SpringBoot整合AI大模型：影视评论舆情可视化平台设计与实现

SpringBoot 和 AI 大模型同时出现在毕业设计选题里很多同学第一反应是“这是个噱头项目”第二反应是“我根本调不明白大模型”。说实话这个判断只对了一半。影视评论舆情数据可视化分析平台这个题目难的不是 AI 大模型本身而是怎么把大模型能力、后端业务逻辑、前端可视化三条线串成一个能演示、能答辩、能写进论文的系统。如果你正在选毕业设计题目或者已经选了类似题目但卡在“AI 接入”这一步这篇文章会把整条技术链路拆开讲清楚从数据集准备、SpringBoot 后端架构、AI 大模型情感分析接入到 Vue ECharts 可视化大屏再到部署和答辩注意事项。先说结论这类项目真正的核心竞争力是“数据有来源、分析有深度、展示有亮点、答辩有话说”。大模型只是其中一个增强模块不是全部。接下来我就按实际开发顺序把每一步怎么做、为什么这么做、踩坑点在哪里完整过一遍。1. 这类毕设项目的本质它到底在考核什么先想清楚一个问题为什么影视评论舆情分析会被反复选作毕业设计题目因为它的数据可以公开获取、分析维度足够丰富、可视化效果足够漂亮而且能天然结合当前热门的大模型技术。但它的难点也恰恰在这里数据从哪里来、大模型怎么接、可视化怎么做得不像“毛坯房”。从考核角度来看毕业设计评审老师一般关注四件事。第一系统能不能跑起来。这是底线但也是很多同学翻车的地方。环境配置不一致、依赖冲突、数据库连不上任何一个问题都可能导致演示现场崩溃而这些问题其实在开发阶段完全可以通过工程化手段规避。第二工作量是否饱满。如果只是把 Excel 里的数据导入数据库然后查出来展示那工作量连中期检查都过不去。合理的工作量应该包含数据采集与预处理、数据库设计、后端接口开发、AI 分析能力集成、可视化大屏设计、测试与 bug 修复。第三技术是否用到了点子上。很多人以为用了 AI 大模型算法就算“用了大模型”其实不是。真正有效的方式是让大模型参与舆情分析的核心环节比如情感分类、观点提取、摘要生成并且能明确说出“哪条数据、经过哪个模型、得到了什么结论”。第四论文是否有逻辑。有些系统做得很炫但论文写得像流水账。论文的逻辑应该和系统架构一一对应从需求分析到概要设计到详细设计到测试每一步都能在代码里找到对应实现。把这个逻辑理顺后你就明白这类项目的开发主线应该是先搭数据底座再做后端业务再接 AI 分析最后做可视化展示每个环节之间要有明确的输入输出关系。2. 系统总体架构与技术选型2.1 整体架构影视评论舆情数据可视化分析平台的典型架构是前后端分离前端层Vue 3 Element Plus ECharts Axios 后端层SpringBoot 3.x MyBatis-Plus Spring Validation 数据层MySQL 8.x业务数据 Redis缓存可选 AI 能力层HTTP 接口方式接入大模型服务做情感分析和摘要生成 数据准备层Python 脚本完成 CSV 数据清洗与入库前后端分离的好处是职责清晰前端只管展示和交互后端只管业务逻辑和数据处理AI 能力作为后端的一个独立模块存在。这样即使大模型模块出问题也不会影响整个系统运行——这一点在答辩现场非常重要。2.2 技术选型的核心判断SpringBoot 版本选型SpringBoot 版本不用追最新也不要用太老的。毕业设计场景下3.x 是比较合适的选择因为它在配置上更简洁同时兼容最新的 JDK 17 或 21。如果你在配置过程中遇到“springboot版本太高”导致某些依赖不兼容的问题解决思路是统一依赖版本而不是整体降级。具体来说SpringBoot 3.x 要求 JDK 17 以上MyBatis-Plus 3.5.5MySQL 驱动换为 com.mysql.cj.jdbc.Driver。数据库选型MySQL 8.x 完全够用。影视评论数据量级基本在万条级别单表查询不会出现性能瓶颈。不需要引入复杂的分布式数据库。AI 能力接入方式这是很多同学纠结的地方是直接用 Python 做大模型调用还是在 Java 项目里调答案是大模型服务单独部署或直接通过 HTTP API 访问后端用 Java 的 HTTP 客户端发起调用。不要试图在 SpringBoot 项目里“内嵌”一个大模型那不是毕设该做的事。这里用到的核心点是把大模型能力抽象成一个服务接口。你可以使用大模型平台提供的标准 OpenAI 兼容接口也可以使用国内平台提供的 API。只要接口格式是标准 HTTP JSONJava 后端就可以很好地对接。可视化技术选型ECharts 是数据可视化领域最成熟的方案适合做舆情分析平台的折线图、柱状图、饼图、词云、舆情情感分布图等。Vue 3 ECharts 的组合在企业项目和毕业设计中都很常见教程资源丰富遇到问题容易查到解决方案。3. 环境准备与前置条件为了避免“代码没问题但环境跑不起来”的尴尬环境准备阶段要按下面的清单逐项确认。组件版本建议用途注意事项JDK17 或 21Java 运行环境SpringBoot 3.x 不支持 JDK 8Maven3.8依赖管理与构建使用阿里云镜像加速依赖下载MySQL8.0业务数据库注意字符集设置为 utf8mb4Node.js16前端开发环境Vue 3 和 Vite 要求IDEIntelliJ IDEA / VS Code开发调试后端建议 IDEA前端可用 VS CodeRedis可选缓存热点数据非必须但写了可以提升工作量3.1 JDK 与 Maven 配置JDK 安装后必须检查版本java -version mvn -version如果本地装了多个 JDK 版本建议在项目中明确指定!