OpenClaw个人食谱推荐GLM-4.7-Flash根据食材生成菜单1. 为什么需要AI食谱助手上周六晚上我打开冰箱看着里面的食材发呆——半颗卷心菜、两个土豆、一块鸡胸肉和几个鸡蛋。这些零散的食材能组合出什么菜在尝试用搜索引擎查找卷心菜土豆鸡胸肉食谱无果后我突然想到为什么不让我刚部署的OpenClawGLM-4.7-Flash组合来试试这个场景可能很多人都遇到过。现代人生活节奏快常常面临两个矛盾一方面冰箱里堆着各种没吃完的食材另一方面又苦恼今天吃什么。传统解决方案要么依赖记忆中的菜谱要么需要人工搜索匹配效率低下且缺乏个性化。2. 技术方案选型与部署2.1 为什么选择GLM-4.7-Flash在测试了多个开源模型后我最终选择了GLM-4.7-Flash作为食谱推荐的核心模型主要基于三个实际考量首先它对中文食材名称和烹饪术语的理解明显优于同等规模的国际模型。在测试中它能准确区分老抽和生抽这样的专业调料而某些模型会混淆这两者。其次7B参数的规模在消费级显卡如RTX 3060上就能流畅运行我的MacBook Pro M1也能通过ollama以可接受的速度运行。最重要的是它的思维链特性特别适合食谱生成。当要求用土豆、鸡蛋、青椒做两道菜时它会先列出可能的组合方案再详细说明每道菜的做法而不是直接给出模糊建议。2.2 OpenClaw的集成方式我的部署方案是本地ollama服务OpenClaw的混合架构# 启动ollama服务GLM-4.7-Flash已提前pull ollama serve # 配置OpenClaw连接本地模型 openclaw models add \ --name glm-flash-local \ --base-url http://localhost:11434 \ --api-key 无需 \ --api ollama \ --model-name glm-4.7-flash关键配置点在~/.openclaw/openclaw.json的models部分{ models: { providers: { local-ollama: { baseUrl: http://localhost:11434, api: ollama, models: [ { id: glm-4.7-flash, name: GLM-4.7-Flash本地, contextWindow: 32768 } ] } } } }这种架构既保证了食材数据完全本地处理又能利用OpenClaw的任务编排能力。3. 从食材到菜单的实践流程3.1 基础食材分析系统工作流程始于食材输入。我设计了几种交互方式自然语言描述最常用帮我用冰箱里的这些食材设计晚餐鸡胸肉300g、土豆2个、鸡蛋5个、青椒3个、胡萝卜1根图片识别扩展通过OpenClaw插件clawhub install fridge-detector拍摄冰箱照片后自动识别食材列表库存文件导入openclaw skills run recipe-helper --input ./my_fridge.csvGLM-4.7-Flash会先对食材进行分类分析比如识别出蛋白质来源鸡胸肉、鸡蛋主食类土豆蔬菜类青椒、胡萝卜调味基础油盐等默认存在3.2 个性化推荐逻辑模型会根据多重因素生成推荐食材匹配度优先使用所有列出食材的组合烹饪难度根据用户历史反馈动态调整记录在~/.openclaw/user_prefs.json时间预估快速菜20分钟内或复杂菜式区分营养平衡自动搭配荤素避免单一营养来源一个典型的输出示例根据您的食材推荐以下组合方案 1. 主菜青椒炒鸡丁15分钟 - 消耗鸡胸肉200g、青椒2个 - 搭配胡萝卜丝炒蛋10分钟 2. 备选方案土豆炖鸡块30分钟 - 剩余鸡蛋可做水煮蛋作为次日早餐3.3 营养计算扩展通过安装nutrition-calculator技能系统可以进一步分析clawhub install nutrition-calculator现在食谱输出会包含营养估算总计 - 热量约850大卡 - 蛋白质62g - 碳水45g - 脂肪28g这个数据对健身人士特别有用。