星购售后智能客服与订单助手

项目定位

这是一个面向售后和订单服务的智能客服助手，主要处理订单查询、退款退货、发票规则、售后政策和常见问题。AI 负责理解问题、检索知识和生成草稿，Java 负责真正的订单和工单处理。

项目思维导图

核心流程

技术架构

技术	作用
Spring Boot	订单、售后、工单、客服接口
MySQL	订单、政策、工单、会话
Redis	热点订单、上下文、限流
MQ	订单通知、工单流转、异步处理
Elasticsearch / 向量库	商品说明、政策、FAQ、话术
Spring AI	问答、摘要、草稿生成

AI 接入点

• RAG：商品说明、活动规则、售后政策、客服话术。
• Tool Calling：订单状态、用户信息、售后记录、物流信息。
• Agent：问题归类、话术草稿、转人工建议、结案摘要。

项目亮点

• 业务通俗，适合做图文项目介绍。
• 能自然体现“客服 + 订单 + 政策”联动。
• 很适合用来作为公开项目样例。

面试追问

1. 订单查询类工具如何做权限校验？
2. 售后政策问答如何保证引用来源？
3. 退款退货建议为什么不能自动执行？

1 分钟介绍

这个项目是一个 Java+AI 企业级项目，核心不是单独做聊天机器人，而是把大模型能力接入真实业务流程。我的讲法会先说明业务痛点，再讲 Java 后端负责流程、权限、事务和审计，最后说明 RAG、Tool Calling 和 Agent 分别解决知识检索、业务查询和多步骤编排问题。

3 分钟介绍

我会先从业务背景讲起：这个项目要解决的是传统系统中信息分散、流程依赖人工经验、处理效率不稳定的问题。整体链路上，用户先发起业务请求，Java 后端完成鉴权、参数校验、状态流转和数据落库；AI 层负责理解意图、检索知识、调用受控工具并生成草稿或建议。

技术上，项目通常会用 Spring Boot 承接核心业务接口，用 MySQL 保存业务主数据、状态记录和审计日志，用 Redis 做热点缓存、会话上下文和幂等控制，用 MQ 解耦通知、索引同步和统计任务。AI 能力上，RAG 负责检索企业知识和历史案例，Tool Calling 负责受控查询业务数据，Agent 负责编排多步骤任务。正式写操作和高风险动作不会让模型直接执行，而是进入人工确认或 Java 业务服务事务边界。

面试时我会重点强调三点：第一，AI 只是辅助理解和生成建议，不能绕过权限和审计；第二，所有工具调用都要做白名单、参数校验、限流和日志；第三，模型超时、无召回、低置信度或输出不合法时，要能降级到规则模板、人工处理或只展示已有业务数据。

简历一句话写法

我负责售后客服与订单助手的 Java+AI 设计，覆盖订单查询、售后政策、FAQ 知识库和工单处理。