Buy 领域智能体 · Spring AI 全量工程与 Staff 面试

定位：全球运动零售 Buy Team / Commerce 在存量 Spring Boot 上落地的 14 个智能化场景——每个场景含 POC 架构图、可联调级 Spring AI 代码骨架、2 道 Staff 面试满分答、Guardrails 红线。
前置：08 §10–11 场景总览 · 14 §12 LiteLLM/MCP/多 VectorStore · 17 §4–5 Guardrails
冲刺：98 §5.13–5.14 C.98–C.122

---

0. 共享平台骨架（14 场景复用）

0.1 依赖与模型路由（LiteLLM 主路径）

<!-- pom.xml 片段 -->
<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-starter-model-openai</artifactId>
</dependency>
<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-starter-vector-store-pgvector</artifactId>
</dependency>
<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-starter-vector-store-redis</artifactId>
</dependency>
<dependency>
  <groupId>io.github.resilience4j</groupId>
  <artifactId>resilience4j-spring-boot3</artifactId>
</dependency>

# application-ai.yml
spring:
  ai:
    openai:
      api-key: ${LITELLM_API_KEY}
      base-url: ${LITELLM_PROXY_URL:http://litellm.internal:4000/v1}
      chat:
        options:
          model: commerce-smart        # LiteLLM 别名 → azure-gpt-4o / qwen 等
          temperature: 0.2
      embedding:
        options:
          model: text-embedding-3-small

commerce:
  ai:
  max-tool-iterations: 5
  scene-header: X-Commerce-AI-Scene   # CARTS_ADD | STYLIST | CS | PRICING | ...

0.2 Advisor 链（生产默认顺序）

@Configuration
public class CommerceAdvisorConfig {

    @Bean
    ChatClient commerceChatClient(ChatClient.Builder builder,
                                  List<Advisor> commerceAdvisors) {
        return builder
            .defaultAdvisors(commerceAdvisors.toArray(Advisor[]::new))
            .defaultSystem("""
                你是运动零售 Buy/Commerce 助手。
                规则：①金额/库存/定价/券面额/支付渠道仅引用 Tool JSON；
                ②禁止承诺赔偿、中签、自动改价；③不确定时建议转人工。
                """)
            .build();
    }

    @Bean
    List<Advisor> commerceAdvisors(
            SafeGuardAdvisor safeGuard,
            SimpleLoggerAdvisor logger,
            QuestionAnswerAdvisor faqRag,      // L1 Redis FAQ
            MessageChatMemoryAdvisor memory) { // Redis session
        return List.of(safeGuard, logger, faqRag, memory);
    }
}

0.3 场景路由 Controller 模式

@RestController
@RequestMapping("/api/v1/commerce-ai")
@RequiredArgsConstructor
public class CommerceAiGatewayController {

    private final Map<String, CommerceAiSceneHandler> handlers;

    @PostMapping("/{scene}")
    public Object invoke(@PathVariable String scene,
                         @RequestHeader("X-User-Id") String userId,
                         @RequestBody CommerceAiRequest req) {
        return handlers.get(scene).handle(userId, req);
    }
}

public interface CommerceAiSceneHandler {
    String scene();
    Object handle(String userId, CommerceAiRequest req);
}

---

1. 智能导购 Agent（Stylist）

1.1 业务（Buy + C 端）

自然语言选品 → 多轮澄清（场景/尺码/预算）→ 推荐 3 SKU + 对比 → 可选加车。LLM 编排；价格库存只读 Tool。

1.2 POC 架构

1.3 Spring AI 完整示例

@Component
public class StylistTools {
    private final CatalogFacade catalog;
    private final MemberFacade member;

    @Tool(description = "按自然语言+尺码+预算搜索跑鞋/服饰 SKU")
    public List<SkuCardDto> searchProducts(
            String query,
            @ToolParam(required = false) String size,
            @ToolParam(required = false) BigDecimal maxPriceCny) {
        return catalog.search(query, size, maxPriceCny);
    }

    @Tool(description = "会员等级与可用权益，只读")
    public MemberTierDto getMemberTier(String userId) {
        return member.getTier(userId);
    }

    @Tool(description = "对比多款 SKU 关键参数")
    public CompareTableDto compareSkus(List<String> skuIds) {
        return catalog.compare(skuIds);
    }
}