我常用指令如用现有食材设计高蛋白低脂的午餐热量控制在600大卡以内4. 实际使用中的调优经验4.1 提示词工程经过两周的调优我发现有效的提示词结构应该是你是一位专业营养师兼厨师请根据以下约束条件 1. 必须使用所有下列食材[食材列表] 2. 考虑用户偏好[忌口/偏好] 3. 给出2-3种方案标注准备时间和烹饪时间 4. 说明每道菜消耗的具体食材量 5. 如有剩余食材建议其他用途 当前冰箱食材...这种结构化提示使输出更加规范减少了模型自由发挥导致的不实用建议。4.2 本地知识库增强针对中式烹饪的特殊需求我建立了本地知识库常见食材替代规则如没有料酒时可用米酒醋地区特色菜谱如川菜、粤菜等基础做法厨具限制方案没有烤箱时的替代烹饪法这些存储在~/.openclaw/knowledge/下的Markdown文件通过技能动态加载clawhub install local-knowledge-loader4.3 典型问题与解决问题1模型有时建议缺少调料的菜式解决在提示词中明确假设只有基础调料盐、油、酱油、醋问题2时间预估不准解决安装time-estimator技能基于真实菜谱数据库校正问题3忽略食材保存状态解决在输入时标注快要变软的青椒2个模型会优先使用这些食材5. 系统效果与个人体验经过一个月的使用这个私人食谱助手已经成了我的厨房必备。几个印象深刻的使用场景应急创作朋友突然来访时用有限食材快速设计出三菜一汤减少浪费将各种边角料食材组合成创意菜如土豆胡萝卜煎饼学习新菜通过详细步骤模式成功尝试了之前不会的三杯鸡最让我惊喜的是系统的进化能力。随着使用频次增加它会逐渐学习我的偏好比如注意到我讨厌勾芡的菜推荐越来越精准。当然也有局限对于特别小众的食材如新鲜香草建议可能不够专业复杂的刀工技巧描述不够直观。这些时候还是需要结合视频教程。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
OpenClaw个人食谱推荐：GLM-4.7-Flash根据食材生成菜单
发布时间：2026/5/27 0:30:27
OpenClaw个人食谱推荐GLM-4.7-Flash根据食材生成菜单1. 为什么需要AI食谱助手上周六晚上我打开冰箱看着里面的食材发呆——半颗卷心菜、两个土豆、一块鸡胸肉和几个鸡蛋。这些零散的食材能组合出什么菜在尝试用搜索引擎查找卷心菜土豆鸡胸肉食谱无果后我突然想到为什么不让我刚部署的OpenClawGLM-4.7-Flash组合来试试这个场景可能很多人都遇到过。现代人生活节奏快常常面临两个矛盾一方面冰箱里堆着各种没吃完的食材另一方面又苦恼今天吃什么。传统解决方案要么依赖记忆中的菜谱要么需要人工搜索匹配效率低下且缺乏个性化。2. 技术方案选型与部署2.1 为什么选择GLM-4.7-Flash在测试了多个开源模型后我最终选择了GLM-4.7-Flash作为食谱推荐的核心模型主要基于三个实际考量首先它对中文食材名称和烹饪术语的理解明显优于同等规模的国际模型。在测试中它能准确区分老抽和生抽这样的专业调料而某些模型会混淆这两者。其次7B参数的规模在消费级显卡如RTX 3060上就能流畅运行我的MacBook Pro M1也能通过ollama以可接受的速度运行。最重要的是它的思维链特性特别适合食谱生成。当要求用土豆、鸡蛋、青椒做两道菜时它会先列出可能的组合方案再详细说明每道菜的做法而不是直接给出模糊建议。2.2 OpenClaw的集成方式我的部署方案是本地ollama服务OpenClaw的混合架构# 启动ollama服务GLM-4.7-Flash已提前pull ollama serve # 配置OpenClaw连接本地模型 openclaw models add \ --name glm-flash-local \ --base-url http://localhost:11434 \ --api-key 无需 \ --api ollama \ --model-name glm-4.7-flash关键配置点在~/.openclaw/openclaw.json的models部分{ models: { providers: { local-ollama: { baseUrl: http://localhost:11434, api: ollama, models: [ { id: glm-4.7-flash, name: GLM-4.7-Flash本地, contextWindow: 32768 } ] } } } }这种架构既保证了食材数据完全本地处理又能利用OpenClaw的任务编排能力。