【标签】 生活娱乐
【标题】 生活娱乐赛道 | 食光机 —— AI食材识别 + 智能菜谱推荐小程序
【正文】 至少包含以下 4 个部分，可以增加额外的部分（比如自我介绍、经验总结、踩坑复盘等）
0. 先和大家打个招呼吧 
- 大家好，我是一名在读研究生，平时对 AI 产品挺感兴趣，但说实话，编程能力也就停留在"能看懂一点、自己写不出来"的水平。这次参加比赛，脑子里其实很早就有"食光机"这个想法了——因为我自己在菜市场就经常犯懵，看着莲藕不知道是粉是脆，站在水果摊前挑西瓜全靠运气。但想法一直只是想法，因为我根本不知道怎么把一个"拍照就能识别食材品质"的概念变成一个能跑起来的东西。直到我开始用 TRAE。整个过程比我预想的顺畅太多了。我就是像跟一个很聪明的朋友聊天一样，把脑子里想的场景一句句说给它听——“我想做一个拍照识菜的小程序”“用户在菜市场拍几样菜，能告诉他买回去能做什么”“还要能判断新不新鲜”……它不是直接丢给我一堆代码，而是先帮我把想法梳理成结构化的方案，确认方向对了再动手。让我最惊讶的一步是写创意文档。我原本觉得自己文笔一般，很难把一个产品想法写得有说服力。结果我只需要把核心思路告诉 TRAE，它就能帮我一层层把用户痛点、功能设计、竞争壁垒都展开，还会主动提醒我"你的组合推荐功能在菜市场也能用啊"——这个点我自己都没想透，它帮我补上了。如果没有 TRAE，这个想法大概率就停留在"如果有人能做这么个东西就好了"的阶段。但它帮我跨过了那个最大的坎：从"有一个想法"到"真的把它做出来"。
1. Demo 简介
-
是什么：食光机是一款基于AI图像识别的食材识别与智能菜谱推荐小程序Demo模拟手机端小程序体验，无需安装即开即用。
-
面向谁：18-45岁城市青年、厨房新手、注重饮食健康的上班族——买菜时不知道食材品种、买了菜不知道做什么、不知道怎么搭配食材的人群。
-
主要功能：
-
1.AI食材识别：拍照上传食材图片，自动识别食材种类和品种，并展示品种判定、口感预测、新鲜度等详细分析信息。支持40+种常见食材识别，含细分品种（如南瓜7种、辣椒3种、莲藕2种等）。
-
2.多食材组合菜谱推荐：上传多种食材后一键识别，系统自动将所有食材组合推荐菜谱。推荐分为「组合推荐」（使用多种上传食材的菜品）和「单食材做法」（单独使用某种食材的菜品），并标注匹配程度（完全匹配/部分匹配）。内置100+道菜谱，并可以推荐社区相关菜谱视频。
-
3.食材社区与个人中心：社区页面展示用户分享的食材搭配和烹饪心得，支持点赞互动（默认灰色心，点击变红）；个人中心支持头像上传、资料编辑、钱包功能，历史识别记录可随时查看。
2. Demo 创作思路
-
灵感来源：
作为一个研究生，经常自己去菜市场买菜，但面对琳琅满目的蔬菜，经常遇到三个问题：
-
看到不认识的蔬菜，不知道叫什么、怎么做
-
买了辣椒和西兰花，却不知道这两种食材能搭配做什么菜
-
不知道食材的新鲜度，不会挑选品种
这些痛点让我想到：如果能做一个"拍一拍就知道是什么、能做什么"的工具，就能解决很多人买菜时的困惑。
想解决的问题：
-
食材识别难：菜市场食材种类繁多，普通消费者难以区分品种（如贝贝南瓜vs老南瓜、七孔藕vs九孔藕）
-
菜谱匹配乱：现有菜谱App推荐菜谱时不管你有什么食材，经常推荐需要辣椒粉、干辣椒等加工品的菜，而不是用你手上的新鲜食材
-
组合搭配难：买了多种食材不知道怎么组合烹饪，需要人工搜索每个食材的做法
-
3，为什么做这个方向：
选择生活娱乐赛道，因为"吃"是每个人每天都要面对的事，食材识别+菜谱推荐是高频刚需场景。相比硬件交互方案，纯软件方案更容易触达用户，也更适合比赛Demo展示。通过图像识别技术降低使用门槛，让用户拍个照就能获得专业级的食材知识和烹饪建议。
4. Demo 体验地址（三选一）
- 部署随时可公开访问的体验链接
5. TRAE 实践过程
-
