CookHero

智能烹饪与饮食管理助手 · 你的个性化饮食英雄

简体中文 | English

---

---

📖 项目简介

CookHero（烹饪英雄）是一个融合 LLM、RAG、Agent、多模态与营养数据分析的个性化饮食管理平台。它不仅是菜谱库，更是一位能陪你做计划、做记录、看数据、给建议的“饮食管理英雄助手”，帮助你把烹饪与健康目标变成可执行的日常。

• 🔍 智能问答：解答烹饪技巧、食材搭配、营养知识等问题
• 🍽️ 个性化推荐：根据口味、目标和限制提供更贴合的菜品选择
• 🗓️ 饮食计划：按周规划三餐与加餐，形成可执行的饮食节奏
• 🧾 AI 记录：文字/图片一键记录，自动估算热量与宏量营养
• 📊 营养分析：每日/每周统计与计划偏差分析，持续优化习惯
• 🧠 深度理解：多轮对话理解用户意图，输出精准行动建议
• 🌐 实时搜索：结合 Web 搜索获取最新烹饪资讯和趋势

CookHero 面向厨房新手、健身/减脂/控糖人群、健康饮食倡导者、过敏体质用户及家庭场景，致力于让烹饪更专业、更智能、更可持续。

内部自带的食谱来源于Anduin2017/HowToCook，感谢该项目的贡献者！

---

⚡ 技术亮点

• LLM + RAG 混合检索：向量 + BM25 + Reranker 组合，配合多级缓存提速
• Agent ToolHub：ReAct 推理 + 工具调用，支持 MCP 动态扩展
• Subagent 专家体系：内置 + 用户自定义子代理，按需启用与编排
• 多模态解析：图片识别与饮食记录联动，覆盖烹饪与记录场景
• 评估与可观测性：RAGAS 质量评估 + LLM 使用统计 + 可视化看板
• 安全与合规：提示词注入防护、速率限制、结构化审计日志
• 现代化全栈：FastAPI + React + PostgreSQL + Milvus + Redis + MinIO

✨ 核心功能

1. Agent 智能饮食管家

• ReAct 模式：实现推理 + 行动循环，支持自主决策和工具调用
• 多模态支持：支持上传图片，图片自动上传到 imgbb 持久化存储
• 用户画像集成：自动读取用户画像和长期指令，提供个性化饮食管理服务
• Subagent 子代理：内置/自定义专家可作为工具被调用，独立 system prompt 与工具集
• Subagent 管理：个人中心创建/启用/禁用，工具选择器支持 Agents 面板
• 内置工具：
  • 饮食工具：计划管理、饮食记录、营养分析
  • 知识库检索：调用内置 RAG 检索并返回可引用来源
  • Web 搜索：集成 Tavily 搜索引擎，联网查询实时信息
  • AI 图片生成：基于 DALL-E 3 等模型生成图片，自动上传到 imgbb 持久化
  • 计算器：数学计算
  • 日期时间：获取当前时间、时区转换
• MCP 协议支持：支持用户自定义 MCP 服务器并配置鉴权头
• 可扩展架构：通过 AgentHub 统一管理 Agent、Tool 和 Provider
• 上下文压缩：自动压缩长对话历史，减少 Token 消耗
• 实时反馈：SSE 事件流，实时展示工具调用过程和结果
• 执行追踪：主 Agent 与 Subagent 轨迹分层展示，支持调试分析
• 工具选择：前端可动态选择工具与子代理

2. 饮食计划与记录

• 周视图管理早餐/午餐/晚餐/加餐，形成可执行的饮食计划
• 计划餐次自动汇总热量与宏量营养
• 一键标记已吃，计划自动转化为真实记录
• AI 解析文字/图片饮食描述，自动估算营养信息
• 支持餐次更新、复制与备注管理

3. 营养分析与目标追踪

• 每日/每周营养总览（热量、蛋白、脂肪、碳水）
• 计划 vs 实际偏差分析，识别饮食习惯波动
• 目标管理：卡路里/蛋白/脂肪/碳水目标
• 数据来源标记：手动、AI 文本、AI 图片

4. 智能对话式菜谱查询

• 自然语言理解用户需求（如"我想做一道低脂高蛋白的晚餐"）
• 支持多轮对话，记录上下文历史
• 自动识别用户意图（查询、推荐、闲聊等）
• 流式响应，支持实时显示生成内容

5. 个性化知识库

• 用户可上传私人食谱，系统自动分析并索引
• 全局食谱库（来自 HowToCook）与个人食谱融合查询
• 支持 Markdown 格式食谱的智能解析

6. 混合检索与重排序

• 向量检索：语义相似度匹配（基于 Milvus）
• BM25 检索：关键词精确匹配
• 元数据过滤：根据烹饪时间、难度、营养成分等筛选
• 智能重排序：使用 Reranker 模型（如 Qwen3-Reranker）对结果二次精排
• 多级缓存：Redis + Milvus 双层缓存，提升响应速度

7. 多模态支持

• 图片识别：支持上传食材/菜品/饮食图片进行智能识别
• 意图理解：结合图片和文字理解用户完整意图
• 多种场景：菜品识别、食材识别、烹饪指导、饮食记录、食谱查询
• 灵活接入：支持 OpenAI 兼容的视觉模型 API
• 图片限制：最多 4 张、单张 10MB（Agent/饮食记录场景）

8. RAG 评估系统

• 质量监控：基于 RAGAS 框架的自动化评估
• 核心指标：忠实度（Faithfulness）、答案相关性（Answer Relevancy）
• 异步评估：后台异步执行，不影响响应速度
• 趋势分析：支持评估趋势查看和质量告警
• 数据持久化：评估结果存储于 PostgreSQL

9. LLM 使用统计

• 实时监控：跟踪每个请求的 Token 使用量
• 性能指标：记录响应时间、思考时间、生成时间
• 统计分析：按用户、会话、模块统计使用情况
• 工具追踪：记录 Agent 工具调用名称
• 可视化展示：前端提供 LLM 统计数据页面

10. 安全防护体系

• 多层防护：输入验证 → 模式检测 → LLM 深度检测
• 提示词注入防护：基于规则和 AI 的双重检测机制
• 速率限制：Redis 滑动窗口算法，按端点类型区分限制
• 账户安全：登录失败锁定、JWT 过期策略、安全响应头
• 敏感数据保护：日志脱敏、API Key 过滤
• 安全审计：结构化 JSON 审计日志，支持 SIEM 系统对接

📖 详细安全架构请参阅 安全策略文档

---

🚀 快速开始

前置要求

• Python：>= 3.12
• Node.js：>= 18
• Docker 和 Docker Compose（推荐）

方法一：Docker 一键部署（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 文件，填入必要的 API Key