校园外卖是高校学生日常高频消费场景，日均订单量大、需求碎片化。传统外卖平台的"搜索+列表"模式存在三个痛点：一是学生需求
表达模糊（"不知道想吃啥""有没有清淡点的"），搜索框无法理解；二是需求多样且隐含健康约束（减脂、增肌、过敏、生理期），需
要专业判断而非简单检索；三是数据孤岛——用户的历史订单、身体数据、口味偏好分散在不同系统，无法形成完整的个性化画像。
本系统定位为校园外卖的智能入口层，用多智能体协作替代传统的搜索交互。学生用自然语言描述需求（文字或菜品图片），系统自动
理解意图、结合个人画像，直接给出可下单的推荐结果，实现从"人找菜"到"菜找人"的转变。
1. 智能菜品推荐
用户输入"想吃辣的""最近上火推荐点清淡的""和上次一样的"，系统结合历史订单偏好（30%）、当前需求约束（40%）、热门趋势（20
%）和多样性（10%），从数据库中实时检索可用菜品，生成带推荐理由的个性化列表。支持身体状况适配——受伤时推荐高蛋白、胃痛时
推荐易消化、生理期推荐补铁温热菜品。
2. 客服问答（RAG 知识库检索）
覆盖订单查询、退款流程、配送异常、支付问题等场景。采用完整的 RAG 管线：问题改写 → BGE-M3 混合向量编码 → Milvus
多路检索 → Cross-Encoder 重排序 → DeepSeek 生成回答。支持上传订单截图，由 Qwen-VL 视觉模型自动提取问题描述。
3. 健身食谱规划
基于 Mifflin-St Jeor 公式计算用户的 BMR 和 TDEE，从自然语言中填槽提取性别、身高、体重、年龄、健身目标（减脂/增肌/维持
），生成宏量营养素分配方案，自动匹配数据库中可用菜品生成一日三餐计划。
4. 热量与营养计算
查询菜品营养数据（热量、蛋白质、碳水、脂肪），支持多菜品批量计算。结合用户健身目标评估营养搭配合理性，给出调整建议。
5. 菜品图片识别
用户拍摄食堂菜品照片，系统调用 Qwen2.5-VL 视觉模型识别菜品名称、估算营养信息，直接对接后续的推荐或计算流程。
6. 用户端与管理端
学生端（Streamlit，端口 8502）：登录注册、智能对话、推荐结果展示、个人画像管理、订单列表。商家端（Streamlit，端口
8503）：菜品管理（CRUD + 上下架）、订单管理（接单/出餐/完成）、经营数据看板。
总体架构
采用 FastAPI + Streamlit + LangGraph + MCP 四层架构。FastAPI 网关（端口 8000）作为统一后端，Streamlit
提供学生端和商家端两个前端，LangGraph 编排多智能体工作流，MCP 协议接入 LLM 能力。
多 Agent 编排（LangGraph StateGraph）
7 个专业 Agent 分三层编排。输入层 input_integration_agent 负责意图识别和需求分析，动态输出 selected_agents
列表。执行层 5 个 Agent 根据条件路由并行执行——dish_recommendation、customer_service、fitness_daily_meal、calorie_calcu
lation、dish_recognition，支持多意图并行。输出层 output_integration_agent
聚合所有执行结果，进行填槽拦截检测、格式优化，最终合成用户可读的回复并持久化画像更新。
模型接入
采用 MCP 协议作为模型调用中间层。MCP Server（端口 8002）注册了 call_llm（DeepSeek 文本推理）、call_vl_model（Qwen-VL
视觉识别）、detect_intent（意图分类）三个工具。各 Agent 通过 MCP Client 远程调用，解耦了 Agent
逻辑与模型实现。全系统模型配置集中在 llm_config.py 一个文件中，换模型只需修改 API Key 和 Base URL。
评论