GaolBB的博客

在商城运营时，我们可能是多个人员共同操作我们的系统，但是每个操作人员所具备的权限应该不同，权限的不同主要表现在两个部分，即导航菜单的查看权限和页面增删改操作按钮的操作权限。我们的把页面导航菜单查看权限和页面操作按钮统一存储在菜单数据库表中，菜单类型页面资源的类型。类型包括目录 、菜单 、按钮。

使用进行分页的时候，是无法进行一对多、多对多的分页的。最主要的原因是因为，该框架无法清楚count的依据是什么，以哪个表算出来的行数为准，但是我们所有的分页格式已经统一好使用IPage对象了，那么该如何适配一对多、多对多分页呢？

在数字经济时代，电商平台的发展正在从“千人一面”的粗放式推荐向“千人千面”的个性化智能推荐转变。尤其随着生成式大语言模型（LLM）技术的兴起和多模态深度学习能力的增强，传统推荐系统在建模用户兴趣和理解物品语义方面暴露出诸多局限。

在一个成熟的电商平台中，订单模块是交易流程的核心，它承接着用户的购买意图、促成支付行为，并成为后续物流履约和评价反馈的基础。在本篇文章中，我们将围绕商城小程序中订单模块的完整生命周期展开讲解，涵盖用户下单、订单提交、支付、状态流转、详情展示等核心功能，结合前后端真实代码，实现逻辑清晰可复现。我们在实现上划分前端、小程序逻辑（如状态判断、按钮展示），以及后端多模块协同（订单、商品、SKU、缓存等），再辅以支付与推荐模块对接，形成完整闭环。/p/myOrder：订单列表、详情、状态更新（取消/确认收货/删除）

CDATA[ put_away_time >= DATE_SUB(...) ]]>put_away_time >= NOW() - INTERVAL 7 DAY，按 put_away_time DESC。ori_price - price ≥ 5% 且 deal_start < NOW() < deal_end。SecurityUtils.getUser().getUserId() 安全透传。up-to-date / hot-sale / more-prod 三类卡片。

AI评论总结”模块不仅是技术实现上的一次整合，更是对用户体验的深度优化尝试。我们用大模型承担了原本需要用户自行阅读、筛选、判断的任务，让决策链条更短、转化更高。从细节来看，这一功能也推动了商品数据结构的标准化、评论内容的可读化和平台智能化运营能力的整体提升。在传统电商平台中，商品评价通常按时间或评分排序，用户需自行阅读大量评论才能“看出门道”。如果你对我们这一功能的模型调试、Prompt工程、前后端异步逻辑等感兴趣，欢迎留言交流～：结合聚类算法，对评论划分“香味好闻”“清爽”“包装差”等话题；

AI购物助手模块的实现，不仅仅是技术集成的过程，更是一次围绕“用户需求理解”的系统思考与工程实践。通过大模型能力的注入，我们得以用“聊天”的方式重构电商交互流程，让推荐变得更温柔、更人性、更精准。传统的电商系统依赖关键词搜索与分类导航，用户若不清楚商品名称，往往需要多次尝试关键词、跳转页面，才能找到目标产品。这一探索，为未来基于LLM的电商智能体（Agent）提供了一个实践样本，也让我们对个性化推荐系统有了更进一步的理解。LLM服务部署在Python后端，暴露两个接口，使用DeepSeek-V3模型调用。

在商城类项目中，“我的足迹”模块表面看是一个记录浏览历史的功能，但在我设计之初，我的目标远不止于此：因此，我决定围绕“我的足迹”模块，实现以下功能目标：按日期展示用户浏览商品历史美观的前端瀑布流式布局服务端返回结构合理、便于处理的结构体每次足迹记录还能更新推荐评分矩阵，为个性推荐服务最终作为构造用户画像的核心信息之一为了支撑足迹模块的展示与功能拓展，我定义了以下两个关键数据结构：使用 MyBatis XML 实现 SQL 联表查询：这是最核心的服务层逻辑：我使用 UniApp（Vue3

接口设计

功能设计

数据库商品表设计

带着这个问题，本周我们系统阅读了四篇发表在ICLR 2024顶会上的代表性多模态LLM论文：NExT-GPT、DreamLLM、LaVIT、MoE-LLaVA，分别从“任意模态处理能力”“生成理解协同”“统一视觉语言预训练”“稀疏专家结构”等方向，展现了当前MLLM的发展趋势和关键创新。LaVIT最大的创新点是“将图像内容标记化”，即通过视觉离散化模块，把图片转化为离散的token，然后输入语言模型处理，从而实现视觉与文本在输入层就对齐的能力。传统的MLLM往往只强调感知理解，但忽视内容生成的能力。

config配置类