@Service
@RequiredArgsConstructor
public class StylistHandler implements CommerceAiSceneHandler {
    private final ChatClient chatClient;
    private final StylistTools tools;

    @Override public String scene() { return "STYLIST"; }

  @Override
    public StylistRecommendation handle(String userId, CommerceAiRequest req) {
        return chatClient.prompt()
            .tools(tools)
            .user("userId=" + userId + "；" + req.message())
            .call()
            .entity(StylistRecommendation.class);
    }
}

public record StylistRecommendation(
    List<String> recommendedSkuIds,
    String comparisonSummary,
    List<Citation> citations) {}

public record Citation(String source, String chunkId) {}

// StylistRecommendation 校验：sku 必须来自最近一次 searchProducts 返回集
@Component
public class StylistOutputVerifier implements OutputVerifier {
    public void verify(ChatResponse response, ToolContext ctx) {
        // 正则：禁止 response 中出现未在 tool 日志出现的 price 字面量
    }
}

1.4 Staff 面试题

B01 · 导购 Agent 和搜索推荐服务如何分工？

段	要点
结论	ML 召回排序仍走 Search/Rec 服务；Spring AI 做 意图澄清 + 解释 + 跨品类对话；Tool 调 searchProducts 而非让 LLM 背 SKU 列表。
原理	召回需要 LTR/向量索引规模；LLM 擅长语言不擅长百万 SKU 全排序。
工程	QuestionAnswerAdvisor 接 pgvector 商品知识；maxIterations=5；SSE 流式。
验证	golden：价/库存 100% 与 Tool 一致；cite rate >0.8。
风险	绕过搜索直出 LLM 编造 SKU → 合规与转化双输。

B02 · 首 token 延迟如何压到 800ms 内？

段	要点
结论	LiteLLM 路由 commerce-fast；RAG topK≤5；Tool 并行；Semantic Cache 热点问句。
原理	TTFT = 网关 + 检索 + 首包模型；Decode 可流式。
工程	Redis L1 FAQ 命中则跳过 Milvus；Resilience4j 超时 3s fallback 模板答。
验证	大促压测 P99 TTFT；按 scene 分池 Bulkhead。
风险	为快关掉 RAG → 幻觉升。

1.5 Guardrails

• 价格/库存/促销 仅 Tool
• 竞品诋毁 / 医疗承诺 → SafeGuard 拦截
• 推荐 SKU ⊆ 最近 searchProducts 结果集

---

2. 智能客服 24/7

2.1 POC 架构

2.2 Spring AI 完整示例

@Component
public class CustomerServiceTools {
    private final OrderFacade orders;
    private final LogisticsFacade logistics;
    private final RefundFacade refunds;

    @Tool(description = "查询订单状态，只读")
    public OrderStatusDto getOrderStatus(String orderId, String userId) {
        return orders.getStatus(orderId, userId);
    }

    @Tool(description = "创建退款申请草稿，写操作需 idempotencyKey，不直接打款")
    public RefundDraftDto createRefundDraft(
            String orderId, String reason, String idempotencyKey) {
        return refunds.createDraft(orderId, reason, idempotencyKey);
    }
}

@Service
public class CsHandler implements CommerceAiSceneHandler {
    private final ChatClient chatClient;
    private final CustomerServiceTools tools;
    private final VectorStore faqStore;      // Redis
    private final VectorStore policyStore;   // pgvector

    @Override public String scene() { return "CUSTOMER_SERVICE"; }

    @Override
    public CsResponse handle(String userId, CommerceAiRequest req) {
        if (SensitiveKeywordDetector.matches(req.message())) {
            return CsResponse.escalate("检测到敏感诉求，已转人工");
        }
        return chatClient.prompt()
            .advisors(
                QuestionAnswerAdvisor.builder(faqStore).build(),
                QuestionAnswerAdvisor.builder(policyStore).searchRequestTransformer(
                    r -> r.withFilterExpression("tenant == 'global'")).build())
            .tools(tools)
            .user("userId=" + userId + "；" + req.message())
            .call()
            .entity(CsResponse.class);
    }
}

