【标签】 生活娱乐
【标题】 生活娱乐赛道 + 做一个智能食材管理与食谱推荐应用一一让冰箱里的食材物尽其用
【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 
-
你是谁： 我是一名对烹饪和 AI 技术都充满热情的独立开发者，平时喜欢折腾新技术，也喜欢在厨房里研究新菜式。；
-
在使用TRAE 之前，菜篮子只是我脑子里一个模糊的想法——“如果能有个 App 帮我管冰箱就好了”。 但我从没想过自己能一个人做出一个完整的全栈产品：前端界面、后端 API、AI 服务、数据库、容器化部署……每一项听起来都是一座大山。个人独立手写开发难度太大了，但AI和Trae等工具使这个想法可以简单的被实现出来。
用上 TRAE 之后，我就像在跟一个全栈工程师朋友聊天，一句句把脑子里的想法讲给他听： “我想做一个智能冰箱管理 App”、“能不能用拍照识别食材”、“帮我做成 Docker 部署”…… 每一步他都帮我拆解、实现、调试，我只需要专注于"我想要什么"。
让我最惊讶的是 AI 模型集成那一步。原本我以为接一个视觉识别模型至少要花几天研究文档和 API， 结果 TRAE 帮我搭建了一个支持 8 种 AI 模型规格的完整架构（Ollama、OpenAI、DeepSeek、Claude 等）， 而且每个功能可以独立配置不同的模型——这对于没有深厚 AI 背景的我来说，简直是跨过了一道天堑。
整个项目从零到部署上线，全部在 TRAE 里完成。它不只是帮我写了代码，更像是一个全程陪伴的搭档， 帮我把"想做"变成了"做了"。
1. Demo 简介
-
产品形态
菜篮子是一款全栈 Web 应用，采用响应式设计，桌面端和移动端均可流畅使用。 前端为 React 单页应用，后端基于 Node.js + Express，集成 Python AI 微服务，通过 Docker Compose 一键部署。
面向谁
核心用户是关注家庭饮食健康的上班族、年轻家庭和独居青年——那些经常打开冰箱不知道该做什么菜、 不时发现食材已经过期浪费、希望吃得健康又省心的人。
-
核心功能
AI 食材管理支持拍照识别食材、扫描购物小票自动录入，AI 自动分类、提取数量，还能设置临期提醒，再也不怕浪费。
智能食谱推荐根据冰箱现有食材，AI 智能匹配并生成个性化食谱。支持多种大模型配置，推荐结果更懂你的口味。
饮食偏好分析统计你的烹饪习惯、食材偏好和口味标签，AI 提供个性化饮食建议，帮助你吃得更有营养。
智能购物清单自动补全收藏食谱的缺失配料，一键生成购物清单，买菜再也不用写备忘录。
家庭组协作支持创建家庭组（最多 20 人），全家人共享冰箱状态，分工协作管理食材，减少重复购买。
定时推送提醒自动检测临期食材，每日推送食谱推荐和每周饮食报告，让你时刻掌握厨房动态。
2. Demo 创作思路
-
灵感来源
每次打开冰箱，我几乎都会经历三个灵魂拷问：“有什么？”、“能做什么？”、“是不是又过期了？” 逛超市看到打折的蔬菜忍不住囤一堆，回家塞进冰箱就忘了——直到某天翻出一袋已经发霉的青菜，心里又愧疚又肉痛。
我查了一下数据，中国城市家庭每年大约浪费 30% 的食材，这不仅浪费钱，更是对环境的巨大负担。 如果有一个工具能帮我"看见"冰箱里的东西、提醒我哪些快过期了、推荐我用现有食材做什么菜，这个问题就能大大缓解。
想解决的痛点
**食材浪费严重：**缺乏有效的过期提醒机制，用户不知道冰箱里有什么、什么快过期了，导致大量食材被遗忘扔掉。
**"每天吃什么"的选择困难：**不知道该做什么菜，缺乏基于现有食材的个性化推荐。
**重复购买与遗漏：**没有清晰的食材清单管理，容易重复购买已有食材，或遗漏需要补货的配料。
**录入门槛高：**手动录入每样食材的名字、分类、保质期太麻烦，大部分用户坚持不下来。
为什么做这个方向
**AI 视觉识别技术已经成熟：**通过拍照就能自动识别食材种类和数量，极大降低了用户使用门槛——不用打字，不用选分类，拍一张照片就搞定。
**本地化 AI 保护隐私：**支持 Ollama 等本地大模型，用户的饮食数据完全不出本地，在隐私敏感的厨房场景下格外重要。
**贴近日常刚需：**吃饭是每个人每天都要面对的问题，这是一个有广泛用户基础的刚需场景，而非锦上添花的"玩具"。
**经济与环保双价值：**减少食材浪费既省钱又环保，量化统计让用户直观感受到自己的改变。
3. Demo 体验地址（三选一）
caibasket-demo.html (76.4 KB)
