一句话看懂：掘金作者“苏三说技术”在2026年11月发布了一个对话式电商导购项目的完整技术拆解，把RAG、Function Calling、MCP和Graph工作流串成从推荐到下单、退货、评价的交易闭环，对想做大模型+业务系统结合的开发者有较强参考价值。
事件核心：发生了什么
这是一个基于Spring Boot 3.5+和Spring AI Alibaba的智能导购示例项目。用户可用自然语言提出“送给程序员男友、预算1000元的键盘”这类模糊需求，系统先通过双层embedding语义路由把意图粗分为流程类、工具类、推荐类和闲聊类，再进入Graph工作流节点处理。推荐环节使用Milvus或PgVector做RAG检索，并结合@Tool注解暴露的Function Calling查询实时库存与促销价格；交易环节调用创建订单、取消订单、提交退货和评价等工具，并通过SSE向前端流式返回，关键节点以订单卡片、购物车卡片等形式等待用户二次确认。模型侧支持千问、DeepSeek-V3等，并可切换OpenAI、Claude、Ollama等接入。
为什么重要
电商客服和导购是大模型落地最密集的场景之一，但多数demo停在问答层面。这个项目的价值在于把“理解—检索—工具调用—人工确认—写回业务”拆成可讲清楚的架构：RAG负责商品规格、售后政策等私有知识，Function Calling和MCP负责真实数据和操作，Graph工作流负责让流程可控。目前公开信息显示，作者重点展示了MCP相比硬编码工具调用的扩展性，即新增物流查询等数据源无需改动核心Agent代码，这也是企业接入多源系统的现实痛点。
对用户/开发者/创作者的影响
对Java开发者，这是一份相对完整的Spring AI实践路径，覆盖向量库选型、文档切片、槽位填充和Human-in-the-Loop设计；但需要明白它是项目分享而非已上线产品，文中未给出真实业务流量下的成功率、延迟或成本数据。对电商团队，可借鉴把交易动作封装成AI可调用工具，同时保留前端确认卡片作为安全边界。对普通用户，短期内对话式下单仍需人工确认兜底，不会立即替代现有购物流程。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是项目源码和教程的完整度，以及是否有基于真实商品数据的可运行演示；二是MCP在电商多服务接入中的实际稳定性，相比Feign+网关方案是否带来额外运维成本；三是这类架构在生产环境中的工具调用错误率与用户确认转化，决定它能否从简历项目走向真实业务。
来源：juejin