2.3 Staff 面试题

B03 · 客服三级路由如何设计？

段	要点
结论	L1 FAQ Redis <2ms → L2 政策 pgvector → L3 Agent+Tool 查单 → 关键词转人工；误承诺 Verifier 零容忍。
原理	80/15/5 流量分布；越往后成本越高。
工程	createRefundDraft 非 executeRefund；赔偿类关键词 bypass LLM。
验证	红队「赔双倍」必须 escalate；自助率 >70%。
风险	Agent 直连退款 API → 资损（对齐 14 §13 STAR）。

B04 · 多 VectorStore 如何按意图路由？

段	要点
结论	意图分类器（轻量模型/规则）选 Advisor；或串联 Advisor 按置信短路。
工程	@Qualifier 多 Bean；filter `doc_type=faq
验证	政策题 citation 必须来自 policy 索引版本号。
风险	单库混放 → 过滤慢且易串库。

2.4 Guardrails

• 退款/赔偿 仅 Draft + HITL
• 输出 Verifier 禁「保证/一定赔」
• 审计 trace_id + tool_calls 7 年

---

3. AI 商品分析（PIM enrichment）

3.1 POC + 代码

@Service
@RequiredArgsConstructor
public class ProductEnrichmentJob {
    private final ChatClient chatClient;
    private final PimWriteFacade pim;

    @Scheduled(cron = "0 */10 * * * *")
    public void enrichBatch() {
        pim.listPendingEnrichment(500).forEach(sku -> {
            ProductAttributeDto attrs = chatClient.prompt()
                .system("只输出 JSON。类目/材质/场景标签。不确定填 unknown。")
                .user("title=" + sku.title() + "\ndesc=" + sku.description())
                .call()
                .entity(ProductAttributeDto.class);
            if (attrs.confidence() >= 0.85) {
                pim.applyAttributes(sku.id(), attrs);
            } else {
                pim.enqueueReview(sku.id(), attrs);
            }
        });
    }
}

3.2 Staff 面试题

B05 · 商品分析为什么用批处理而不是在线 Chat？

段	要点
结论	离线 Batch + temperature=0 控成本与一致性；在线只读已生成「AI 解读」缓存。
工程	embedding 版本 pin；低置信 HITL。
验证	属性准确率 >95% 人工抽检。
风险	在线实时抽属性 → 成本与抖动不可控。

B06 · 多模态商品分析链路？

段	要点
结论	图+文 → Vision API / CLIP embedding 入 Milvus；文本走 Batch LLM。
工程	图文一致性阈值 <0.7 进人审。
验证	图文不符客诉 -8% 目标。
风险	仅文本忽略图 → 退货率高。

---

4. 智能搭配 Outfit Builder

4.1 POC + 代码

@Component
public class OutfitTools {
  @Tool(description = "按锚点SKU与风格标签返回搭配候选")
    public List<OutfitSkuDto> getOutfitCandidates(String anchorSkuId, String styleTag) { ... }

    @Tool(description = "校验套装内所有 SKU 同仓有货")
    public BundleStockDto checkBundleStock(List<String> skuIds, String storeId) { ... }
}

public record OutfitBundle(List<String> skuIds, String styleNarrative, BigDecimal bundlePrice) {}
// bundlePrice 来自 checkBundleStock 返回，非 LLM 计算

4.2 Staff 面试题

B07 · 搭配推荐如何保证有货？

段	要点
结论	生成后 强制 checkBundleStock；无货剔除并再生成或降级单件推荐。
验证	Eval：无货 SKU 不得出现在最终 bundle。
风险	只看风格不看 ATP → 结账失败。

B08 · Vision RAG 在搭配中的作用？

段	要点
结论	CLIP/SigLIP 向量检索风格相近 SKU；LLM 写叙事与场合。
工程	Milvus 多模态索引 + metadata category=footwear。
风险	纯文本 RAG 忽略配色 → 搭配违和。

---

5. AI 满减 / 优惠券推荐

完整序列图与三 Tool 见 08 §10.5.1。

5.1 Staff 面试题

B09 · 为何 System prompt 禁止输出数字金额？ → 见 98 C.100。

B10 · CouponAdviceResponse 如何防话术夹带金额？

段	要点
结论	正则 \d+\.?\d* 扫 explanation；失败则重试或模板化回复。
工程	前端只展示 Tool JSON 渲染组件。
风险	只拦模型不拦前端拼接 → 仍可能误导。

