AI互助平台开发实战：Spring Boot 3 + 大模型接口全流程实现

好，"helppeer.ai" 这个项目名很直白，拆开看就是help（帮助）+ peer（同伴/同行者）+ .ai（人工智能）。如果你在开发一个 AI 技能互助平台、AI 学习社区，或者以 AI 为核心的知识问答与同伴互助产品，那么这个名字非常贴切。本文会围绕这类 AI 互助平台的典型技术需求，从项目定位、技术选型、后端核心模块、AI 会话接入，到接口联调与生产部署，整理一套可以直接落地的实战方案。

无论你是正在规划类似产品，还是单纯想练习一个"AI + 业务系统"的综合项目，这篇文章都能给你一个完整的参考。代码以 Spring Boot 3 + 原生 HTTP 调用大模型接口为例，重点讲解设计思路、核心表结构、AI 模块接入方式与常见坑点，前端部分只给出基础交互逻辑，不展开复杂界面。

1. helppeer.ai 项目定位与技术架构

1.1 这类平台解决什么问题

在线学习或者技能成长过程中，最容易遇到的瓶颈是"遇到问题找不到人问"。

传统的问答社区存在几个体验问题：

• 提问后回答周期长，质量参差不齐。
• 新手不知道怎么描述问题，更不知道找谁问。
• 没有激励机制，高手不愿意持续回答。
• 没有沉淀，重复问题反复出现。

helppeer.ai 的核心思路，是把"人"和"AI"组合起来：AI 先即时回答，解决大部分通用问题；如果 AI 解决不了，再通过智能匹配把问题转给领域相近的同伴（Peer）。这种模式既能保证响应速度，又能保留人与人之间的互助价值。

1.2 核心功能模块

一个最小可用版本（MVP）至少要包含以下模块：

1.3 技术选型建议

以 Java 技术栈为例，推荐如下组合：

• 后端框架：Spring Boot 3.x，简化配置，生态成熟。
• 持久层：MyBatis-Plus，代码生成效率高，适合快速迭代。
• 数据库：MySQL 8.x，存储业务数据。
• 缓存：Redis，保存会话上下文、热点数据与在线状态。
• AI 接入：使用 HTTP 接口调用大模型服务，不强制绑定某个 SDK。
• 前端：Vue 3 + Element Plus（本文只演示核心调用逻辑）。
• 部署：Docker + Docker Compose。

这套选型的特点是：技术栈通用性好，招聘成本低，资料多，且 AI 模块可以被替换——以后想换模型、换供应商，只需要改一个接口封装层。

2. 环境准备与项目初始化

2.1 本地开发环境

开始编码前，先确认以下工具已经安装：

JDK 17+ Maven 3.6+ MySQL 8.x Redis 6.x+ IntelliJ IDEA 或 Eclipse

版本不必完全一致，但尽量使用较新的稳定版本。JDK 使用 17 是因为 Spring Boot 3.x 要求最低 JDK 17。

2.2 Spring Boot 项目创建

你可以通过 Spring Initializr 初始化项目，也可以直接用 IDEA 创建。需要引入的依赖：

<dependencies> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-validation</artifactId> </dependency> <dependency> <groupId>com.baomidou</groupId> <artifactId>mybatis-plus-boot-starter</artifactId> <version>3.5.5</version> </dependency> <dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <scope>runtime</scope> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-data-redis</artifactId> </dependency> <dependency> <groupId>org.projectlombok</groupId> <artifactId>lombok</artifactId> <optional>true</optional> </dependency> <dependency> <groupId>cn.hutool</groupId> <artifactId>hutool-all</artifactId> <version>5.8.25</version> </dependency> </dependencies>

说明：Hutool 是工具类库，用来简化 HTTP 请求、日期处理、随机数生成等常见操作，属于可选依赖。如果不喜欢引入额外依赖，也可以直接使用 Spring 的RestTemplate或 JDK 11+ 的java.net.http.HttpClient。

