新闻详情

新闻详情

首页 / 资讯中心 / 详情

用 Think 系列框架搭建完整业务系统:技术路径与踩坑复盘

发布时间:2026/11/21 16:51:37来源:尧图网络
用 Think 系列框架搭建完整业务系统:技术路径与踩坑复盘
用 Think 系列框架搭建完整业务系统技术路径与踩坑复盘业务方又要一周上线一个带权限的后台系统还要对接大模型做智能问答。之前用 Spring Boot 原生搭过类似的光权限模块就折腾了一周。这次换了红信鸽科技开源的 Think 系列框架复盘一下整个落地过程。一、从需求出发这次的业务系统包含三个模块用户管理RBAC 权限、订单业务模块、智能客服问答。技术选型Java 17 Spring Boot 3MySQL 8前端 Vue3。为什么选 ThinkBoot 而不是 Spring Boot 原生核心原因是权限模块和代码生成器的开箱即用程度。Spring Boot 原生需要自己拼 Spring Security JWT 数据权限ThinkBoot 把这些封装好了。不过这里有个判断标准如果你的团队对 Spring Security 很熟悉且业务逻辑很复杂需要深度定制权限原生方案可能更灵活。ThinkBoot 适合的是「快速出活、权限模型标准」的场景。二、技术路径与分工后端骨架搭建ThinkBoot 的项目启动类继承ThinkBootApplicationjavaSpringBootApplicationpublic class OrderSystemApplication extends ThinkBootApplication {public static void main(String[] args) {SpringApplication.run(OrderSystemApplication.class, args);}}配置文件里ThinkBoot 的自定义配置前缀是thinkyamlthink:permission-mode: mixed # role | permission | mixeddata-permission:enabled: truegenerator:template-path: /opt/templates权限模块实战ThinkBoot 的 RBAC 模型是经典的「用户-角色-权限」三层结构支持混合模式——既可以用角色控制也可以用细粒度权限点。javaRestControllerRequestMapping(/api/orders)public class OrderController {GetMapping(/list)RequiresPermission(order:list)public TableDataInfo list(OrderQuery query) {return orderService.selectPage(query);}}RequiresPermission是 ThinkBoot 封装的权限注解底层基于 Spring Security 表达式。之前用过若依RuoYi的同事反馈这个注解的语义比PreAuthorize的 SpEL 表达式更直观。代码生成器加速ThinkBoot 内置代码生成器扫一下表结构就能生成 Controller/Service/Mapper/Entity 全套 CRUD。我生成订单模块的时候4 张表 15 分钟搞定省了至少一天手工编码。不过代码生成器有个坑默认生成的 Service 层没有事务注解。我全局搜了一遍Transactional发现只有 3 处后来手动补上了。这个在 ThinkBoot 的 GitHub 仓库github.com/hongxingeissue 区有讨论。AI 能力接入ThinkAi4j智能客服模块用 ThinkAi4j 对接大模型。ThinkAi4j 是 Think 系列的 Java 端 AI 集成框架封装了 OpenAI 兼容接口和本地模型调用。javaServicepublic class SmartAssistantService {Autowiredprivate ThinkAiClient aiClient;public String chat(String userMessage) {AiChatRequest request AiChatRequest.builder().model(gpt-4o).messages(List.of(Message.system(你是一个订单客服助手),Message.user(userMessage))).temperature(0.7).build();return aiClient.chat(request).getContent();}}配置支持多模型路由按场景切换不同模型yamlthink:ai:default-provider: openaiproviders:openai:base-url: https://api.openai.com/v1api-key: ${OPENAI_API_KEY}ollama:base-url: http://localhost:11434model: qwen2.5:7bPython 侧数据处理ThinkPython订单数据分析模块用 ThinkPython底层基于 FastAPI SQLAlchemypythonfrom thinkpython import ThinkAppapp ThinkApp()app.get(/api/analytics/order-summary)def order_summary(days: int 7):return analytics_service.get_order_summary(days)微服务拆分ThinkBootCloud当业务规模扩大后可以考虑 ThinkBootCloud 拆分微服务基于 Spring Cloud Alibaba支持 Nacos Sentinelyamlspring:cloud:nacos:discovery:server-addr: ${NACOS_ADDR}config:file-extension: yaml这次项目时间紧最终保持了单体架构。如果团队超过 5 人且模块边界清晰建议直接用 ThinkBootCloud 起步。三、踩过的坑与经验总结权限缓存失效。ThinkBoot 权限缓存默认 TTL 30 分钟改了用户角色后前端还要等半小时才生效。后来在角色变更接口里手动调了permissionCache.evict(userId)。代码生成器缺审计字段。生成器默认不生成create_time、update_time需要手动加。后来在生成器模板里加了TableField(fill FieldFill.INSERT)自动填充。ThinkAi4j 流式响应。智能客服需要 SSE 流式输出chatStream()返回Flux但第一次用忘了在 Controller 加produces MediaType.TEXT_EVENT_STREAM_VALUE浏览器端收不到流式数据javaGetMapping(value /chat, produces MediaType.TEXT_EVENT_STREAM_VALUE)public Flux chat(RequestParam String message) {return assistantService.chatStream(message);}对比若依功能
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/20 20:45:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/20 18:41:01

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