---

6. 限量发售个性化故事（SNKRS 类）

6.1 POC + 代码

@Component
public class DropStoryTools {
    @Tool(description = "用户脱敏偏好：品类/收藏，不含PII")
    public UserTasteDto getUserTaste(String userId) { ... }

    @Tool(description = "发售元数据：系列名/设计师/年份，只读")
    public DropMetaDto getDropMeta(String dropId) { ... }
}

@Service
public class DropStoryHandler implements CommerceAiSceneHandler {
    public DropStoryResponse handle(String userId, CommerceAiRequest req) {
        return chatClient.prompt()
            .system("禁止暗示保证购买/内部名额/必中签")
            .tools(dropStoryTools)
            .user("dropId=" + req.dropId())
            .call()
            .entity(DropStoryResponse.class);
    }
}

6.2 Staff 面试题

B11 · LLM 能否参与抽签决策？

段	要点
结论	绝对不能；LLM 只生成 中签后故事 / 未中签安抚 + 相似款推荐。
验证	架构图抽签服务与 Story 服务无写边。
风险	合规模型暗示「提高中签率」→ 监管与品牌危机。

B12 · 异步生成的幂等与去重？

段	要点
结论	eventId 幂等；Redis SETNX story:{userId}:{dropId}。
工程	失败进 DLQ 重试最多 3 次。
风险	重复 Push → 用户骚扰。

---

7. AI 选品助手（Buy Team · Assortment）

7.1 POC + 代码

@Component
public class AssortmentTools {
    @Tool(description = "SKU 近28天销量增速")
    public VelocityDto getSalesVelocity(String skuId, String region) { ... }

    @Tool(description = "毛利率，只读")
    public MarginDto getMargin(String skuId) { ... }

    @Tool(description = "竞品价，只读")
    public CompetitorPriceDto getCompetitorPrice(String skuId) { ... }

    @Tool(description = "创建采购建议草稿，非正式 PO")
    public AssortmentDraftDto createAssortmentDraft(
            AssortmentDraftRequest req, String idempotencyKey) { ... }
}

7.2 Staff 面试题

B13 · 选品 Agent 为什么是 Plan-Execute 而非 ReAct 无限循环？

段	要点
结论	买手任务步骤固定：取数→对比→草稿→人审；Plan 限 4–6 步可控。
工程	Java 状态机编排子步骤；每步 Tool 超时 10s。
风险	自主下单 → 供应链事故。

B14 · 区域 RBAC 如何在 RAG 体现？

段	要点
结论	metadata `region=APAC
验证	越权访问测试 100% 403。
风险	全球趋势泄露给单区买手 → 合规。

---

8. 库存调拨（WMS · HITL）

8.1 POC + 代码

@Component
public class TransferTools {
    @Tool(description = "区域库存快照")
    public InventorySnapshotDto getInventorySnapshot(String skuId) { ... }

    @Tool(description = "创建调拨草稿，不写库存")
    public TransferDraftDto createTransferDraft(
            TransferDraftRequest req, String idempotencyKey) { ... }
}

8.2 Staff 面试题

B15 · 为何「工作流优先」而非全自动 Agent 调拨？

段	要点
结论	写库存副作用大；LLM 解释 + 草稿；WMS 审批后执行。
工程	createTransferDraft 幂等；LLM 无 deductStock Tool。
验证	渗透测试无直写 API。
风险	Agent 自动调拨 → 错仓爆仓。

B16 · 调拨建议如何引用运输时效？

段	要点
结论	@Tool getTransitEta(fromDc,toDc) 只读；LLM 比较方案。
验证	建议 ETA 与 TMS 一致。
风险	LLM 估算物流天数 → 履约超时。

---

9. 定价 Copilot（HITL mandatory）

9.1 POC + 代码

@Component
public class PricingTools {
    @Tool public CompetitorSnapshotDto getCompetitorPrices(String skuId) { ... }
    @Tool public SalesCurveDto getSalesCurve(String skuId, int days) { ... }

    @Tool(description = "提交调价审批单，不修改生效价")
    public PriceChangeRequestDto submitPriceChangeRequest(
            PriceChangeRequest req, String idempotencyKey) { ... }
}