2.3 项目目录结构

helppeer-ai/ ├── src/main/java/com/helppeer/ │ ├── HelppeerApplication.java │ ├── config/ │ │ ├── RedisConfig.java │ │ └── WebConfig.java │ ├── controller/ │ │ ├── UserController.java │ │ ├── QuestionController.java │ │ └── AiChatController.java │ ├── service/ │ │ ├── UserService.java │ │ ├── QuestionService.java │ │ ├── AiChatService.java │ │ └── PeerMatchService.java │ ├── mapper/ │ │ ├── UserMapper.java │ │ ├── QuestionMapper.java │ │ └── AnswerMapper.java │ ├── entity/ │ │ ├── User.java │ │ ├── Question.java │ │ └── Answer.java │ └── dto/ │ ├── QuestionDTO.java │ └── ChatRequestDTO.java └── src/main/resources/ ├── application.yml └── mapper/

这个结构保留了经典的三层架构风格，职责清晰：Controller 只做参数接收与结果返回，Service 处理业务逻辑，Mapper 进行数据库操作。

3. 数据库设计与核心表结构

3.1 设计思路

互助平台的数据模型相比电商系统要简单一些，但有几个点需要提前想清楚：

• 用户除了基础信息外，需要有"技能标签"，用于同类问题匹配。
• 问题与标签是多对多关系，建议单独建关联表，方便后续扩展标签体系。
• AI 回答需要保留记录，方便用户查看历史对话，也方便统计 token 消耗。
• 解答采纳后要更新问题状态，避免用户重复作答。

3.2 建表 SQL

下面是核心表的 SQL 设计，生产环境可以增加更多索引，MVP 阶段这些字段足够。

-- 用户表 CREATE TABLE `user` ( `id` BIGINT NOT NULL AUTO_INCREMENT COMMENT '主键', `username` VARCHAR(50) NOT NULL COMMENT '用户名', `password` VARCHAR(100) NOT NULL COMMENT '加密后的密码', `nickname` VARCHAR(50) DEFAULT NULL COMMENT '昵称', `avatar` VARCHAR(255) DEFAULT NULL COMMENT '头像URL', `bio` VARCHAR(500) DEFAULT NULL COMMENT '个人简介', `level` INT DEFAULT 1 COMMENT '等级', `points` INT DEFAULT 0 COMMENT '积分', `create_time` DATETIME DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`), UNIQUE KEY `uk_username` (`username`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户表'; -- 问题表 CREATE TABLE `question` ( `id` BIGINT NOT NULL AUTO_INCREMENT, `user_id` BIGINT NOT NULL COMMENT '提问人ID', `title` VARCHAR(200) NOT NULL COMMENT '问题标题', `content` TEXT COMMENT '问题详细描述', `status` TINYINT DEFAULT 0 COMMENT '状态：0-待解答，1-AI已回复，2-已采纳', `ai_answer` TEXT COMMENT 'AI首轮回答内容', `view_count` INT DEFAULT 0, `create_time` DATETIME DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`), KEY `idx_user_id` (`user_id`), KEY `idx_status` (`status`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='问题表'; -- 回答表 CREATE TABLE `answer` ( `id` BIGINT NOT NULL AUTO_INCREMENT, `question_id` BIGINT NOT NULL, `user_id` BIGINT NOT NULL, `content` TEXT NOT NULL, `is_accepted` TINYINT DEFAULT 0 COMMENT '是否被采纳', `like_count` INT DEFAULT 0, `create_time` DATETIME DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`), KEY `idx_question_id` (`question_id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='回答表'; -- 用户技能标签表 CREATE TABLE `user_skill` ( `id` BIGINT NOT NULL AUTO_INCREMENT, `user_id` BIGINT NOT NULL, `skill_name` VARCHAR(50) NOT NULL, `level` TINYINT DEFAULT 1 COMMENT '熟练度 1-5', PRIMARY KEY (`id`), KEY `idx_user_id` (`user_id`), KEY `idx_skill_name` (`skill_name`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户技能表'; -- AI对话记录表 CREATE TABLE `ai_chat_history` ( `id` BIGINT NOT NULL AUTO_INCREMENT, `user_id` BIGINT NOT NULL, `question_id` BIGINT DEFAULT NULL, `role` VARCHAR(20) NOT NULL COMMENT 'user/assistant/system', `content` TEXT NOT NULL, `create_time` DATETIME DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`), KEY `idx_user_id` (`user_id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='AI对话记录表';