步骤1：项目搭建与基础UI开发
在TRAE中创建项目，搭建手机模拟框架，实现底部Tab栏（识菜信息、烹饪信息、社区、我的）四个页面切换。
关键对话 Session ID： 1870700459343191:712d1f8b9f694244472d215ed4e84056_6a4dff173a53d16ad0afdd8e.6a4dff183a53d16ad0afdd91.6a4dff173a53d16ad0afdd8f:TRAE Work CN.0.1.25.no_sid.no_ppe.T(2026/7/8 15:41:12)
步骤2：食材数据库构建与组合菜谱推荐
通过TRAE对话，将食材数据库从13种扩展到38种（含辣椒、茄子、豆角、芹菜、菠菜、洋葱、蘑菇、玉米、韭菜、西兰花等），菜谱数据库从8道扩展到34道。实现了多食材组合推荐算法——上传辣椒和莲藕时，推荐"辣椒炒莲藕"等组合菜而非单独推荐。
关键对话 Session ID： 1870700459343191:704dcbc778473795f97ff15bba95c898_6a4dff173a53d16ad0afdd8e.6a4f222ba75c0a6450d52be7.6a4f222ba75c0a6450d52be5:TRAE Work CN.0.1.25.no_sid.no_ppe.T(2026/7/9 12:23:07)
步骤3：识别精度优化——颜色特征+纹理分析
存在误识别问题（南瓜识别为土豆、辣椒品种识别不准）。在TRAE中通过多轮对话迭代优化：
-
实现颜色特征二次评分：图片绿色成分>15%时南瓜分数+50，土豆分数-10
-
实现纹理复杂度评分：表面光滑增加菜椒/甜椒分数，褶皱弯曲增加二荆条/青椒分数
步骤4：菜谱匹配精准化与食材库扩充
针对用户反馈"推荐了用辣椒粉的菜谱而非新鲜辣椒"的问题，在TRAE中优化匹配逻辑：
-
定义加工品关键词，区分新鲜食材与加工品
-
修正匹配逻辑：上传"胡萝卜"不再匹配"白萝卜"菜谱（避免子串包含误匹配）
-
扩充食材库至56种（新增茄子、韭菜、香菇、海鲜菇、土豆、油麦菜、洋葱、娃娃菜、香芋、黑豆、草鱼、虾、螃蟹、鱿鱼、鹌鹑蛋、花生等16种）
-
菜谱库扩充至100+道，含单食材做法和组合做法
关键对话 Session ID： 1870700459343191:8dac7c46c44e418010d8aaec05100460_6a4dff173a53d16ad0afdd8e.6a5734cb2b625c3510897bca.6a5734cb2b625c3510897bc8:TRAE Work CN.0.1.25.no_sid.no_ppe.T(2026/7/15 15:20:43)
-
6. 开发心得与经验总结
技术选型决策
-
纯前端方案 vs 后端架构：最初采用Flask后端架构，但考虑到比赛Demo需要方便评审体验，最终改为纯前端HTML方案——双击即用，无需配置环境。百度AI API通过JavaScript直接调用，token缓存在前端。
-
识别精度优化：识别存在误识别（南瓜→土豆、莲藕→土豆），单纯依赖API不够可靠。通过在API结果基础上叠加本地颜色特征分析和纹理复杂度评分，实现了二次修正，显著提升了识别准确率。
-
菜谱匹配算法迭代：经历了多轮优化：
-
第一版：简单字符串包含匹配（“萝卜"匹配"胡萝卜”，错误）
-
第二版：加入加工品过滤（排除辣椒粉、干辣椒等）
-
第三版：长度比较防止子串误匹配 + 匹配率门槛（>=30%）
-
TRAE使用体验
-
TRAE的对话式开发极大降低了开发门槛，即使非专业前端开发者也能通过自然语言描述需求，快速实现复杂功能
-
TRAE的记忆功能帮助保持了项目连续性，跨天开发时能自动回顾之前的决策和约定
-
子代理功能在批量添加食材和菜谱数据时非常高效，一次性完成了16种食材和34道菜谱的添加