9.2 Staff 面试题

B17 · 定价 Copilot 审批流如何与 LLM 解耦？ → 见 98 C.102。

B18 · 竞品数据延迟如何处理？

段	要点
结论	Tool 返回 dataAsOf；LLM 必须引用时间戳；过期数据触发人工标注。
验证	dataAsOf > 24h 时 UI 警告。
风险	静默用过期价 → 错误跟价。

---

10. 评价情感分析（UGC）

10.1 POC + 代码

@Service
public class ReviewSentimentPipeline {
    private final ChatClient chatClient;

    @KafkaListener(topics = "ugc.review.created")
    public void onReview(ReviewEvent e) {
        ReviewInsight insight = chatClient.prompt()
            .system("输出 JSON: sentiment, issues[], severity, suggestedAction")
            .user(PiiMasker.mask(e.text()))
            .call()
            .entity(ReviewInsight.class);
        if (insight.severity() >= Severity.HIGH) {
            alertPublisher.publish(e.skuId(), insight);
        }
    }
}

10.2 Staff 面试题

B19 · 为何批处理 + 结构化输出而非在线 Chat？

段	要点
结论	UGC 量大；ReviewInsight POJO 入告警/工单；在线仅展示聚合标签。
工程	PII 正则脱敏进 prompt；不自动删评。
验证	负面 24h 触达率 >95%。
风险	LLM 自动删评 → 法律风险。

B20 · 虚假好评如何与 LLM 分工？

段	要点
结论	XGBoost/规则主判；LLM 生成 人审 reasoning。
验证	recall >85% 离线集。
风险	LLM 单独封禁 → 误杀。

---

11. 营销活动 Multi-Agent

11.1 POC + 代码

@Service
public class CampaignOrchestrator {
    private final ChatClient copyAgent;
    private final ChatClient audienceAgent;
    private final ChatClient complianceAgent;

    public CampaignPackage plan(CampaignBrief brief) {
        var audience = audienceAgent.prompt().user(brief.toAudiencePrompt()).call().entity(AudiencePlan.class);
        var copy = copyAgent.prompt().user(brief.toCopyPrompt(audience)).call().entity(CopyDraft.class);
        var verdict = complianceAgent.prompt().user(copy.toCompliancePrompt()).call().entity(ComplianceVerdict.class);
        if (!verdict.approved()) {
            throw new ComplianceRejectedException(verdict.reasons());
        }
        return new CampaignPackage(audience, copy, verdict);
    }
}

11.2 Staff 面试题

B21 · 合规 Agent 一票否决如何工程保证？

段	要点
结论	ComplianceVerdict.approved==false 时 不调用 MA 写接口；编排器硬编码。
验证	红队敏感词 100% 拦截。
风险	仅 prompt 约束无代码分支 → 漏发。

B22 · Token 预算熔断？

段	要点
结论	LiteLLM daily-usd-cap + 应用侧 campaignId 计数器。
工程	超 85% 告警，100% 拒绝新任务。
风险	无限生成文案 → FinOps 爆炸。

---

12. 反欺诈 / 黄牛（SNKRS）

12.1 POC + 代码

@Component
public class AntiFraudTools {
    @Tool(description = "规则+模型风险分，只读")
    public RiskScoreDto getRiskScore(String orderId) { ... }

    @Tool(description = "生成人审说明，不执行拦截")
    public String explainRisk(RiskScoreDto score) { ... }
}

@Service
public class FraudReviewService {
    public FraudReviewNote review(String orderId) {
        var score = antiFraudTools.getRiskScore(orderId);
        if (score.decision() == Decision.BLOCK) {
            return FraudReviewNote.blocked(
                chatClient.prompt()
                    .user("根据分数生成人审理由: " + score)
                    .call()
                    .content());
        }
        return FraudReviewNote.pass();
    }
}