需要注意：

• 密码字段要和数据库字段保持一致，本文示例实体类用 String 类型，数据库用 VARCHAR。
• ai_chat_history保存了完整的对话内容，可以支持多轮追问，也可以用于后续数据分析，比如统计高频问题、优化智能匹配。
• 所有表都使用utf8mb4，因为 utf8mb4 完整支持 emoji 和特殊字符，AI 返回内容中经常会有这类字符。

4. 后端核心模块实现

4.1 通用返回结果封装

在开发前后端分离项目时，最好定义一个统一的返回结果类，否则接口格式五花八门，前端联调会很痛苦。

package com.helppeer.common; import lombok.Data; @Data public class Result<T> { private Integer code; private String message; private T data; public static <T> Result<T> success(T data) { Result<T> result = new Result<>(); result.setCode(200); result.setMessage("success"); result.setData(data); return result; } public static <T> Result<T> error(Integer code, String message) { Result<T> result = new Result<>(); result.setCode(code); result.setMessage(message); return result; } }

4.2 用户注册与密码处理

用户注册的密码不能明文存储。BCrypt 是目前最普遍的密码哈希方案，Spring Security 的BCryptPasswordEncoder可以直接使用，也可以引入spring-security-crypto依赖单独使用。

先添加依赖：

<dependency> <groupId>org.springframework.security</groupId> <artifactId>spring-security-crypto</artifactId> </dependency>

注意：spring-security-crypto独立使用时不需要额外配置，BCryptPasswordEncoder可以直接 new。

用户 Service 核心代码：

package com.helppeer.service.impl; import cn.hutool.core.util.StrUtil; import com.baomidou.mybatisplus.core.conditions.query.LambdaQueryWrapper; import com.helppeer.entity.User; import com.helppeer.mapper.UserMapper; import com.helppeer.service.UserService; import org.springframework.security.crypto.bcrypt.BCryptPasswordEncoder; import org.springframework.stereotype.Service; import javax.annotation.Resource; @Service public class UserServiceImpl implements UserService { @Resource private UserMapper userMapper; private final BCryptPasswordEncoder encoder = new BCryptPasswordEncoder(); @Override public User register(String username, String password) { if (StrUtil.isBlank(username) || StrUtil.isBlank(password)) { throw new RuntimeException("用户名和密码不能为空"); } Long count = userMapper.selectCount( new LambdaQueryWrapper<User>().eq(User::getUsername, username) ); if (count > 0) { throw new RuntimeException("用户名已存在"); } User user = new User(); user.setUsername(username); user.setPassword(encoder.encode(password)); user.setNickname(username); user.setLevel(1); user.setPoints(0); userMapper.insert(user); return user; } @Override public User login(String username, String password) { User user = userMapper.selectOne( new LambdaQueryWrapper<User>().eq(User::getUsername, username) ); if (user == null) { throw new RuntimeException("用户不存在"); } if (!encoder.matches(password, user.getPassword())) { throw new RuntimeException("密码错误"); } return user; } }

代码里有两个关键点：

• LambdaQueryWrapper是 MyBatis-Plus 提供的条件构造器，可以避免把 SQL 字符串写在代码里，减少拼写错误。
• encoder.matches(password, user.getPassword())用于校验明文密码与数据库中的哈希值是否匹配，不要直接调用equals比较。

4.3 发布问题并触发 AI 回答

当用户发布问题时，合理的顺序应该是：

1. 校验参数。
2. 保存问题到数据库。
3. 调用 AI 服务生成首轮回答。
4. 更新问题的ai_answer字段和状态。
5. 异步匹配可能擅长该问题的同伴。

这个流程中，AI 接口调用耗时可能较长，如果同步执行，用户会一直等待。MVP 阶段可以先同步调用，因为大模型接口通常 3-10 秒内就能返回；如果想优化体验，可以把 AI 调用和同伴匹配放入消息队列或线程池异步执行。

QuestionService 中的发布方法：

@Override public Question publishQuestion(QuestionDTO dto, Long userId) { Question question = new Question(); question.setUserId(userId); question.setTitle(dto.getTitle()); question.setContent(dto.getContent()); question.setStatus(0); question.setViewCount(0); questionMapper.insert(question); // 异步调用 AI，避免阻塞主流程 aiChatService.asyncGenerateFirstAnswer(question.getId()); return question; }