-- pom.xml -- properties java.version17/java.version /properties3.2 MySQL 初始化创建数据库时指定字符集避免中文乱码CREATE DATABASE IF NOT EXISTS movie_sentiment_db DEFAULT CHARACTER SET utf8mb4 DEFAULT COLLATE utf8mb4_general_ci;3.3 Node.js 与前端环境前端使用 Vite Vue 3初始化命令npm create vitelatest movie-frontend -- --template vue cd movie-frontend npm install axios element-plus echartsVersion 版本较高时npm install 可能出现引擎兼容提示使用npm config set engine-strict false即可忽略。4. 数据层设计数据从哪来如何入库影视评论舆情分析的前提是数据。但直接爬取真实视频网站评论存在两个问题一是合规风险二是反爬机制。毕业设计场景下更稳妥的方式是准备一份公开的影视评论数据集CSV 格式字段一般包括评论 ID、评论内容、所属影视作品、评论时间、评分、点赞数、评论者昵称等。4.1 数据表结构设计CREATE TABLE movie_comment ( id BIGINT AUTO_INCREMENT PRIMARY KEY, movie_name VARCHAR(255) NOT NULL COMMENT 影视作品名称, comment_content TEXT NOT NULL COMMENT 评论内容, comment_time DATETIME DEFAULT NULL COMMENT 评论时间, rating DECIMAL(2,1) DEFAULT NULL COMMENT 用户评分, like_count INT DEFAULT 0 COMMENT 点赞数, sentiment_label VARCHAR(20) DEFAULT unknown COMMENT 情感标签: positive/negative/neutral, sentiment_score DECIMAL(3,2) DEFAULT NULL COMMENT 情感得分, ai_summary VARCHAR(1000) DEFAULT NULL COMMENT AI 摘要, create_time DATETIME DEFAULT CURRENT_TIMESTAMP ) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COMMENT影视评论舆情表;注意很多同学会忘记加utf8mb4导致表情符号和特殊字符入库报错。这个细节在答辩时被问到也不丢人处理好了反而是加分项。4.2 数据入库方式不推荐在系统启动时用 SQL 文件打数据因为耦合太强。更好的方式是用 Python 脚本读取 CSV 文件清洗后写入 MySQL# data_import.py import pandas as pd import pymysql df pd.read_csv(movie_comments.csv) df df.dropna(subset[comment_content]) conn pymysql.connect( hostlocalhost, userroot, passwordyour_password, databasemovie_sentiment_db, charsetutf8mb4 ) cursor conn.cursor() sql INSERT INTO movie_comment(movie_name, comment_content, comment_time, rating, like_count) VALUES (%s, %s, %s, %s, %s) for _, row in df.iterrows(): cursor.execute(sql, ( row[movie_name], row[comment_content], row[comment_time], row[rating], row[like_count] )) conn.commit() cursor.close() conn.close() print(数据导入完成)这段脚本的本质是完成数据格式统一、剔除空值、字段映射入库。这样后端只需要关注业务接口不需要关心数据从哪里来。5. SpringBoot 后端架构与核心代码后端要完成的核心能力包括影视作品管理、评论查询与筛选、统计分析接口、AI 情感分析接口。5.1 项目结构src/main/java/com/example/movieanalysis ├── controller │ ├── MovieController.java │ ├── CommentController.java │ └── AnalysisController.java ├── service │ ├── MovieService.java │ ├── CommentService.java │ ├── AISentimentService.java │ └── impl │ ├── MovieServiceImpl.java │ └── CommentServiceImpl.java ├── mapper │ ├── MovieMapper.java │ └── CommentMapper.java ├── entity │ ├── Movie.java │ └── Comment.java ├── config │ └── CorsConfig.java └── common ├── Result.java └── GlobalExceptionHandler.java统一返回结构Result是必须的它可以保证前端解析后端数据的逻辑统一// common/Result.java public class ResultT { private Integer code; private String message; private T data; public static T ResultT success(T data) { ResultT result new Result(); result.code 200; result.message success; result.data data; return result; } public static T ResultT error(String message) { ResultT result new Result(); result.code 500; result.message message; return result; } // getter/setter 省略 }5.2 核心查询接口评论分页查询是系统的基础接口前端列表页和舆情明细页都会用到// controller/CommentController.java RestController RequestMapping(/api/comments) public class CommentController { Autowired private CommentService commentService; GetMapping(/page) public ResultIPageComment page( RequestParam(defaultValue 1) Integer pageNum, RequestParam(defaultValue 10) Integer pageSize, RequestParam(required false) String movieName, RequestParam(required false) String sentiment) { return Result.success(commentService.pageComments(pageNum, pageSize, movieName, sentiment)); } }MyBatis-Plus 可以用 LambdaQueryWrapper 完成条件组合// service/impl/CommentServiceImpl.java Override public IPageComment pageComments(Integer pageNum, Integer pageSize, String movieName, String sentiment) { PageComment page new Page(pageNum, pageSize); LambdaQueryWrapperComment wrapper new LambdaQueryWrapper(); wrapper.like(StringUtils.isNotBlank(movieName), Comment::getMovieName, movieName) .eq(StringUtils.isNotBlank(sentiment), Comment::getSentimentLabel, sentiment) .orderByDesc(Comment::getCommentTime); return commentMapper.selectPage(page, wrapper); }5.3 统计接口大屏需要展示评论总数、影视作品数、情感分布、热门作品排序、时间趋势等。统计接口一般放在AnalysisController中// controller/AnalysisController.java RestController RequestMapping(/api/analysis) public class AnalysisController { Autowired private CommentMapper commentMapper; GetMapping(/sentiment-distribution) public ResultListMapString, Object sentimentDistribution(RequestParam String movieName) { ListMapString, Object list commentMapper.selectSentimentDistribution(movieName); return Result.success(list); } GetMapping(/trend) public ResultListMapString, Object trend(RequestParam String movieName) { ListMapString, Object list commentMapper.selectTrend(movieName); return Result.success(list); } }对应的 Mapper XML!