Spring AI智能体在智能菜谱系统中的应用实践
1. 项目概述：当Spring AI遇上智能菜谱系统
去年为一个健康管理平台做技术咨询时，他们提出个有趣的需求：用户上传食材照片后，系统不仅要推荐匹配的菜谱，还得实时计算营养成分。当时用传统方案拼凑了三个独立系统，结果接口延迟经常超过3秒。直到看到Spring AI 2.0的智能体（Agent）设计模式，才意识到这个问题的最佳解法。
这个"RAG菜谱+USDA营养+MCP工具"项目，本质上是在构建一个能理解烹饪场景的AI智能体。它通过以下技术栈协同工作：
- RAG（检索增强生成）：处理非结构化菜谱数据
- USDA营养数据库：提供权威食物成分分析
- MCP（模型上下文协议）：协调多模型交互
实测下来，整套方案在消费级GPU服务器上平均响应时间仅1.2秒，比传统微服务架构快58%。下面我会拆解每个技术组件的实现细节。
2. 核心架构设计
2.1 智能体工作流设计
整个系统的消息流转遵循"提问-决策-执行"循环：
- 用户输入："鸡胸肉能做什么低脂菜？"
- 路由智能体判断需要：
- 菜谱检索（RAG）
- 营养计算（USDA API）
- MCP协议封装上下文，包含：
{ "current_goal": "recipe_suggestion", "available_tools": ["usda_nutrition", "recipe_rag"], "user_constraints": ["low_fat"] }
2.2 关键技术选型对比
| 组件 | 候选方案 | 最终选择 | 选择理由 |
|---|---|---|---|
| RAG框架 | LlamaIndex/Haystack | Spring AI Embeddings | 原生集成Spring生态，支持JDBC数据源 |
| 营养数据源 | 自建数据库/USDA API | USDA SR28标准数据库 | 包含8000+食物条目，每100g精确到毫克级的营养成分数据 |
| 工具协调 | LangChain/MCP | MCP协议 | 专为Spring AI优化，上下文传递效率比JSON高40% |
经验提示：USDA数据库需要申请API Key，建议在application.yml中通过spring.ai.usda.api-key=ENC(加密字符串)方式存储
3. 关键实现步骤
3.1 RAG菜谱库构建
我的菜谱数据来自两个渠道：
- 结构化数据：MySQL中的20万条菜谱记录
- 非结构化PDF：米其林餐厅的电子版菜谱手册
处理流程特别注意了文本分块策略：
TextSplitter splitter = new TokenTextSplitter() .setChunkSize(800) // 实测最佳效果区间 .setChunkOverlap(100) .setSeparator("\n## ") // 按Markdown标题分块 List<Document> chunks = splitter.split(documents);3.2 USDA营养计算集成
通过Spring AI的@Retryable注解实现健壮调用：
@Retryable(maxAttempts=3, backoff=@Backoff(delay=1000)) public NutritionData fetchNutrition(String foodItem) { return usdaClient.searchFood(foodItem) .filter(d -> d.getFoodGroup().equals("Protein Foods")) .findFirst() .orElseThrow(); }3.3 MCP工具编排实战
定义工具的描述至关重要，这是智能体选择工具的依据：
@Tool(name = "nutritionCalculator") public String calculateNutrition( @P(description="食材名称，如'鸡胸肉'") String ingredient, @P(description="重量（克）") int weight) { // 实现逻辑 }4. 性能优化技巧
4.1 混合检索策略
在RAG中结合：
- 关键词检索（BM25）：快速初筛
- 向量检索（Embedding）：语义匹配
- 重排序（CrossEncoder）：提升TOP3结果准确率
SearchRequest request = SearchRequest.builder() .withQuery("低脂 鸡胸肉") .withHybridSearch() .withRerank(3) .build();4.2 缓存设计
采用三级缓存：
- 本地Caffeine：缓存高频菜谱（TTL=5分钟）
- Redis：缓存营养数据（TTL=1小时）
- 磁盘缓存：存储PDF解析结果
5. 踩坑记录与解决方案
5.1 中文分词问题
最初直接使用默认分词器处理中文菜谱，导致"宫保鸡丁"被错误切分为["宫","保","鸡","丁"]。解决方案：
TextSplitter splitter = new ChineseTextSplitter() // 自定义实现 .setSegmentType(SEG_TYPE.MOST) .useStopWords("的|了|是");5.2 营养数据单位统一
USDA返回的维生素单位是IU，而国内常用μg，需要转换：
double vitaminAIU = usdaData.getVitaminA(); double vitaminAMcg = IU_TO_MCG_FACTOR * vitaminAIU; // 0.3转换系数5.3 工具调用冲突
当同时定义了两个菜谱查询工具时，智能体会出现选择困难。通过明确工具描述解决：
@Tool(name="searchWesternRecipes", description="适用于西餐菜谱检索") @Tool(name="searchChineseRecipes", description="专用于中式菜谱检索")6. 扩展应用场景
这套架构稍作修改就能用于：
- 健身饮食规划（对接运动数据API）
- 特殊膳食管理（糖尿病/高血压等）
- 智能购物清单生成
最近在尝试接入视觉模型，实现"拍照识食材→推荐菜谱→生成购物清单"的完整链路。一个有趣的发现：用CLIP模型提取食材图像特征后，与菜谱文本embedding的余弦相似度超过0.7时，推荐准确率可达92%。