这里使用了asyncGenerateFirstAnswer，方法内部的异步实现需要配合 Spring 的@Async注解。在启动类或配置类上加上@EnableAsync，然后在 Service 实现方法上标注@Async，Spring 会在线程池中执行该方法。

4.4 AI 智能问答模块

AI 模块是 helppeer.ai 的核心，也是最容易踩坑的部分。本节给出一个通用的 HTTP 调用示例，不绑定具体厂商，你可以直接对接 OpenAI 兼容接口、国内大模型平台的 HTTP 接口或者其他兼容接口。前提是对方提供 OpenAI 风格的chat/completions接口，这种格式现在已经成为事实标准。

4.4.1 配置管理

在application.yml中增加 AI 配置：

ai: api-key: ${AI_API_KEY:sk-xxxxxxxx} base-url: ${AI_BASE_URL:https://api.openai.com/v1} model: ${AI_MODEL:gpt-3.5-turbo} max-tokens: 1000 temperature: 0.7

这里使用了环境变量占位符${AI_API_KEY:sk-xxxxxxxx}，意思是优先从环境变量AI_API_KEY读取，如果不存在，则使用默认值。这样做的好处是敏感信息不会被提交到代码仓库。

4.4.2 AI 调用服务

使用 Spring 的RestTemplate发送 HTTP 请求。先注册 Bean：

package com.helppeer.config; import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; import org.springframework.http.client.SimpleClientHttpRequestFactory; import org.springframework.web.client.RestTemplate; @Configuration public class RestTemplateConfig { @Bean public RestTemplate restTemplate() { SimpleClientHttpRequestFactory factory = new SimpleClientHttpRequestFactory(); factory.setConnectTimeout(5000); factory.setReadTimeout(30000); return new RestTemplate(factory); } }

设置readTimeout=30000很重要。大模型接口生成内容需要时间，特别是较长的回答可能超过 10 秒。如果使用默认超时（通常很短），会出现频繁的 SocketTimeoutException。

AI 调用代码：

package com.helppeer.service.impl; import com.fasterxml.jackson.databind.JsonNode; import com.fasterxml.jackson.databind.ObjectMapper; import lombok.extern.slf4j.Slf4j; import org.springframework.beans.factory.annotation.Value; import org.springframework.http.*; import org.springframework.stereotype.Service; import org.springframework.web.client.RestTemplate; import javax.annotation.Resource; import java.util.ArrayList; import java.util.HashMap; import java.util.List; import java.util.Map; @Slf4j @Service public class AiChatServiceImpl implements AiChatService { @Resource private RestTemplate restTemplate; @Value("${ai.api-key}") private String apiKey; @Value("${ai.base-url}") private String baseUrl; @Value("${ai.model}") private String model; @Value("${ai.max-tokens}") private Integer maxTokens; @Value("${ai.temperature}") private Double temperature; private final ObjectMapper objectMapper = new ObjectMapper(); @Override public String chat(String userMessage, List<Map<String, String>> history) { String url = baseUrl + "/chat/completions"; HttpHeaders headers = new HttpHeaders(); headers.setContentType(MediaType.APPLICATION_JSON); headers.setBearerAuth(apiKey); // 构建完整的消息序列 List<Map<String, String>> messages = new ArrayList<>(); messages.add(Map.of("role", "system", "content", "你是一个技术互助平台的AI助手，回答要简洁、准确、有条理。")); if (history != null) { messages.addAll(history); } Map<String, String> userMsg = new HashMap<>(); userMsg.put("role", "user"); userMsg.put("content", userMessage); messages.add(userMsg); Map<String, Object> body = new HashMap<>(); body.put("model", model); body.put("messages", messages); body.put("max_tokens", maxTokens); body.put("temperature", temperature); HttpEntity<Map<String, Object>> request = new HttpEntity<>(body, headers); try { ResponseEntity<String> response = restTemplate.exchange( url, HttpMethod.POST, request, String.class); if (response.getStatusCode() != HttpStatus.OK) { log.error("AI接口返回异常状态码: {}", response.getStatusCode()); return "抱歉，AI服务暂时不可用，请稍后再试。"; } JsonNode root = objectMapper.readTree(response.getBody()); JsonNode content = root.path("choices").get(0).path("message").path("content"); return content.asText(); } catch (Exception e) { log.error("调用AI接口失败", e); return "抱歉，AI服务暂时不可用，请稍后再试。"; } } }