-- resources/mapper/CommentMapper.xml -- select idselectSentimentDistribution resultTypemap SELECT sentiment_label AS name, COUNT(*) AS value FROM movie_comment WHERE movie_name #{movieName} GROUP BY sentiment_label /select select idselectTrend resultTypemap SELECT DATE_FORMAT(comment_time, %Y-%m-%d) AS date, COUNT(*) AS count FROM movie_comment WHERE movie_name #{movieName} GROUP BY DATE_FORMAT(comment_time, %Y-%m-%d) ORDER BY date /select这里有个容易踩坑的点Mapper 接口的方法如果返回ListMapString, ObjectXML 里必须制定resultTypemap否则会报类型转换错误。6. AI 大模型接入从“玩具功能”到“答辩亮点”这是整个项目最有区分度的部分。很多同学把 AI 大模型写进简历但一问细节就答不上来。这里我给出一个能真正落地的方案让大模型对影视评论做情感分析和内容摘要并将结果写回数据库。6.1 技术选型HTTP 接口接入为什么不用 Python 单独开服务因为这会引入跨语言调用增加部署复杂度。更简洁的方式是后端直接调用大模型 HTTP API。这里以大模型平台提供的“OpenAI 兼容接口”为例核心逻辑是构造请求体并解析响应。6.2 核心代码// service/AISentimentService.java Service public class AISentimentService { Value(${ai.api.key}) private String apiKey; Value(${ai.api.url}) private String apiUrl; Value(${ai.api.model}) private String model; public String analyzeSentiment(String comment) { String prompt 请对以下影视评论进行情感分析只输出 JSON 格式 {\sentiment_label\:\positive/negative/neutral\, \sentiment_score\:0.0, \summary\:\一句话摘要\}\n\n 评论内容 comment; String response callAI(prompt); return response; } private String callAI(String prompt) { try { HttpClient client HttpClient.newHttpClient(); String body { model: %s, messages: [{role: user, content: %s}], temperature: 0.3 } .formatted(model, escape(prompt)); HttpRequest request HttpRequest.newBuilder() .uri(URI.create(apiUrl)) .header(Content-Type, application/json) .header(Authorization, Bearer apiKey) .POST(HttpRequest.BodyPublishers.ofString(body)) .build(); HttpResponseString httpResponse client.send(request, HttpResponse.BodyHandlers.ofString()); return httpResponse.body(); } catch (Exception e) { log.error(调用大模型接口失败, e); return {\sentiment_label\:\neutral\, \sentiment_score\:0.5, \summary\:\AI 调用失败使用默认结果\}; } } private String escape(String text) { return text.replace(\\, \\\\) .replace(\, \\\) .replace(\n, \\n); } }这段代码有四个关键点第一Value注入配置保证 API Key 不写在代码里而是写在application.yml或环境变量中。第二提示词Prompt里明确要求输出 JSON 格式这是为了后续解析方便。如果没有指定格式大模型可能返回一大段自然语言导致 JSON 解析失败。第三temperature设置为 0.3让输出更稳定减少随机性。第四调用失败时返回默认结果保证系统不会因为 AI 接口异常而整体崩溃——这是一个非常实用的容错设计。6.3 解析大模型返回结果// common/AIResultParser.java public class AIResultParser { public static SentimentResult parse(String response) { try { JSONObject outer JSONObject.parseObject(response); String content outer.getJSONArray(choices) .getJSONObject(0) .getJSONObject(message) .getString(content); // 大模型可能用 json 包裹需要清理 content content.replace(json, ).replace(, ).trim(); JSONObject result JSONObject.parseObject(content); return new SentimentResult( result.getString(sentiment_label), result.getDoubleValue(sentiment_score), result.getString(summary) ); } catch (Exception e) { return new SentimentResult(neutral, 0.5, 解析失败); } } }这里最隐蔽的坑是大模型在输出 JSON 时有时会加上 Markdown 代码块标记json。