AI味觉管家：基于Qwen2-7B的智能菜谱系统

1. 项目介绍

智能菜谱系统是一个基于人工智能的交互式烹饪助手应用，旨在帮助用户发现美食、学习烹饪技巧并享受健康生活。该系统集成了本地大语言模型（LLM）技术，提供个性化的菜谱推荐、详细烹饪指导、营养分析以及智能化的烹饪辅助功能。

1.1 主要功能特点

1. 智能菜谱搜索：支持按关键词、菜系和标签进行灵活搜索
2. 个性化推荐：根据用户口味偏好、过敏食材、烹饪技能等提供定制化菜谱推荐
3. 详细菜谱信息：提供完整的食材、调料列表、烹饪步骤、难度和时间估算
4. AI 生成内容：利用大模型动态生成烹饪步骤、营养分析、烹饪小贴士等
5. 分量调整：根据用户需求智能调整菜谱分量
6. 食材推荐：根据用户现有食材推荐可用菜谱
7. 烹饪问答：提供专业的烹饪问题解答
8. 用户系统：支持用户资料管理、菜谱收藏和烹饪历史记录

1.2 项目价值

该系统不仅为用户提供了丰富的菜谱资源，还通过人工智能技术增强了用户体验，使得烹饪过程更加智能化和个性化。对于烹饪新手，系统提供了详细的指导和提示；对于有经验的厨师，系统则提供了更多创新思路和食材利用建议。

2. 环境介绍

2.1 依赖包配置

项目使用以下主要依赖包，通过requirements.txt管理：

1. gradio>=4.0.0          # Web界面框架
   torch>=2.1.0           # 深度学习框架
   torch_npu>=2.1.0       # 昇腾NPU支持
   transformers>=4.41.0   # 模型加载与推理
   accelerate>=0.28.0     # 模型加速
   sentencepiece>=0.1.98  # 文本分词
   einops>=0.8.0          # 张量操作工具
   matplotlib             # 数据可视化

2.2 硬件配置

1. 处理器：建议至少4核CPU
2. 内存：推荐16GB以上，用于加载大模型
3. 存储：至少20GB可用空间，用于存储模型文件
4. 加速器：支持昇腾NPU，用于加速模型推理

2.3 模型配置

系统使用了上海昇思的Qwen2-7B-Instruct模型，通过openmind_hub进行下载和管理：

1. MODEL_NAME = "Shanghai_Ascend/Qwen2-7B-Instruct"
   model_path = snapshot_download(MODEL_NAME, resume_download=True)

模型部署在NPU上进行推理加速，使用以下配置：

1. model = AutoModelForCausalLM.from_pretrained(
       model_path, trust_remote_code=True
   ).to("npu").eval()

2.4 部署配置

系统通过Gradio提供Web界面服务，部署配置如下：

1. demo.launch(
       server_name="0.0.0.0",  # 允许所有IP访问
       server_port=7861,       # 服务端口
       share=False,           # 不创建公共链接
       debug=False            # 关闭调试模式
   )

3. 代码分析

3.1 核心代码

3.1.1 模型初始化与配置

系统首先导入所需的库，并初始化语言模型和分词器：

1. import gradio as gr
   import torch
   from openmind import AutoModelForCausalLM, AutoTokenizer
   from openmind_hub import snapshot_download
   
   # 加载本地模型
   MODEL_NAME = "Shanghai_Ascend/Qwen2-7B-Instruct"
   model_path = snapshot_download(MODEL_NAME, resume_download=True)
   
   tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
   model = AutoModelForCausalLM.from_pretrained(
       model_path, trust_remote_code=True
   ).to("npu").eval()

3.1.2 AI 回复生成函数

该函数是系统的核心，负责与模型交互并生成回复：

1. def generate_response(prompt, max_new_tokens=768):
       inputs = tokenizer(prompt, return_tensors="pt").to("npu")
       outputs = model.generate(
           **inputs,
           max_new_tokens=max_new_tokens,
           do_sample=True,
           temperature=0.7,
           top_p=0.9,
           repetition_penalty=1.1,
           pad_token_id=tokenizer.eos_token_id
       )
       response = tokenizer.decode(outputs[0], skip_special_tokens=True)
       # 移除可能的重复提示文本
       clean_response = response.replace(prompt, "").strip()
       return clean_response

