掘金長文拆解對話式導購Agent：Spring AI Alibaba結合RAG、MCP與Graph工作流的完整架構

2026年11月3日，掘金作者「蘇三說技術」發布一篇約十一分鐘閱讀量的技術長文，完整拆解一款名為「智慧商品推薦助手」的對話式電商導購系統。該系統定位為「會聊天、會推薦、還能真正下單」的電商AI Agent，從意圖理解、私有知識檢索到交易執行全部納入單一架構。本臺依據該篇原文整理其技術輪廓與可核實細節。

根據原文自述，整體技術選型以Spring Boot 3.5以上為後端框架，AI接入層採用Spring AI Alibaba以遮蔽底層模型差異，模型端可用千問或DeepSeek-V3。檢索增強生成（RAG）部分使用Milvus或PgVector作為向量資料庫儲存商品文件，並以MCP（Model Context Protocol）作為統一的資料源互動協議，串接商品中心與訂單中心。前端為Vue 3搭配TailwindCSS，回應端採SSE串流輸出實現打字機效果。

雙層語意路由是核心設計

文章指出，系統在對話入口引入embedding輕量語意路由，採雙層結構。第一層先將使用者訊息粗分為流程類、工具類、推薦類與閒聊類四種；第二層在流程類中判定具體流程類型，進入Graph工作流節點推進。作者的說法是，這樣的設計讓流程更可控、更能抵抗自然語言的多樣表達。

在RAG與工具呼叫的分工上，原文的界定是：「需要理解和推薦」的問題走RAG以提升回答相關性與解釋性；「需要真實資料與業務動作」的問題走工具呼叫與後端服務，確保結果可落地、可回寫。後者涵蓋查詢庫存與價格波動，以及下單、退貨、評價、取消訂單等交易操作。

系統另提供會話歷史與UI快照能力，可在對話中生成訂單卡片、購物車卡片與確認單卡片。對既有系統的整合方式，原文稱可透過Feign加上閘道無縫接入現有的商品、購物車與訂單服務。

MCP相較硬編碼工具呼叫的論點

值得留意的比較論述在於標準化互聯。作者主張採用MCP連接多源資料，相較硬編碼的工具呼叫具備協議層面的彈性，並將此列為履歷面試中的加分問答點之一。這與近期技術社羣對MCP生態的討論方向一致，例如先前整理過的W3C孵化中的WebMCP瀏覽器標準輪廓，同樣聚焦於讓AI智慧體以標準化方式取得外部工具與資料。

RAG私有知識問答則針對商品規格、售後政策等領域內容。這類檢索管線在企業場景中的工程細節，可對照另一篇掘金長文解析企業知識庫問答Agent，該文整理了數萬份PDF的解析管線與幻覺抑制方案，兩篇皆出自掘金平臺的實戰導向內容。

交付內容與商業性質須留意

原文明載，此項目的交付內容包含完整原始碼、從零到一的開發教程、一對一技術答疑與履歷包裝指導，並導向作者經營的Java突擊隊網站。換言之，該文兼具技術分享與課程推廣性質，讀者在採信其架構論述時，宜將此背景納入考量。文章未附可獨立驗證的部署實例或效能數據，模型表現、向量庫檢索品質等指標在原文中均未提供具體量測結果。

可核實的部分是技術組合本身：Spring AI Alibaba、Milvus、PgVector、Function Calling、MCP、Graph工作流與SSE均為公開存在且可查證的技術元件，其組合方式與架構描述出自原文自述，屬於作者的設計說明而非第三方驗證結論。至於該系統在實際電商場景的可用性與規模表現，現有資料不足以判斷，本臺不予推論。