如果你不清理就直接parseObject几乎必然报错。6.4 批量分析功能实际使用中不可能每看一条评论就调用一次 AI 接口。更合理的方式是做一个异步批量任务从数据库中查询还没有sentiment_label的记录逐条调用大模型分析然后批量更新回数据库。这样既保证分析全覆盖又避免阻塞主线程。// service/AsyncAnalysisService.java Service public class AsyncAnalysisService { Async(analysisExecutor) public void batchAnalyze(ListComment comments) { for (Comment comment : comments) { if (StringUtils.isBlank(comment.getSentimentLabel()) || unknown.equals(comment.getSentimentLabel())) { String raw aiSentimentService.analyzeSentiment(comment.getCommentContent()); SentimentResult result AIResultParser.parse(raw); comment.setSentimentLabel(result.getSentimentLabel()); comment.setSentimentScore(result.getSentimentScore()); comment.setAiSummary(result.getSummary()); commentMapper.updateById(comment); // 注意控制调用频率避免触发接口限流 try { Thread.sleep(100); } catch (InterruptedException e) { Thread.currentThread().interrupt(); } } } } }任务线程池需要单独配置// config/AsyncConfig.java Configuration EnableAsync public class AsyncConfig { Bean(analysisExecutor) public Executor analysisExecutor() { ThreadPoolTaskExecutor executor new ThreadPoolTaskExecutor(); executor.setCorePoolSize(2); executor.setMaxPoolSize(4); executor.setQueueCapacity(100); executor.setThreadNamePrefix(ai-analysis-); executor.initialize(); return executor; } }线程池配置的意义在于毕设项目虽然不需要高并发但通过线程池隔离 AI 任务和普通请求可以避免 AI 调用阻塞用户页面请求。这个设计在论文中也可以作为“性能优化”章节的内容。6.5 关于大模型能力的边界需要明确一个观点大模型在这个系统中的作用不是替代传统情感分析算法而是提供一种更灵活、更接近人的分析方式。传统基于词典的情感分析实现简单但无法处理反讽、谐音梗、网络新词大模型能理解上下文但调用成本更高、响应时间更长。在实际系统中更合理的设计是先用量化规则或低成本模型做初步分类只有对“不确定”的评论才调用大模型复审。但作为毕业设计为了展示大模型能力可以简化逻辑所有新增评论都调用大模型分析同时把传统分析结果作为对比可选功能。7. 数据可视化大屏把数据变成答辩的说服力7.1 可视化模块设计前端是整个项目中“最容易被看见”的部分。一个大屏页面的核心指标包括总评论数、总作品数、平均评分、正向评论占比评论数量时间趋势折线图情感分布饼图/环形图电影热度排行 TOP10横向柱状图评论关键词词云如有分词条件可选最新评论列表滚动表格7.2 Vue3 ECharts 示例!-- src/components/SentimentPieChart.vue -- template div refchartRef classchart/div /template script setup import * as echarts from echarts; import { ref, onMounted, onBeforeUnmount } from vue; import axios from axios; const chartRef ref(null); let chart null; const loadData async () { const res await axios.get(/api/analysis/sentiment-distribution, { params: { movieName: } }); const data res.data.data.map(item ({ name: item.name, value: item.value })); render(data); }; const