汇聚商城产品系统

随着国内餐饮零售电商的快速发展，越来越多的线下品牌开始向线上化、平台化方向转型。烤肉类餐饮凭借其高频消费、客单价适中、复购率强的特点，成为本地生活电商中增速最快的品类之一。然而，传统商城品牌在数字化转 型过程中面临三大核心挑战：
用户增长与留存矛盾突出。 平台拉新成本持续攀升，但用户首单后流失率居高不下，缺乏有效的生命周期管理手段。运营团队无法区分"高价值忠实用户"与"薅券一次性用户"，优惠资源大量浪费在低转化人群上。

本系统围绕电商平台的核心业务场景，构建了涵盖用户端、商家端、大数据与 AI推荐四大板块的完整功能体系。
一、用户商城（用户端）
提供完整的电商购物闭环，包含商品浏览与搜索、商品详情与评论、购物车管理、下单结算、订单全流程跟踪（待付款 / 待发货 / 已完成 / 售后）等核心功能。营销模块支持优惠券领取与核销、限时秒杀抢购，并接入 AI
客服提供自然语言问答服务。个人中心支持收货地址管理，并展示基于用户画像生成的个性化标签（"忠实买家""目标明确型"等）与消费足迹洞察，让用户直观感知平台的个性化服务能力。
三、实时用户画像 基于 Flink 实时流处理引擎，消费 Kafka 行为埋点事件（浏览、搜索、购买、加购），实时计算用户生命周期状态、RFM 价值分层、搜索意图、品类偏好等核心特征，写入 StarRocks 用户画像宽表（供分析）与Redis（供在线推荐

整体架构：系统采用微服务架构，拆分为 8 个独立服务：API 网关（JWT 鉴权 + Sentinel 限流）、用户服务、商品服务、交易服务、营销服务、推荐服务、消息服务与埋点服务，通过 Nacos 实现服务注册发现，OpenFeign 处理跨服务调用。前端分为用户商城（Vue 3 + Vite + TailwindCSS）与商家后台（Vue 3 + Ant Design Vue + ECharts）两套独立应用；
实时数仓与用户画像：埋点数据经 track-service 批量写入 Kafka behavior-track Topic，由三条 Flink 作业并行消费：DwdBehaviorEtlJob 清洗写入 StarRocks 行为明细表，DwsUserFeatureJob 计算实时活跃特征写入 Redis，UserProfileJob
计算生命周期、RFM 评分、搜索意图等画像特征，双写 StarRocks dws_user_profile 宽表与 Redis Hash，实现分析与在线推理的冷热分离。MySQL 业务库通过 CDC 接入 Flink，驱动 RFM 消费特征的小时级增量更新。
个性化推荐链路：推荐服务目标 P99 延迟 < 200ms，分四阶段执行：首先从 Redis 拉取用户实时特征（< 5ms）；随后 ItemCF 预计算结果、ES kNN 向量召回、实时热榜三路并发召回候选商品；召回结果送入 Python FastAPI DeepFM 精排（超时
80ms 自动降级为 StarRocks CTR 均值兜底）；最后经 MMR 多样性重排与业务规则过滤输出最终列表。推荐理由由 Kimi 模型异步 SSE 推流，不阻塞主列表渲染。