该函数使用了以下参数来控制生成文本的质量：

1. max_new_tokens：控制生成文本的最大长度
2. temperature：控制生成文本的随机性，0.7表示中等随机性
3. top_p：控制采样空间的大小，0.9表示考虑90%的概率质量
4. repetition_penalty：防止生成重复内容

3.1.3 菜谱搜索与获取

系统提供了灵活的菜谱搜索功能，并通过AI生成补充数据：

1. def fetch_recipes_from_internet(keyword, cuisine, max_results=5):
       # 构建优化的提示词
       prompt = f"""请生成{max_results}个关于'{keyword}'的{cuisine_text}菜谱，必须严格满足以下要求：
       # 提示词内容...
       """
       
       # 使用模型生成菜谱数据
       max_tokens = get_max_tokens("recipe_search")
       response = generate_response(prompt, max_new_tokens=max_tokens)
       
       # 解析JSON响应并过滤结果
       # ...
       
       return filtered_recipes

该函数的设计考虑了容错性，当JSON解析失败时会尝试使用后备方案生成菜谱。

3.1.4 Gradio 界面构建

系统使用Gradio构建了丰富的交互式界面，包括多个标签页：

1. with gr.Blocks(
       theme=gr.themes.Soft(
           primary_hue="orange",
           secondary_hue="blue",
           neutral_hue="slate"
       ),
       title="�� 智能菜谱系统",
       css="""
       # CSS样式定义...
       """
   ) as demo:
       
       # 界面组件定义和布局
       # ...
       
       # 回调函数绑定
       # ...

界面设计注重用户体验，使用了现代的UI设计元素和响应式布局。

3.2 关键算法

3.2.1 菜谱推荐算法

系统结合了规则匹配和AI生成来提供个性化推荐：

1. def recommend_by_ingredients(ingredients_input):
       # 分割用户输入的食材列表
       user_ingredients = [ing.strip() for ing in ingredients_input.split("、")]
       
       # 计算匹配度
       matches = []
       for recipe in recipe_database:
           recipe_ingredients = [ing["name"] for ing in recipe["ingredients"]]
           # 计算匹配度（用户拥有的食材在菜谱中的比例）
           matched_count = sum(1 for ing in user_ingredients if any(ing in recipe_ing for recipe_ing in recipe_ingredients))
           match_ratio = matched_count / len(recipe_ingredients) if recipe_ingredients else 0
           
           # 记录匹配结果和缺失食材
           if match_ratio > 0:
               missing_ingredients = [ing["name"] for ing in recipe["ingredients"] if not any(user_ing in ing["name"] for user_ing in user_ingredients)]
               matches.append((recipe, match_ratio, missing_ingredients))
       
       # 按匹配度排序并生成推荐
       # ...

该算法通过计算用户拥有的食材与菜谱所需食材的匹配比例，找出最匹配的菜谱，并提供还需要准备的食材列表。

3.2.2 提示词工程策略

系统精心设计了提示词，以确保AI生成的内容质量高且符合要求：

1. def generate_cooking_tips(recipe):
       # 构建详细的提示词
       prompt = f"""请为以下菜品提供烹饪小贴士，考虑用户的烹饪技能水平（{user_profile['cooking_skill']}）：
   
   菜品名称：{recipe['name']}
   
   烹饪步骤：
   {steps_text}
   
   请提供以下内容：
   1. 烹饪过程中的关键点和注意事项
   2. 常见失误及避免方法
   3. 根据用户烹饪技能水平的个性化建议
   4. 食材替换或升级建议（如果适用）
   5. 保存和食用建议
   
   请使用简洁、实用的语言，使用适当的表情符号增强可读性。"""
       
       return generate_response(prompt, max_new_tokens=max_tokens)

提示词策略包括：

1. 明确的任务指令
2. 结构化的输出要求
3. 包含必要的上下文信息（如用户技能水平）
4. 格式和风格要求

4.项目总结

智能菜谱系统成功地将大语言模型技术应用于烹饪领域，提供了丰富的功能和良好的用户体验。系统的主要优势包括：

1. 智能化程度高：利用先进的大语言模型生成内容，提供个性化服务
2. 功能丰富：涵盖了从菜谱搜索到烹饪辅助的完整场景
3. 用户体验良好：直观的界面设计和流畅的交互体验
4. 可扩展性强：模块化设计便于后续功能扩展

通过不断的技术创新和功能扩展，智能菜谱系统有望成为用户烹饪生活中不可或缺的智能助手，为人们的饮食健康和生活品质提升做出更大贡献。