render (data) { chart echarts.init(chartRef.value); chart.setOption({ tooltip: { trigger: item }, legend: { bottom: 0% }, series: [{ name: 情感分布, type: pie, radius: [40%, 70%], avoidLabelOverlap: false, itemStyle: { borderRadius: 10, borderColor: #fff, borderWidth: 2 }, label: { show: true, formatter: {b}: {d}% }, data: data }] }); }; onMounted(() { loadData(); }); onBeforeUnmount(() { if (chart) { chart.dispose(); } }); /script style scoped .chart { width: 100%; height: 360px; } /style这段代码最需要向用户强调的是echarts.init必须在容器渲染完成后调用否则会报容器不存在错误。在Vue 3组合式 API 中onMounted是一个安全时机。7.3 后端接口与前端对接前后端联调时最头痛的问题就是跨域。SpringBoot 后端需要开放 CORS 配置// config/CorsConfig.java Configuration public class CorsConfig implements WebMvcConfigurer { Override public void addCorsMappings(CorsRegistry registry) { registry.addMapping(/**) .allowedOrigins(http://localhost:5173) .allowedMethods(GET, POST, PUT, DELETE) .allowCredentials(true) .maxAge(3600); } }注意allowedOrigins不要写成*否则在使用 cookie 或认证信息时会报错。8. 完整流程串联从数据到展示的一整套逻辑整个系统的数据流和调用链需要理清楚这样写论文和答辩时都能讲得有条理。1. Python 脚本把 CSV 数据清洗后写入 MySQL 2. SpringBoot 后端通过 MyBatis-Plus 提供分页查询、统计查询接口 3. 后端异步调用 AI 大模型接口对评论进行情感分析和摘要生成 4. 分析结果写回数据库更新 sentiment_label、sentiment_score、ai_summary 字段 5. Vue3 前端通过 Axios 请求后端接口 6. ECharts 根据返回数据渲染图表大屏 7. 用户可以通过前端页面触发“重新分析”功能对指定作品执行批量 AI 分析 8. 管理后台展示原始评论、分析结果和可视化图表核心流程中第 3 步最容易出问题。建议开发时先写一个单元测试单独调用AISentimentService确认能拿到正确结果再接入定时任务或管理端触发逻辑。不要一上来就做批量处理否则报错时很难定位到底是接口问题、解析问题还是数据问题。9. 运行验证怎么判断系统真的能跑9.1 后端启动验证cd movie-backend mvn spring-boot:run正常启动后控制台会输出 SpringBoot 的 Banner 和 Tomcat 启动端口日志。打开浏览器访问http://localhost:8080/api/comments/page?pageNum1pageSize5返回如下 JSON 即表示后端正常{ code: 200, message: success, data: { records: [ { id: 1, movieName: 流浪地球2, commentContent: 视觉效果震撼剧情也很扎实, sentimentLabel: positive, sentimentScore: 0.92 } ], total: 10000 } }如果访问失败先按顺序排查数据库连接是否正常、application.yml配置是否正确、Maven 依赖是否完整。9.2 AI 模块验证AI 模块建议单独写成测试接口方便验证RestController RequestMapping(/api/ai) public class AIController { Autowired private AISentimentService aiSentimentService; GetMapping(/test) public ResultString test(RequestParam String comment) { String raw aiSentimentService.analyzeSentiment(comment); SentimentResult result AIResultParser.parse(raw); return Result.success(result); } }访问http://localhost:8080/api/ai/test?comment电影很好看如果返回了情感标签和分数说明大模型链路已打通。9.3 前端验证启动前端cd movie-frontend npm run dev访问http://localhost:5173打开大屏页面。如果图表能正常显示且筛选条件切换后图表数据随之更新说明前后端联调完成。10. 