代码说明：

• headers.setBearerAuth(apiKey)对应 HTTP 请求头的Authorization: Bearer sk-xxx，这是目前 OpenAI 兼容接口的标准认证方式。
• system 消息用来设定 AI 的人设和行为准则。在 helppeer.ai 的场景里，可以告诉 AI 它是互助平台的助手，回答要简洁、有条理。
• history参数用于支持多轮对话，把之前几轮的消息按顺序传过去。
• 异常处理非常关键。AI 接口可能因网络、限流、内容审核等原因失败，不能因为 AI 异常导致整个业务报错，必须降级处理。

4.4.3 同伴匹配逻辑（简化版）

同伴匹配的完整实现可以做得很复杂，比如基于向量相似度、用户活跃度、历史采纳率等。MVP 阶段先用一个简单规则：

1. 从问题标题和内容中提取技能标签。
2. 根据标签在user_skill表中查找匹配用户。
3. 排除提问者自己。
4. 按技能熟练度排序，取前 N 个。

@Override public List<User> matchPeers(Long questionId, int limit) { Question question = questionMapper.selectById(questionId); List<String> keywords = extractKeywords(question.getTitle() + " " + question.getContent()); Set<Long> userIds = new HashSet<>(); for (String keyword : keywords) { List<UserSkill> skills = userSkillMapper.selectList( new LambdaQueryWrapper<UserSkill>() .eq(UserSkill::getSkillName, keyword) ); for (UserSkill skill : skills) { userIds.add(skill.getUserId()); } } userIds.remove(question.getUserId()); if (userIds.isEmpty()) { return new ArrayList<>(); } return userMapper.selectList( new LambdaQueryWrapper<User>() .in(User::getId, userIds) .last("LIMIT " + limit) ); }

extractKeywords是关键词抽取方法，MVP 阶段可以直接用简单的规则去匹配数据库中的技能标签，不引入 NLP 库。例如把用户技能表中已有的标签拿出来，然后判断问题文本中是否包含该标签。

生产环境的升级方向是：

• 使用 Embedding 向量表示问题文本，检索相似技能标签。
• 结合消息中心，把推荐结果转成站内通知。
• 根据用户采纳率动态调整推荐权重。

5. 前端调用逻辑与接口联调示例

5.1 接口规范设计

后端接口建议统一使用/api前缀，方便后面配置网关和统一鉴权。

5.2 Axios 调用 AI 接口示例

前端使用 Vue 3 + Axios 时，核心请求代码如下：

import axios from 'axios' const request = axios.create({ baseURL: '/api', timeout: 60000 }) // 发布问题并获取 AI 回答 export async function publishQuestion(questionData) { const res = await request.post('/question/publish', questionData) return res.data } // AI 多轮对话 export async function sendChatMessage(historyList) { const res = await request.post('/ai/chat', { questionId: 123, history: historyList, userMessage: '具体的问题内容' }) return res.data }

前端联调时需要注意：

• Axios 的timeout需要设置得比后端接口耗时更长，比如 60 秒。
• history列表结构要和后端定义一致，避免序列化失败。
• 如果部署时存在跨域问题，后端需要配置 CORS 或使用 Nginx 反向代理。

5.3 Nginx 反向代理配置示例

前后端分离项目部署时，通常用 Nginx 代理前端静态资源和后端接口。

server { listen 80; server_name helppeer.ai; root /usr/share/nginx/html; index index.html; location /api/ { proxy_pass http://127.0.0.1:8080; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; # 大模型返回较慢，需要提高超时时间 proxy_connect_timeout 60s; proxy_read_timeout 120s; } location / { try_files $uri $uri/ /index.html; } }

注意proxy_read_timeout这个配置。默认情况下 Nginx 读取后端响应超时是 60 秒，如果大模型生成内容耗时较长，加上前端轮询或等待逻辑，容易在 Nginx 层超时。部署环境如果不是 Nginx，也要检查网关层的超时配置。