4. TRAE 实践过程
-
整个项目从零到上线，全部在 TRAE 中完成。以下是完整的开发流程：
第一阶段
需求设计与规划
通过和 TRAE 对话梳理产品需求、用户画像、功能模块划分。从最初的"智能冰箱管理"想法，逐步细化为食材管理、AI 识别、食谱推荐、购物清单、统计偏好、家庭组六大模块。
第二阶段
前端开发
使用 React + TypeScript + Vite 搭建 SPA，实现了 10 个页面组件：登录、冰箱首页、添加食材（拍照/手动/小票三种模式）、食谱列表、食谱详情、创建食谱、购物清单、统计偏好、个人中心、AI 配置。采用手机端优先的响应式设计，底部五 Tab 导航。
第三阶段
后端 API 开发
基于 Node.js + Express + TypeScript 构建 RESTful API，包含 7 组路由（认证、食材、食谱、购物、统计、家庭组、AI），JWT 双 Token 认证，MongoDB 7 个数据模型，Redis 缓存，Socket.IO 实时通信，node-cron 定时任务。
第四阶段
AI 服务集成
搭建 Python FastAPI AI 微服务，实现多模型支持（Ollama/OpenAI/DeepSeek 等 8 种 API 规格），每个 AI 功能可独立配置不同模型。实现拍照识别食材、购物小票识别、食谱智能匹配、AI 生成食谱、饮食分析五大 AI 能力。
第五阶段
容器化部署
通过 Docker Compose 编排 7 个服务（Nginx、Node.js 后端、Python AI 服务、MongoDB、Redis、Prometheus、Grafana），配置 Nginx 反向代理、健康检查、数据持久化，AI 服务镜像从 5GB+ 精简至约 300MB。
第六阶段
UI 打磨与项目整理
优化 UI 细节：创建 SVG 矢量图标组件、AI 配置入口低调化、API 选择改为下拉列表、偏好统计页全面改造。最后整理项目结构，制作自包含 HTML Demo 页面。
技术栈总览
层 技术 前端 React + TypeScript + Vite + React Router v6 后端 Node.js + Express + TypeScript + JWT + Socket.IO AI 服务 Python FastAPI + YOLOv8 + jieba + sentence-transformers 数据库 MongoDB 7.0 (Mongoose) + Redis 7 AI 模型 Ollama / OpenAI / DeepSeek / Claude / Gemini / 智谱 / Moonshot / 通义千问 部署 Docker Compose (Nginx + 7 服务编排) 监控 Prometheus + Grafana -
附开发关键步骤截图（不少于 3 张）；
-
附关键任务对话的 Session ID（不少于 3 个），用于证明作品由 TRAE 开发完成。
-
以下是开发过程中的关键对话 Session ID，用于验证作品由 TRAE 开发完成：
Session 1 — 容器化部署 + 功能迭代
6a471d8a68016d5b758341fe
本次会话完成了大量核心工作：Web 前端容器化（Dockerfile + Nginx 配置）、API 地址修复、AI 服务镜像精简（5GB→300MB）、统计页改造为偏好统计（AI 饮食分析）、AI 模型独立配置（4 功能 × 8 模型规格）、食材导入导出功能、购物小票识别功能、UI 图标 SVG 化与细节打磨。
Session 2 — 项目整理 + Demo 制作
6a4743f268016d5b7583474d
清理项目冗余文件（约 540MB），整理目录结构。制作自包含 HTML Demo 页面（caibasket-demo.html），模拟手机界面，涵盖登录、冰箱管理、食谱推荐、购物清单、偏好统计等全部核心功能的交互式体验。
Session 3 — 提交材料整理
6a474e8768016d5b758348ac
整理 TRAE 创意大赛提交材料，包括作品介绍、创作思路、技术架构、开发流程、截图配图和 Session ID 汇总，生成完整的提交报告。
5. 对应的报名审核通过的帖子链接
【生活服务赛道】做一个智能食材管理与食谱推荐应用一一让冰箱里的食材物尽其用 - TRAE AI 创造力大赛 / 【大赛报名专区】 - TRAE 官方中文社区
