OpenClaw个人食谱推荐：GLM-4.7-Flash根据食材生成菜单
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OpenClaw+GLM-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.csv
GLM-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。