有米的小馆——AI仓鼠侍者决策养成Web应用产品系统Vibe Coding

本项目立项于解决都市打工人群体中普遍存在的"午餐选择焦虑"问题。通过AI驱动的模拟养成玩法，将日常午餐决策转化为轻松有趣的游戏体验。项目融合了生活服务与模拟养成两个领域，用户通过持续互动培养专属的AI仓鼠侍者，由其学习用户口味偏好后给出个性化午餐推荐。项目采用纯前端实现，无需后端服务器，降低了部署和运维成本，同时通过localStorage实现数据持久化，确保用户养成进度不丢失。

本项目以解决都市打工人"午餐选择焦虑"为核心痛点，将日常餐饮决策转化为一款由AI驱动的模拟养成体验。用户通过持续互动培养专属AI仓鼠侍者，系统在学习用户口味偏好后给出个性化午餐推荐。核心功能模块如下：
1. 蛋壳孵化系统：首次进入触发全屏孵化动画，仓鼠从蛋中破壳而出，结合Canvas粒子特效与程序化音效营造仪式感，建立用户与虚拟角色之间的情感连接。
2. 口味偏好学习引擎：通过多轮对话式交互与行为埋点，动态采集用户辣度偏好、菜系倾向、价位区间、忌口食材等多维数据，构建轻量级用户画像模型，并随使用时长持续迭代。
3. 权重可视化转盘推荐：将多维偏好数据映射为可交互的加权转盘，采用加权随机算法输出个性化午餐推荐，在"探索多样性"与"偏好收敛"之间动态平衡，每次推荐都有新鲜感。
4. 忌口语义反馈系统：支持用户一键标记忌口食材，推荐引擎在匹配阶段即完成禁忌过滤，从源头规避不适宜推荐，保障推荐结果的可用性。
5. 情绪状态机系统：仓鼠内置饥饿度、心情值、饱腹度等状态参数，通过有限状态机驱动行为表现，支持多套情绪动画与互动反馈，让角色"活"起来。
6. 成就收集系统：围绕料理图谱设计多层级成就体系，通过里程碑解锁与奖励反馈机制，提升用户留存与长期使用粘性。
7. 本地数据持久化：基于localStorage实现用户画像、养成进度、成就记录的全量本地存储，无感自动保存，支持跨会话无损恢复。

本项目由个人独立完成从产品策划、UI设计到前端编码、音效合成的全流程开发，开发环境为 TRAE Work。
【技术架构】
- 纯原生技术栈：HTML5 + CSS3 + JavaScript（ES6+），零框架、零第三方依赖，从源头规避库体积与兼容性开销，所有代码可控可维护。
- Canvas 2D 自研渲染引擎：负责角色绘制与动画系统，通过局部重绘与渲染上下文管理控制绘制开销。
- Web Audio API 程序化音频合成：全部音效（孵化、旋转、点击、成就）采用振荡器+滤波器+包络实时合成，无任何外部音频资源，加载体积极小。
- localStorage 持久化层：封装统一数据读写接口，支持版本化数据迁移与异常兜底，保证数据层稳定可靠。
【工程亮点】
1. 性能优化：图片资源统一压缩处理并采用懒加载策略，首屏可交互时间控制在1秒以内。
2. Canvas 状态栈管理：通过 save/restore 精确控制变换矩阵与合成模式，实现复杂动画的帧级复用，动画渲染帧率稳定在 60FPS。
3. 状态驱动架构：采用状态机模式管理仓鼠行为与界面状态，逻辑与渲染解耦，新增玩法只需扩展状态节点。
4. 自适应体验：响应式布局覆盖移动端与桌面端，触控滑动与鼠标点击双交互支持，兼顾游戏沉浸感与操作便利性。
【技术难点与解决方案】
1. Canvas 状态栈的 save/restore 管理：动画嵌套变换频繁，通过封装渲染上下文代理统一管理状态压栈与回退，有效避免状态泄漏导致的画面错乱。
2. 仓鼠 AI 行为决策：构建基于规则的行为树，结合随机性与用户实时反馈动态调整行为优先级，使 NPC 表现自然生动而非机械重复。
3. 推荐权重算法平衡：通过温度参数调节随机程度，在探索（尝试新菜系）与利用（收敛到偏好）之间找到平衡点，避免推荐结果单一化，兼顾惊喜感与准确率。