一、写在前面

本次项目选题为 基于人工智能的健康日志与智能建议系统。作为负责AI模块与全栈协助的开发人员，我在项目初期对后端整体架构进行了深入分析，并围绕AI能力的接入与扩展做出了清晰的预先构想。

本文将基于项目已确定的技术栈和分层结构，梳理后端整体架构的特点，并结合业务需求对AI模块的设计思路进行阐述。

---

二、项目技术栈与整体架构概览

2.1 核心技术选型

项目后端采用经典的 Spring Boot 3.2.0 + Spring Data JPA + MySQL 技术组合，辅以以下关键组件：

技术组件	用途	版本
Spring Security + JWT	无状态认证	JJWT 0.11.5
Spring Cache + Ehcache	热点数据缓存	-
SpringDoc OpenAPI	自动API文档生成	2.0.2

2.2 三层架构的现代化实践

项目严格遵循 表现层（Controller）→ 业务逻辑层（Service）→ 数据访问层（Repository） 的经典三层架构：

┌─────────────────────────────────────────────────────────────┐
│                    Controller Layer                         │
│  AiHealthAnalysisController / FoodRecordController / ...    │
├─────────────────────────────────────────────────────────────┤
│                    Service Layer                            │
│  AiHealthAnalysisService / *SummaryService / *Service      │
├─────────────────────────────────────────────────────────────┤
│                    Repository Layer                         │
│  HealthAnalysisRecordRepository / *Repository              │
├─────────────────────────────────────────────────────────────┤
│                      MySQL Database                         │
└─────────────────────────────────────────────────────────────┘

架构增强亮点：

1. Config层集中管理：JWT工具、安全配置、Swagger配置均独立为配置类
2. Summary服务独立抽象：针对饮食、运动、睡眠等维度，专门设计了SummaryService层负责数据聚合统计
3. Util工具类沉淀：PhotoConverter、ResponseBuilder等封装通用操作
4. DTO隔离：通过数据传输对象隔离内部实体与外部交互
5. 全局异常处理：统一错误响应格式

---

三、AI模块在整体架构中的定位

3.1 AI模块职责边界

根据业务需求，AI模块主要负责：

• 健康分析报告生成：调用大模型API生成基于用户健康数据的分析报告
• 报告持久化管理：保存、查询、删除分析记录，支持收藏功能
• 健康等级计算：从AI响应中提取并计算健康等级

3.2 AI模块与现有服务的协作关系

AI模块通过以下流程与各基础服务协作：

用户请求生成分析报告
       ↓
AiHealthAnalysisController 接收请求
       ↓
AiHealthAnalysisService.generateHealthAnalysis(username, startDate, endDate)
       ↓
调用各SummaryService获取聚合数据
├── FoodRecordSummaryService.getFoodRecordSummary()
├── SleepRecordSummaryService.getSleepRecordSummary()
├── WorkoutSummaryService.getWorkoutSummary()
├── MoodRecordSummaryService.getMoodRecordSummary()
└── WeightRecordSummaryService.getWeightRecordSummary()
       ↓
构建结构化提示词 + 调用讯飞MaaS API
       ↓
解析大模型返回内容，提取健康等级
       ↓
构建HealthAnalysisRecord实体并持久化
       ↓
返回分析报告给前端展示

3.3 核心实体设计

HealthAnalysisRecord实体设计如下：

字段	类型	说明
id	Long	主键ID
username	String	关联用户名
startDate / endDate	String	分析周期范围
analysisContent	LONGTEXT	AI生成的分析内容
healthLevel	String	健康等级（优秀/良好/一般/需改善）
favorited	boolean	是否收藏
createdAt	Date	创建时间
notes	LONGTEXT	用户备注

---

四、AI模块的预先构想

4.1 提示词工程设计思路

项目采用 结构化提示词模板，确保大模型输出高质量、格式化的健康报告。提示词结构包含：

1. 角色定义：明确AI为专业健康分析师
2. 分析周期：指定日期范围
3. 重要说明：强调无记录不代表不健康
4. 用户数据：饮食、运动、睡眠、情绪、体重五个维度
5. 输出要求：严格的格式规范和内容要求
6. 健康评价体系：统一的评价标准和等级定义

关键设计原则：

• 数据驱动：所有分析基于实际记录数据
• 客观中立：缺少记录不扣分，基于已有数据评价
• 格式约束：强制使用Markdown结构输出，便于前端解析展示

4.2 大模型API封装策略

• 请求超时处理：连接超时120秒，读取超时120秒
• 异常分类处理：
  • 401：API认证失败
  • 400：请求参数错误
  • 429：请求频率过高
  • 500：服务器错误
• 响应解析：从choices中提取message.content
• 健康等级提取：通过正则表达式从响应内容中提取综合评价

4.3 健康等级计算机制

// 优先提取综合评价
Pattern pattern = Pattern.compile("综合评价[:：]?\\s*【?([优秀良好一般需改善]+)】?");

// 若无综合评价，则基于各维度评价计算平均分
// 优秀=4分，良好=3分，一般=2分，需改善=1分
// 四舍五入得到综合等级

4.4 报告管理功能

AI模块提供完整的报告生命周期管理：

功能	方法	说明
生成分析	generateHealthAnalysis()	调用大模型生成分析报告
保存记录	saveAnalysisRecord()	持久化分析结果
查询历史	getAnalysisHistory()	获取用户所有分析记录
收藏管理	toggleFavorite()	切换收藏状态
按等级筛选	getAnalysisByHealthLevel()	按健康等级过滤记录
批量删除	batchDeleteRecords()	批量删除指定记录

---

五、未来扩展方向

5.1 定时任务集成

计划引入 Spring Scheduler 实现：

• 每日健康日报：自动生成当日健康小结
• 周报/月报自动生成：定期汇总分析
• 健康预警推送：异常指标自动提醒

5.2 多模型支持

设计统一的AI服务接口，支持多模型提供商（以deepseek和chatgpt为例）：

┌───────────────────────────────────────┐
│          AIService (接口)             │
│     generateAnalysis(prompt)         │
├──────────────────────────────────────┤
│  ┌───────────────┐  ┌─────────────┐  │
│  │ DeepseekImpl  │  │ OpenAIImpl  │  │
│  │ Deepseek      │  │  OpenAI     │  │
│  └───────────────┘  └─────────────┘  │
└───────────────────────────────────────┘

5.3 图片识别功能探索

结合用户上传的食物照片、可穿戴设备截图，调用图像识别API进行：

• 食物营养成分识别
• 运动数据自动提取
• 睡眠监测数据解析

---

六、总结

本项目的AI模块设计遵循 数据聚合与AI生成解耦 的原则，通过SummaryService获取结构化数据，再通过精心设计的提示词工程调用大模型生成专业健康报告。当前实现已具备完整的报告生成、存储和管理能力，未来可通过定时任务、多模型支持、图片识别等方向进一步扩展AI能力。

这种架构设计的优势在于：

• 业务逻辑内聚：AI模块专注于分析逻辑，不关心数据存储细节
• 横向扩展方便：可轻松添加新的健康维度或更换大模型提供商
• 对前端友好：统一的API接口和格式化输出便于前端展示