基于AI大模型与SpringBoot+Vue的企业办公用品采购商城设计与实现

一、引言\n\n随着企业数字化转型的深入推进，传统办公用品采购模式暴露出流程繁琐、信息不透明、库存管理粗放、采购决策缺乏数据支撑等突出问题。人工智能大模型技术在自然语言理解、智能推荐、需求预测等方面展现出强大能力，为采购商城的智能化升级提供了新的技术路径。本文设计并实现了一个基于AI大模型、SpringBoot与Vue技术栈的企业办公用品采购商城系统，旨在打通采购申请、比价选品、智能推荐、订单流转、库存预警与数据分析的全链路，提升企业采购效率与决策水平。\n\n## 二、系统需求分析\n\n### 2.1 业务流程分析\n\n企业办公用品采购通常涉及普通员工、部门审批人、采购专员、仓库管理员和系统管理员等多类角色。典型流程为：员工提出采购需求→AI助手辅助生成采购清单并比价→部门审批→采购下单→供应商接单发货→仓库验收入库→财务对账。系统需覆盖该完整闭环，并保证各环节数据可追溯。\n\n### 2.2 功能需求\n\n系统功能划分为六个核心模块：（1）用户与权限管理，基于RBAC模型实现多角色细粒度授权；（2）商品中心，支持办公用品分类展示、规格参数、多供应商比价；（3）智能采购，依托AI大模型实现自然语言采购需求解析、智能推荐与采购清单自动生成；（4）订单与审批，支持审批流配置与订单状态机管理；（5）库存管理，实现入库、出库、盘点与低库存预警；（6）数据看板，提供采购统计、消费趋势与可视化分析。\n\n### 2.3 非功能需求\n\n系统须满足并发访问下的稳定性要求，接口响应时间控制在500ms以内；具备完善的身份认证与数据加密机制；采用前后端分离架构，便于后期功能扩展与多终端适配。\n\n## 三、系统架构设计\n\n### 3.1 总体架构\n\n系统采用前后端分离的B/S架构。前端基于Vue 3 + Element Plus构建单页应用，负责界面渲染与交互；后端基于SpringBoot 3构建RESTful API服务，负责任务调度、业务逻辑与数据持久化；AI能力层通过接入大模型API（遵循OpenAI兼容协议）封装智能推荐、语义解析与智能问答服务；数据层采用MySQL存储业务数据，Redis承载缓存与令牌管理，MinIO负责商品图片与合同附件存储。\n\n### 3.2 技术选型\n\n后端采用SpringBoot + Spring Security + JWT + MyBatis-Plus；前端采用Vue 3 + Vite + Pinia + Axios；AI能力层通过Spring WebClient调用大模型接口，并结合提示词工程与向量检索（可采用轻量级向量库）实现采购建议的生成与知识增强；数据库层双写/主从可支撑高并发读场景。\n\n### 3.3 分层与模块划分\n\n系统整体分为访问层、网关与鉴权层、业务服务层、AI服务层与数据访问层。业务服务层按模块拆分为用户服务、商品服务、采购服务、订单服务、库存服务与统计服务，模块间通过清晰的接口边界协作，降低耦合。\n\n## 四、关键技术实现\n\n### 4.1 AI大模型智能推荐\n\n系统的核心创新在于将大模型引入采购流程。主要应用点包括：其一，自然语言采购需求解析。员工以口语化输入采购意图（如“下个月部门例会需要准备的耗材”），系统将请求构造为规范化提示词并发往大模型接口，返回抽取后的商品类别、数量与预算建议，再经结构化解析转换为采购草单。其二，智能推荐与商品匹配。结合历史采购记录、商品知识库与员工行为的向量召回结果，将Top-N候选商品注入提示词，由国家大模型进行补充说明与排序依据生成，降低搜索门槛。其三，AI采购助手问答。基于商品、库存与订单数据的检索增强生成（RAG），提供即时问询解答。为避免大模型输出不确定性带来的风险，系统设计了输入重写、结构化输出约束、敏感字段脱敏与人工确认多重防线，AI仅建议而不自动建单。\n\n关键伪代码示意如下：\n\n`java\n// 采购需求解析服务\npublic PurchaseDraft parseIntent(String userInput, String deptCode) {\n List history = orderRepo.findRecentByDept(deptCode, 10);\n String prompt = promptEngine.buildDraftPrompt(userInput, deptCode, categoryCatalog(), history);\n String rawOutput = llmClient.chat(prompt);\n return JsonSchemaValidator.castOrThrrw(rawOutput, PurchaseDraft.class);\n}\n\n` \n// 推荐片段检索 + 参数融合\nList candidates = vectorSearch(textEmbed, topK);\nreturn llmClient.generate(productNo, candidates, \