CookHero（烹饪英雄）

CookHero 不只是一个菜谱库，而是一个融合 大语言模型（LLM）、检索增强生成（RAG）、智能 Agent、多模态识别与营养数据分析 的个性化饮食管理平台。它像一位懂营养、会做饭、能记录、善规划的“饮食英雄”，帮你把健康目标转化为可执行的日常行动。

无论你是厨房新手、健身减脂人群、控糖用户、过敏体质者，还是为全家安排三餐的家庭主厨，CookHero 都能提供专业、私密、可持续的饮食支持。

核心能力一览

• 智能问答
  解答烹饪技巧、食材搭配、营养知识等问题，支持多轮上下文理解。
• 个性化推荐
  基于口味偏好、健康目标（如减脂、高蛋白）、饮食限制（如无麸质、低钠）动态推荐菜品。
• 饮食计划
  按周规划早/午/晚/加餐，自动生成热量与宏量营养汇总，形成可执行节奏。
• AI 记录
  支持文字或图片一键记录饮食，AI 自动识别食物并估算热量、蛋白质、脂肪、碳水。
• 营养分析
  每日/每周营养总览 + 计划 vs 实际偏差分析，帮助你持续优化饮食习惯。
• 实时搜索
  当本地知识不足时，自动调用 Tavily 搜索引擎获取最新菜谱、食材趋势或健康资讯。

技术亮点

1. 混合检索架构（RAG++）

• 向量检索（Milvus + BGE 嵌入） + BM25 关键词匹配 + 元数据过滤（时间、难度、营养）
• 使用 Qwen3-Reranker 对结果二次精排
• 多级缓存（Redis + Milvus）显著提升响应速度

2. Agent 智能管家系统

• 基于 ReAct 推理框架，实现“思考 → 行动 → 反馈”闭环
• 内置 Subagent 专家体系：饮食计划、营养分析、知识检索、Web 搜索等子代理可独立配置
• 支持 MCP 协议，用户可接入自定义工具（如高德地图查附近超市）
• 所有工具调用通过 AgentHub 统一管理，前端可动态启用/禁用

3. 多模态支持

• 上传食材/菜品图片，AI 自动识别并关联营养数据
• 支持 OpenAI 兼容的视觉模型（如 QVQ-72B）
• 图片自动上传至 imgbb 持久化存储，最多 4 张、单张 ≤10MB

4. 安全与可观测性

• 提示词注入防护：规则 + LLM 双重检测
• 速率限制：基于 Redis 滑动窗口，区分登录、对话、全局请求
• 审计日志：结构化 JSON 日志，支持 SIEM 对接
• RAGAS 评估系统：自动监控答案忠实度、相关性，后台异步运行
• LLM 使用统计：Token 消耗、响应时间、工具调用可视化看板

核心功能详解

✅ Agent 智能饮食管家

• 支持 SSE 流式响应，实时展示思考过程与工具调用
• 自动读取用户画像与长期指令（如“不吃猪肉”“每日蛋白≥100g”）
• 内置工具包括：
  • 饮食计划创建/更新
  • 营养分析报告生成
  • 知识库检索（带来源引用）
  • Web 搜索（Tavily）
  • AI 图片生成（DALL·E 3）并自动上传
  • 数学计算、时间获取等基础工具

✅ 饮食计划与记录

• 周视图管理四餐，支持复制、备注、标记“已吃”
• 计划餐次自动计算营养总量
• AI 记录支持文字描述（如“一碗牛肉面”）或拍照，自动估算营养值

✅ 营养目标追踪

• 可设置卡路里、蛋白、脂肪、碳水目标
• 数据来源明确标注：手动 / AI 文本 / AI 图片
• 偏差分析图表帮助识别习惯波动（如周末碳水超标）

✅ 智能菜谱查询

• 自然语言理解：“低脂高蛋白晚餐”“30 分钟快手菜”
• 多轮对话保留上下文，支持追问与修正
• 流式生成，体验接近真人对话

✅ 个性化知识库

• 用户可上传私人食谱（支持 Markdown）
• 系统自动解析并索引，与官方 HowToCook 食谱库融合检索
• 支持按营养、时间、难度等维度筛选

技术架构

前端 (React) 
   │
   ▼
FastAPI 后端（认证 / 对话 / 饮食 / Agent / 评估）
   │
   ├─ RAG 管道：意图识别 → 查询改写 → 混合检索 → 重排序 → 生成
   ├─ Agent 引擎：ReAct 循环 + Subagent 编排 + 工具调用
   └─ 安全层：注入防护 + 速率限制 + 审计日志
   │
   ▼
数据存储层：
- PostgreSQL：用户数据、会话、评估结果
- Redis：L1 缓存、速率限制、会话状态
- Milvus：向量存储（食谱、个人文档）
- MinIO：文件存储（未来扩展）

快速启动（Docker 推荐）

# 1. 克隆项目
git clone https://github.com/Decade-qiu/CookHero.git
cd CookHero

# 2. 配置环境变量
cp .env.example .env
# 编辑 .env，填入 LLM、Tavily、imgbb 等 API Key

# 3. 启动依赖服务
cd deployments
docker-compose up -d  # 启动 PostgreSQL, Redis, Milvus, MinIO

# 4. 启动后端
cd ..
pip install -r requirements.txt
python -m scripts.howtocook_loader  # 加载食谱数据
uvicorn app.main:app --host 0.0.0.0 --port 8000

# 5. 启动前端
cd frontend
npm install && npm run dev

访问：

• 前端：http://localhost:5173
• 饮食管理：http://localhost:5173/diet
• API 文档：http://localhost:8000/docs

配置灵活，安全可控

• 分层 LLM 配置：fast（意图识别）、normal（主对话）、vision（多模态）可分别指定模型与 Key
• 安全默认开启：提示词防护、速率限制、JWT 过期策略、失败锁定
• 生产就绪：支持异步评估、日志脱敏、API Key 过滤、安全响应头

CookHero 的目标不是取代厨师，而是让每个人都能轻松做出符合健康目标的一餐。它把复杂的营养科学、海量菜谱和智能决策，封装成一个可对话、可记录、可追踪的日常伙伴。