常见问题与排查方法问题现象可能原因排查方式解决方案SpringBoot 启动失败提示 JDK 版本错误本地 JDK 版本低于 17java -version检查安装 JDK 17IDEA 中设置 Project SDK数据库访问报 Access deniedMySQL 账号密码错误检查application.yml核对账号密码确认远程连接权限中文乱码数据库字符集不是 utf8mb4检查数据库和表的字符集重建数据库或执行 ALTER TABLE 修改字符集大模型 API 返回超时网络限制或接口负载高打印日志查看耗时增加超时时间切换备用模型或关闭 AI 功能返回的 JSON 无法解析大模型输出带 Markdown 代码块打印原始返回参数解析前清理 json 标记ECharts 图表空白DOM 容器未渲染完成检查是否在 onMounted 后初始化改用 nextTick 处理前端请求跨域后端没有配置 CORS查看浏览器 Console 报错配置 CorsConfig 或使用代理转发Maven 依赖下载慢默认仓库是中央仓库查看下载日志配置阿里云镜像10.1 大模型调用失败怎么办这是最常见也最让人紧张的问题。建议三步走第一步确认网络能访问大模型接口。在命令行用 curl 测试curl https://api.example.com/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer YOUR_API_KEY \ -d {model:your-model,messages:[{role:user,content:你好}]}第二步确认接口返回格式。不同服务商的响应字段可能有差异比如有的把模型回复放在choices[0].message.content有的是data.choices[0].text。解析代码必须匹配实际格式。第三步确认没有触发限流。批量分析时应该加上延时避免短时间高频请求。11. 最佳实践与工程建议11.1 配置管理不要把 API Key 硬编码在代码里。使用application.yml加环境变量的方式ai: api: key: ${AI_API_KEY:sk-default} url: ${AI_API_URL:https://api.example.com/v1/chat/completions} model: ${AI_MODEL:your-model}这样代码提交到 GitHub 时不会泄露密钥。这个习惯在实习和工作中非常重要。11.2 日志记录AI 调用是外部依赖必须记录关键日志。建议在调用前记录入参评论摘要调用后记录返回结果和耗时log.info(AI 分析开始, 评论ID: {}, 内容摘要: {}, comment.getId(), comment.getCommentContent().substring(0, Math.min(50, comment.getCommentContent().length()))); long start System.currentTimeMillis(); String raw aiSentimentService.analyzeSentiment(comment.getCommentContent()); log.info(AI 分析完成, 评论ID: {}, 耗时: {}ms, 结果: {}, comment.getId(), System.currentTimeMillis() - start, raw);11.3 接口限流与容错在 AI 模块中必须考虑接口失败的影响。我的建议是AI 分析失败时不删除数据只把sentiment_label标为unknown后续可以手动重试。这样不会影响系统的完整性。11.4 前后端分离部署毕设演示一般只需要本地运行但如果你想部署到服务器上需要注意几点后端打 JAR 包前端构建静态文件后用 Nginx 托管接口地址不要写死localhost要改为服务器 IP 或域名数据库密码不要用弱密码。11.5 论文与答辩素材准备做项目的同时截图每个功能页面记录测试过程中发现的问题和解决方案。这些素材在写论文的“系统测试”章节时非常有用。答辩时被问到“为什么用大模型做情感分析”时建议从两个角度回答一是大模型能理解上下文和反讽比传统词典法更准确二是大模型能生成摘要为舆情分析提供更多维度。这个回答既有技术深度又体现了选题的合理性。12. 总结与后续学习方向这个毕设项目从表面看是 SpringBoot Vue ECharts AI 大模型的技术组合但真正有价值的是它模拟了一个企业级数据系统的完整链路数据的采集与清洗、结构化存储、后端接口设计、外部 AI 能力集成、数据可视化展示、异常处理与容错设计。这套流程即使在真实的舆情分析、用户评论分析、电商评价分析项目中也是通用的。如果接下来想深入建议按三个方向去扩展。第一个方向是前端可视化。学会 ECharts 的高级交互组件比如数据下钻、时间轴联动、地图可视化能让大屏效果再上一个台阶。也可以尝试 DataV、阿里云图表等大屏工具。第二个方向是 AI 分析能力。目前只是用大模型做情感分析和摘要后续可以用它做舆情摘要、评论聚类、观点挖掘。还可以研究提示词工程如何让大模型输出更稳定的结构化数据。第三个方向是工程化能力。把系统从本地开发环境迁移到服务器部署使用 Docker 打包 SpringBoot 应用用 Nginx 托管前端用定时任务实现增量数据分析。这些能力在求职面试中比“会用 SpringBoot”更有说服力。回到开头的判断这个项目能成为热门毕设选题不是因为 AI 大模型本身有多复杂而是因为它在合理的复杂度内串联了太多核心技术点。只要你把数据、后端、AI、可视化这条链路真正跑通把每一步的设计理由都讲清楚这就是一个超出平均水平的毕业设计。最后提醒一句不要只收藏不实践拿着代码自己跑一遍你的理解深度会完全不同。