猿急送>

北京前端兼职程序员

ID：421267

星语

学生

公司信息：
营口理工学院

工作经验：
1年

兼职日薪：
500元/8小时

兼职时间：
下班后
周日

所在区域：
北京
海淀

技术能力

精通：Java 核心编程，熟悉 JVM 内存模型与 GC 机制，具备良好的编码规范和代码整洁意识
精通：Spring Boot、Spring MVC、MyBatis/MyBatis-Plus，能独立完成单体服务的设计与开发
精通：MySQL，熟练编写复杂 SQL、索引优化与慢查询排查
熟练：Redis 缓存策略（热点缓存、分布式锁、会话管理），Spring Security + JWT 认证授权
熟练：Maven 多模块项目管理，Git 版本控制，RESTful API 设计
了解：Spring AI 框架核心抽象（ChatClient / ChatMemory / VectorStore / Tool Calling）
了解：Vue 3 + Element Plus 前端开发，能配合前端完成接口联调
了解：Linux 常用命令，Docker 基础操作，Nginx 反向代理配置

项目经验

基于 AI 的智能电商推荐平台 | 2026.03 - 至今 | 主导设计，AI 辅助实现
技术栈：Spring Boot 3.2 + Vue 3 + MyBatis + MySQL + Redis + DeepSeek LLM
自研项目。解决传统电商"搜索框+筛选"模式下用户决策成本高（平均 18 分钟，弃购率约 60%）的痛点，让用户用自然语言描述需求，系统直接给出精准的、附带理由的商品推荐。
核心设计与实现：
• 设计两套推荐引擎，可独立或叠加运行：
引擎一（Item-CF 协同过滤）：构建用户-商品评分矩阵，使用余弦相似度计算商品间相似性，预测用户对未评分商品的偏好分数并取 Top-N 推荐
引擎二（LLM 智能导购）：接入 DeepSeek 大模型，设计 Function Calling 工具链（search_products / get_product_detail / get_recommendations），让 LLM 自主决策调用数据库查询或协同过滤算法，最终通过 SSE 流式逐字返回推荐理由
• 后端采用 Maven 多模块架构（common / pojo / server）解耦通用工具、数据模型与业务逻辑，设计 11 张数据库表覆盖用户、商品、评分、购物车、订单、AI 对话会话等业务域
• 设计多层缓存策略：Redis 对商品列表、分类树、推荐结果进行分层缓存；AI 系统提示词中的商品目录采用本地缓存避免重复构建
• Function Calling 安全设计：在 FunctionRegistry 中统一注入 userId 参数，防止 LLM 越权查询其他用户数据
• 前端使用 Vue 3 + Element Plus 实现对话式购物助手 UI，基于 ReadableStream API 消费 SSE 流实现逐字打字效果