.1 项目代码规范

后端代码建议统一使用Result 作为接口返回值，包含code、msg、data三个字段。这样做的原因是前端可以根据code统一处理业务异常，而不是依赖HTTP状态码。比如登录过期返回401，业务失败返回500，成功返回200。

数据库表设计时统一使用create_time和update_time字段，MyBatis-Plus提供了自动填充功能，避免在业务代码中手动维护时间字段，减少重复代码。

9.2 推荐系统的扩展方向

如果你的毕业设计想要冲击优秀论文，可以在现有基础上增加一个离线推荐计算模块，使用定时任务在每天凌晨计算菜品相似度矩阵并存入Redis，用户请求时直接读取缓存结果。这会让推荐接口的响应时间从几百毫秒下降到几十毫秒，而且更贴近真实工业界的推荐系统架构。

还可以考虑引入更丰富的用户特征，比如地理位置、价格偏好、口味偏好，通过给菜品打标签实现基于内容的推荐，与大模型结合做标签提取。

9.3 答辩时如何讲清楚“AI在哪里”

这是最重要的一个建议。答辩时老师几乎一定会问：“你的AI体现在哪里？”很多同学的回答是“我接入了大模型接口”，这个答案太单薄。

更好的回答方式是：先讲推荐链路，说明冷启动阶段如何用热门策略兜底，有行为数据后如何用协同过滤计算相似度；再讲AI的定位，说明大模型在推荐结果之上做自然语言理解、推荐理由生成、搜索意图解析；最后强调AI和推荐算法的分工：推荐算法负责“选什么菜”，大模型负责“为什么推荐这道菜给你”。这样一个回答下来，既展示了算法基础，又展示了工程能力，还能体现产品思维。

另外，演示时一定要准备一个“新用户”账号。用新账号登录时，首页展示热门推荐；然后你手动浏览几个川菜类菜品，再刷新推荐列表，列表会发生变化。这个前后对比的演示效果，比任何口头解释都有说服力。

10. 总结

智能外卖点餐推荐系统这个题目，真正的难点不在于SpringBoot的CRUD，也不在于微信小程序的页面开发，而在于如何把推荐算法和AI能力自然地嵌入到完整的业务链路中。把推荐分层设计、让AI做文案增强、用冷启动策略解决新用户问题，这三个点做到了，你的项目就能和普通的外卖管理系统拉开明显差距。

下一步建议你先跑通基础流程，再逐步加入协同过滤的相似度计算逻辑，最后接入大模型接口。每完成一个阶段，都用真实数据验证推荐效果。这样项目做完后，你对推荐系统的理解会远超“会用框架”的层面，答辩时自然更有底气。