3. 从食材到菜单的实践流程3.1 基础食材分析系统工作流程始于食材输入。我设计了几种交互方式自然语言描述最常用帮我用冰箱里的这些食材设计晚餐鸡胸肉300g、土豆2个、鸡蛋5个、青椒3个、胡萝卜1根图片识别扩展通过OpenClaw插件clawhub install fridge-detector拍摄冰箱照片后自动识别食材列表库存文件导入openclaw skills run recipe-helper --input ./my_fridge.csvGLM-4.7-Flash会先对食材进行分类分析比如识别出蛋白质来源鸡胸肉、鸡蛋主食类土豆蔬菜类青椒、胡萝卜调味基础油盐等默认存在3.2 个性化推荐逻辑模型会根据多重因素生成推荐食材匹配度优先使用所有列出食材的组合烹饪难度根据用户历史反馈动态调整记录在~/.openclaw/user_prefs.json时间预估快速菜20分钟内或复杂菜式区分营养平衡自动搭配荤素避免单一营养来源一个典型的输出示例根据您的食材推荐以下组合方案 1. 主菜青椒炒鸡丁15分钟 - 消耗鸡胸肉200g、青椒2个 - 搭配胡萝卜丝炒蛋10分钟 2. 备选方案土豆炖鸡块30分钟 - 剩余鸡蛋可做水煮蛋作为次日早餐3.3 营养计算扩展通过安装nutrition-calculator技能系统可以进一步分析clawhub install nutrition-calculator现在食谱输出会包含营养估算总计 - 热量约850大卡 - 蛋白质62g - 碳水45g - 脂肪28g这个数据对健身人士特别有用。我常用指令如用现有食材设计高蛋白低脂的午餐热量控制在600大卡以内4. 实际使用中的调优经验4.1 提示词工程经过两周的调优我发现有效的提示词结构应该是你是一位专业营养师兼厨师请根据以下约束条件 1. 必须使用所有下列食材[食材列表] 2. 考虑用户偏好[忌口/偏好] 3. 给出2-3种方案标注准备时间和烹饪时间 4. 说明每道菜消耗的具体食材量 5. 如有剩余食材建议其他用途 当前冰箱食材...这种结构化提示使输出更加规范减少了模型自由发挥导致的不实用建议。4.2 本地知识库增强针对中式烹饪的特殊需求我建立了本地知识库常见食材替代规则如没有料酒时可用米酒醋地区特色菜谱如川菜、粤菜等基础做法厨具限制方案没有烤箱时的替代烹饪法这些存储在~/.openclaw/knowledge/下的Markdown文件通过技能动态加载clawhub install local-knowledge-loader4.3 典型问题与解决问题1模型有时建议缺少调料的菜式解决在提示词中明确假设只有基础调料盐、油、酱油、醋问题2时间预估不准解决安装time-estimator技能基于真实菜谱数据库校正问题3忽略食材保存状态解决在输入时标注快要变软的青椒2个模型会优先使用这些食材5. 系统效果与个人体验经过一个月的使用这个私人食谱助手已经成了我的厨房必备。几个印象深刻的使用场景应急创作朋友突然来访时用有限食材快速设计出三菜一汤减少浪费将各种边角料食材组合成创意菜如土豆胡萝卜煎饼学习新菜通过详细步骤模式成功尝试了之前不会的三杯鸡最让我惊喜的是系统的进化能力。随着使用频次增加它会逐渐学习我的偏好比如注意到我讨厌勾芡的菜推荐越来越精准。当然也有局限对于特别小众的食材如新鲜香草建议可能不够专业复杂的刀工技巧描述不够直观。这些时候还是需要结合视频教程。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
