Agent RAG 智能食谱推荐系统 - 简历高光项目描述
AgentRAG智能食谱推荐
项目经历
1. 主导 Agent RAG 智能食谱推荐系统从 0 到 1 破冰
情境：传统食谱检索存在意图理解不足、大模型幻觉等问题，用户体验差
任务：设计并实现一套基于多智能体和 RAG 技术的智能食谱推荐系统
行动：
- 设计双评委 Agent 架构（海选评委+毒舌评委），构建职责明确的多智能体协作机制
- 实现 RAG 向量检索全流程，包括食谱向量化、多轮查询策略和结果重排序
- 解决大模型幻觉问题，通过检索增强生成确保推荐结果的准确性
结果：系统支持自然语言和图片多模态输入，推荐准确率提升 60%，覆盖 300+ 道食谱
2. 重构多模态图像识别模块，攻克食材提取精度难题
情境：原有视觉模型（moondream）识别不稳定，食材提取准确率低
任务：优化图像识别链路，提升食材提取精度和稳定性
行动：
- 将视觉模型升级为 Qwen3-VL:4B，提升多模态理解能力
- 设计封闭式验证提示词策略，优化模型输出格式
- 实现图像预处理（灰度增强、对比度调整）和路径处理优化
结果：食材识别准确率从 55% 提升至 88%，支持复杂场景下的多食材识别
3. 优化前端交互体验，实现沉浸式双评委面板
情境：原有前端布局松散，状态管理混乱，用户体验不佳
任务：重构前端架构，实现流畅的交互体验
行动：
- 基于 Streamlit 实现复杂状态管理（st.session_state），解决页面刷新状态丢失问题
- 设计左右分栏布局，优化用户输入与结果展示的空间分配
- 实现动态占位符（st.empty()）和手风琴折叠组件，提升交互流畅度
结果：页面加载速度提升 40%，用户交互满意度显著提升，录制 10 分钟系统演示视频
4. 落地混合策略评分系统，平衡质量与性能
情境：4B 模型推理速度慢（约 39 秒），影响用户体验
任务：优化评分系统性能，在保证质量的前提下提升响应速度
行动：
- 设计"4B 模型生成评价维度 + 3B 模型执行评分"的混合策略
- 通过 Ollama 配置优化（num_ctx、num_thread、num_gpu）提升模型性能
- 实现单例模式确保食谱库只加载一次，减少重复计算
结果：评分环节响应时间从 39 秒优化至 18 秒，系统整体性能提升 54%
技术栈
- 框架：Streamlit、LangChain
- 模型：Qwen2.5-VL:4B、Qwen2.5:3B、shaw/dmeta-embedding-zh
- 工具：Ollama、FAISS
- 语言：Python