AI 个性化推荐
基于用户历史品类与全局热销的协同推荐，冷启动用户回落到全局排行。规则透明、不依赖黑盒 LLM。
和牛0.98
拉面0.90
战斧0.82
可丽露0.74
冷萃0.66
藜麦0.58
90+
Lighthouse 分数
目标：移动端 ≥ 90
130KB
首屏 JS
无第三方 UI 库
60s
ISR 边缘缓存
菜单页 TTFB → 边缘
800ms
实时推送延迟
Supabase Realtime
features
这不是普通点餐系统
每一项都对应一段真实代码，而不是产品 PPT。点击菜单页就能看到它们工作的样子。
实时订单同步
WebSocket 订阅 orders.id，状态机端到端推送。
pending
paid
preparing
ready
Postgres 全文搜索
tsvector 生成列 + GIN 索引，220ms 防抖。
$ select * from items where
search_vec @@ websearch_to_tsquery('松露')
RLS 行级安全
权限下沉到数据库层，应用层不可绕过。
policy auth.uid() = user_id
deny other users' rows
Aurora 设计语言
CSS variables 双主题，零运行时切换。
Server Components
RSC + ISR 60s 边缘缓存，首屏直出。
async page.tsx
revalidate = 60
live demo
AI 推荐，
看得见怎么打分
切换口味画像，右侧实时重排 — 与生产环境的 recommended_items() RPC 同形态。透明、可解释，比黑盒 LLM 更适合餐饮场景。
- #1
炭烧鳗鱼饭
日式 · 炭烧
¥68
0.53 - #2
主厨黑松露和牛饭
招牌 · 热销 · 和牛
¥128
0.46 - #3
岩盐战斧牛排
硬核 · 分享
¥218
0.40 - #4
冷萃黑咖啡
咖啡 · 冷萃
¥28
0.27
field notes
有人这样评价
以下评价为示例素材，用于呈现产品调性。真实部署后将替换为真实留言。
从设计 token 到 RLS 策略全部一手搭建，这种端到端把控在校招项目里我没怎么见过。
K. Wei
前端 Tech Lead · Demo 留言
Aurora 的色彩节奏让我想到 Linear，但是用得克制 — 主色只在 CTA 出现，是高级的克制。
Mira
产品设计师 · Demo 留言
把推荐打分逻辑做成可视化交互，比把 LLM 包一层 API 然后写 'AI 加持' 真诚多了。
Tan
全栈工程师 · Demo 留言
ZYL
built by
独立开发者 · 全栈方向
这是我设计、实现并独立维护的产品。从 设计 token 到 数据库 RLS 策略，所有决策都是我自己做的。Yilong 不是模板项目，它的每一个细节我都能解释为什么这样做。
- Next.js 14
- TypeScript strict
- Supabase
- Tailwind
- Framer Motion
- Zustand
- TanStack Query
- Postgres RLS
中国Yilong v0.1 — last shipped 2026·05