12.2 Staff 面试题

B23 · LLM 在风控链路中的正确位置？

段	要点
结论	毫秒级规则+ML 决策；LLM 仅解释复杂案；不单独拒单。
验证	压测主路径无 LLM 调用。
风险	LLM 拒单 → 延迟与不可解释。

B24 · 误杀申诉如何闭环？

段	要点
结论	申诉 → 人工 → 反馈入特征库；LLM 不参与改判自动生效。
指标	误杀率 <0.5%。
风险	无申诉 → 品牌舆情。

---

13. Carts 智能加车

完整代码见 08 §10.13。

13.1 Staff 面试题

B25 · 三 Tool 分步必要性？ → 98 C.104。

B26 · Member/门店上下文如何注入？

段	要点
结论	userId→MemberProfile Tool；storeId 默认最近门店或显式参数。
工程	JWT 解析后注入 ToolContext，禁止用户伪造 storeId 越权。
验证	跨店库存测试。
风险	忽略门店 ATP → 下单失败。

---

14. Payment 智能推荐付款方式

完整代码见 08 §10.14。

14.1 Staff 面试题

B27 · rank Tool 与 list Tool 为何要拆开？

段	要点
结论	list 返回 可用全集+维护态；rank 在子集上 规则排序；LLM 不合并以防编造不可用渠道。
验证	KLARNA 地区不支持时必须在 unavailable。
风险	单 Tool 返回「推荐 PayPal」但已维护 → 结账失败。

B28 · Vault token 如何出现在 Tool 响应？

段	要点
结论	仅 VISA_TOKEN_***12 掩码；永不返回 PAN/CVV。
工程	PaymentComplianceAdvisor 扫日志。
风险	调试日志打全卡号 → PCI 违规。

---

§99 全场景 Master Checklist + 面试索引

99.1 上线前 42 项（Buy 域）

域	检查项
模型	[ ] LiteLLM 主路径 + Azure fallback 熔断演练
模型	[ ] commerce-fast / commerce-smart 别名与 SLA 对齐
向量	[ ] L1 Redis / L2 pgvector / L3 Milvus 职责清晰
向量	[ ] embedding 版本 pin + 漂移 CI
交易	[ ] 金额/库存/券/价/支付 仅 Tool
交易	[ ] Carts addLineItem 幂等
交易	[ ] Payment 无 PAN 出网
交易	[ ] 满减 explanation 无裸数字
写操作	[ ] 退款/调拨/定价 Draft + HITL
写操作	[ ] 所有写 Tool 带 idempotencyKey
Agent	[ ] maxIterations=5
Agent	[ ] 抽签/风控 LLM 不决策
安全	[ ] SafeGuard + Llama Guard
安全	[ ] 敏感词转人工
观测	[ ] Langfuse trace + $/successful_task
观测	[ ] 分 scene 成本归因
Eval	[ ] 每场景 ≥50 golden + 红队集
合规	[ ] 审计 7 年；PII 脱敏

99.2 面试题速查（B01–B28 ↔ 98）

场景	本书	98 联动
导购	B01–B02	C.101
客服	B03–B04	C.99, C.103
商品分析	B05–B06	C.111–C.112
搭配	B07–B08	C.113–C.114
满减	B09–B10	C.100, C.106
发售故事	B11–B12	C.115–C.116
选品	B13–B14	C.117–C.118
调拨	B15–B16	C.119–C.120
定价	B17–B18	C.102
评价	B19–B20	C.121–C.122
营销	B21–B22	—
反欺诈	B23–B24	—
Carts	B25–B26	C.104–C.105
Payment	B27–B28	C.107

---

关联文件

文件	用途
08-架构-电商	场景总览 + 部分 Demo
14-Spring-AI	框架/MCP/多 VectorStore
98-冲刺	口述题库 C.98–C.122
13-Playbook	12 能力域生产规范

一句话：Buy 域智能化 = LiteLLM + Spring AI Tool 真源 + 三层向量 + 写操作 HITL；14 场景代码骨架在本文，考前 B01–B28 + 98 C 段 交替口述。

官方文档与源码（一级依据）

AI Engineering · 正文机制应来自下方 官方文档（L1） 与 官方源码仓库（L2）；
禁止用教程站/博客充当机制依据。本章 QPS/延迟/STAR 为面试示意。
写作规范：docs/official-sources-registry.md §0

L1 · 官方文档

• Spring AI Reference
• LangGraph Interrupts
• LangChain4j Docs

L2 · 官方源码

• spring-projects/spring-ai
• langchain-ai/langgraph
• langchain4j/langchain4j

L3 · 论文 / 开放规范

• L3 MCP Specification