6. 运行与验证流程

6.1 启动后端服务

确认 MySQL 和 Redis 已启动，在application.yml中配置好连接信息后，直接启动 Spring Boot 应用。

mvn spring-boot:run

看到启动日志中有类似以下内容，说明启动成功：

Tomcat started on port 8080 (http) with context path '' Started HelppeerApplication in 3.21 seconds

6.2 用 curl 验证接口

注册用户：

curl -X POST http://localhost:8080/api/user/register \ -H "Content-Type: application/json" \ -d '{"username": "zhangsan", "password": "123456"}'

预期返回：

{ "code": 200, "message": "success", "data": { "id": 1, "username": "zhangsan", "nickname": "zhangsan" } }

发布问题：

curl -X POST http://localhost:8080/api/question/publish \ -H "Content-Type: application/json" \ -d '{"title": "Spring Boot 3 如何集成 Redis？", "content": "我按照文档配置了依赖和连接信息，但启动时报错 Unable to connect to Redis，请问是什么原因？"}'

如果 AI 模块配置正确，过一段时间后查询问题详情，能看到ai_answer字段已经有内容。

6.3 AI 接口常见响应结构

正常情况下，OpenAI 兼容接口的响应是一个 JSON：

{ "id": "chatcmpl-xxx", "object": "chat.completion", "choices": [ { "index": 0, "message": { "role": "assistant", "content": "Spring Boot 3 集成 Redis 报错的原因通常有以下几种：..." }, "finish_reason": "stop" } ], "usage": { "prompt_tokens": 50, "completion_tokens": 120, "total_tokens": 170 } }

后端代码中解析的是choices[0].message.content。不同的模型供应商可能返回结构略有差异，但兼容 OpenAI 格式的接口通常都遵循这个结构。

7. 常见问题与排查思路

在开发 helppeer.ai 这类 AI 业务系统时，遇到频率最高的问题集中在以下几类。下面以表格形式给出排查方向，后面再展开说明。

7.1 AI 接口超时

这个问题的根源是 RestTemplate 默认的 readTimeout 太短。Spring 的SimpleClientHttpRequestFactory默认超时通常为 0 或很短，但大模型生成回答普遍需要几秒到几十秒。解决方法是像上文一样设置 connectTimeout 和 readTimeout，或者改用 WebClient。

7.2 AI 返回内容不完整

如果 AI 回答在中间被硬生生截断，大概率是max_tokens不够。注意，max_tokens限制的是生成的最大 token 数，不是字符数。对于中文内容，1 个 token 大约对应 1-2 个汉字。如果需要生成长文，建议把max_tokens设置为 2000 或更高。

7.3 异步 AI 调用失败无感知

使用@Async后，子线程中的异常默认不会被主线程捕获，如果不处理，日志中甚至看不到错误。建议在异步方法内部显式 try-catch：

@Async @Override public void asyncGenerateFirstAnswer(Long questionId) { try { String answer = chat(questionTitle, null); // 更新 question 的 ai_answer 字段 } catch (Exception e) { log.error("生成AI回答失败, questionId={}", questionId, e); } }

这是很重要的一点。异步任务里的异常一定要自己兜底，否则排查问题时非常困难。

7.4 跨域问题

Spring Boot 后端可以直接配置 CORS：

package com.helppeer.config; import org.springframework.context.annotation.Configuration; import org.springframework.web.servlet.config.annotation.CorsRegistry; import org.springframework.web.servlet.config.annotation.WebMvcConfigurer; @Configuration public class WebConfig implements WebMvcConfigurer { @Override public void addCorsMappings(CorsRegistry registry) { registry.addMapping("/api/**") .allowedOriginPatterns("*") .allowedMethods("GET", "POST", "PUT", "DELETE", "OPTIONS") .allowedHeaders("*") .allowCredentials(true) .maxAge(3600); } }

生产环境不建议使用allowedOriginPatterns("*")配合allowCredentials(true)，应该把允许的域名写死。开发阶段为了方便可以放行所有来源。

