本项目是一款面向年轻用户的社交 + AI 智能推荐平台,核心功能模块包括:
用户身份与关系管理:支持手机号 / 第三方账号快速注册、个人资料编辑、好友添加 / 分组、黑名单管理等,满足用户建立和管理社交关系的需求。
动态内容发布与互动:用户可发布图文、短视频动态,系统支持点赞、评论、转发、收藏等互动操作,并通过 AI 算法实现内容智能排序,提升用户浏览体验。
AI 智能推荐与匹配:基于用户行为数据和兴趣标签,通过协同过滤与深度学习模型,精准推荐好友、话题和内容,同时提供 AI 聊天助手,辅助用户破冰和话题引导。
实时通讯与社群运营:内置单聊 / 群聊功能,支持消息已读回执、文件传输、语音通话;同时提供话题社群、兴趣小组运营能力,方便用户沉淀同好圈层。
数据看板与运营后台:为运营人员提供用户增长、内容热度、互动率等核心数据看板,支持内容审核、用户行为分析和活动配置,提升运营效率。
本项目由12 人团队历时 6 个月完成,其中产品 2 人、UI/UE 2 人、后端开发 4 人、前端开发 2 人、AI 算法 2 人、测试 1 人。我作为后端技术负责人,主要负责:
主导系统架构设计,基于 Spring Cloud Alibaba 构建微服务体系,实现用户、内容、推荐、通讯四大核心服务的解耦与独立迭代;
负责用户认证、权限控制、消息队列(Kafka)和分布式缓存(Redis)的核心代码开发;
协同 AI 团队完成推荐模型的服务化封装,通过 gRPC 实现模型推理接口的高效调用。
技术栈方面,后端采用 Java + Spring Boot + Spring Cloud,数据库使用 MySQL(主业务)+ MongoDB(非结构化内容),缓存依赖 Redis;前端使用 React + TypeScript + Next.js 构建 SSR 应用,提升首屏加载速度和 SEO 表现;AI 模块基于 TensorFlow 2.x 训练协同过滤和深度兴趣网络(DIN)模型,并通过 Docker 容器化部署到 K8s 集群。
项目亮点在于:
实现了多级缓存策略,将热点数据命中率提升至 95% 以上,支撑了峰值 10 万 QPS 的并发访问;
通过灰度发布 + 全链路压测,保障了大版本迭代的稳定性,线上故障时长控制在分钟级;
AI 推荐模型的 A/B 测试显示,用户停留时长提升 28%,内容点击率提升 19%,有效提升了产品核心指标。