Recipe AI

Чат-ассистент по рецептам, который отвечает на основе локальной базы рецептов, проиндексированной в Qdrant.

Участники:
Горбатюк Олег
Кривулец Нина
Сюй София
Атанасоска София

Дизайн документ

Отчет по MVP

Визуал

Что реализовано

• веб-интерфейс чата на React + Vite
• backend на FastAPI
• агент на LangChain с одним инструментом поиска по рецептам в Qdrant
• векторный поиск по двум локальным источникам рецептов
• отображение источников, на основании которых сформирован ответм
• локальное хранение истории переписки в браузере с шифрованием через Web Crypto API
• счётчик количества загруженных рецептов

Что является фактическим заданием проекта

В репозитории реализован не полнофункциональный рекомендательный сервис с богатыми фильтрами, а рабочий MVP чат-ассистента по рецептам

Итоговая постановка задания для текущей реализации:

1. Собрать локальную базу рецептов из подготовленных JSON-файлов
2. Проиндексировать рецепты в Qdrant с помощью OpenAI embeddings
3. Реализовать чат, в котором LLM отвечает только на основе найденных рецептов
4. Показывать пользователю источники, использованные в ответе
5. Запускать систему целиком через Docker Compose

Ограничения текущего MVP

• Нет UI-фильтров по времени, диете, калорийности и другим метаданным
• Нет отдельного этапа извлечения структурированных фильтров из запроса
• Нет автоматического обновления базы рецептов.

Визуал

Структура проекта

• web/ — фронтенд на React.
• api/ — FastAPI, агент, работа с Qdrant и скрипты индексации.
• api/static/ — локальные JSON/CSV с рецептами.
• docs/ — документация.
• parsing/ — ноутбуки для парсинга исходных сайтов.

Переменные окружения

Создайте .env в корне проекта. Обязательная переменная:

OPENAI_API_KEY=...

Опционально можно задать:

OPENAI_PROXY=...
OPENAI_CHAT_MODEL=gpt-5-mini
OPENAI_EMBEDDING_MODEL=text-embedding-3-small
QDRANT_COLLECTION=recipes

Запуск

Поднять сервисы:

docker compose up --build -d

Остановить сервисы:

docker compose down

После запуска интерфейс доступен на http://localhost:8000.

Загрузка рецептов в Qdrant

После старта контейнеров нужно отдельно загрузить рецепты в векторную базу:

docker compose exec api python scripts/fill_recipes.py

Полезные варианты:

docker compose exec api python scripts/fill_recipes.py --dry-run
docker compose exec api python scripts/fill_recipes.py --sources povarenok
docker compose exec api python scripts/fill_recipes.py --sources russianfood
docker compose exec api python scripts/fill_recipes.py --batch-size 50

Скрипт:

• читает api/static/Povarenok_recipes.json и api/static/recipes_rf_.json;
• преобразует рецепты к упрощённой схеме title / ingredients / steps;
• ограничивает загрузку первыми 10000 рецептами;
• добавляет документы в коллекцию Qdrant recipes.

API

POST /api/chat

Принимает историю диалога и возвращает:

• answer — текст ответа модели
• sources — рецепты, найденные через поиск и использованные агентом

GET /api/recipes/count

Возвращает текущее число рецептов в коллекции Qdrant

Как устроен ответ

1. Фронтенд отправляет историю сообщений на backend
2. Агент LangChain при необходимости вызывает инструмент search_recipe
3. Инструмент делает similarity search в Qdrant
4. Найденные рецепты передаются модели как контекст
5. Ответ и список использованных источников возвращаются в UI

Дальнейшие улучшения

Логичное развитие текущего MVP:

1. добавить структурированные метаданные рецептов и фильтрацию
2. внедрить оценку качества retrieval и ответов