8. 最佳实践与工程建议

8.1 API Key 安全

AI 平台的 API Key 是敏感凭证，必须遵循以下规范：

• 不要硬编码在前端代码中，否则会被用户直接抓包获取。
• 不要提交到 Git 仓库，使用环境变量或配置中心管理。
• 定期轮换 Key，必要时对单个用户做调用频率限制。
• 如果团队规模较大，建议通过后端代理 AI 接口，而不是让前端直连。

8.2 对话上下文管理

AI 多轮对话需要保留上下文。MVP 阶段可以把最近 N 轮对话存入 Redis，设置过期时间，避免用户长时间不活跃导致上下文堆积。

示例伪代码：

public String chatWithContext(Long userId, String userMessage) { String historyKey = "chat:history:" + userId; // 从 Redis 读取最近 10 条记录 List<Map<String, String>> history = redisTemplate.opsForList().range(historyKey, -10, -1); String reply = aiChatService.chat(userMessage, history); // 写入本次问答 redisTemplate.opsForList().rightPush(historyKey, Map.of("role", "user", "content", userMessage)); redisTemplate.opsForList().rightPush(historyKey, Map.of("role", "assistant", "content", reply)); // 设置过期时间为 1 小时 redisTemplate.expire(historyKey, Duration.ofHours(1)); return reply; }

通过 Redis 保存上下文的前提是，问题不敏感。如果涉及用户隐私，需要评估数据存储方案与合规要求。

8.3 降级与容灾

AI 服务再稳定也可能出现不可用，因此业务链路要做降级设计：

• AI 调用失败时，问题仍然要保存成功，只是ai_answer为空。
• 前端展示时，AI 不可用区域显示"AI 服务繁忙，等待人工回答"。
• 对 AI 接口增加熔断机制，连续失败 N 次后暂停调用一段时间。
• 关键业务接口增加重试，但要注意避免重复扣费。

8.4 Token 消耗监控

大模型 API 是按 token 计费的，上线前必须对 token 消耗做监控。

建议在 AI 调用完成后，把响应中的 usage 字段保存到日志或数据库：

请求 ID、用户 ID、模型名称、提示词 token、生成 token、总计 token、耗时

这样每天可以算出用户维度的成本，设置预算上限，避免单个用户异常消耗大量 token。

8.5 数据库与接口安全

• 所有 SQL 操作都通过 MyBatis-Plus 条件构造器或参数绑定，避免字符串拼接导致 SQL 注入。
• 发布问题和回答接口要做内容长度校验，防止超长内容打满数据库。
• 敏感操作（如删除问题、修改用户信息）需要做权限校验，不能只看前端隐藏按钮。
• 上线前给数据库加好索引，尤其是question.status、question.user_id这些高频查询字段。

9. 总结与下一步学习方向

helppeer.ai 这个项目虽然看起来是一个垂直的互助社区，但把它拆开后，涉及的技术点其实覆盖了一条完整的技术链路：用户注册登录、业务数据建模、AI 大模型接入、异步任务、Redis 缓存、消息通知、部署上线。这是一道性价比很高的综合实战训练题。

本文给出的代码是 MVP 版本的核心骨架，你在实际开发中可以沿这个方向继续扩展：

• 接入 WebSocket，让用户实时收到"有人回答了你"的通知，提升互动率。
• 把 AI 回答改为流式输出（SSE），逐字展示回答内容，体验会好很多。
• 引入消息队列（RocketMQ 或 RabbitMQ），把 AI 调用、积分赠送、通知发送解耦。
• 用向量数据库 + Embedding 做技能标签推荐，让同伴匹配更准确。
• 给问题列表增加 Elasticsearch 或 MySQL 全文索引，优化搜索体验。

总体来看，helppeer.ai 这类产品能不能做好，除了工程实现外，更重要的是产品机制——怎么让提问者快速获得高质量答案，怎么让回答者愿意持续贡献。技术上，我们要保证的是：AI 回答快、同伴匹配准、系统稳定可扩展。

如果你正在搭建类似项目，可以从本文的代码骨架开始，先把"提问 → AI 回答 → 匹配同伴"这条主链路跑通，再逐步叠加消息通知、积分体系、搜索等模块。技术选型不是最难的，难的是把每个环节的异常处理和服务降级做扎实。希望这篇文章对你的项目有帮助，也欢迎在评论区交流你在开发 AI 互助平台时遇到的问题。