🧠

Model

GustoBot

Name: GustoBot
Author: skygazer42

by skygazer42 gh-model--skygazer42--gustobot

Nexus Index

45.7 Top 100%

S: Semantic 50

A: Authority 0

P: Popularity 51

R: Recency 90

Q: Quality 70

Tech Context

Vital Performance

0 DL / 30D

0.0%

Source →

Audited 45.7 FNI Score

Tiny - Params

- Context

0 Downloads

Commercial APACHE License

Model Information Summary
Entity Passport
Registry ID	gh-model--skygazer42--gustobot
License	Apache-2.0
Provider	github

📜

Cite this model

Academic & Research Attribution

BibTeX

@misc{gh_model__skygazer42__gustobot,
  author = {skygazer42},
  title = {GustoBot Model},
  year = {2026},
  howpublished = {\url{https://github.com/skygazer42/gustobot}},
  note = {Accessed via Free2AITools Knowledge Fortress}
}

APA Style

skygazer42. (2026). GustoBot [Model]. Free2AITools. https://github.com/skygazer42/gustobot

🔬Technical Deep Dive

Full Specifications [+]

Quick Commands

🐙 Git Clone

git clone https://github.com/skygazer42/gustobot

⚖️ Nexus Index V2.0

Methodology Index Protocol

45.7

TOP 100% SYSTEM IMPACT

Semantic (S) 50

Authority (A) 0

Popularity (P) 51

Recency (R) 90

Quality (Q) 70

💬 Index Insight

FNI V2.0 for GustoBot: Semantic (S:50), Authority (A:0), Popularity (P:51), Recency (R:90), Quality (Q:70).

Free2AITools Nexus Index

Verification Authority

HuggingFace API GitHub Metadata Arxiv Citation DB System Audit

Unbiased Data Node Refresh: VFS Live

---

🚀 What's Next?

📊

Find Training Datasets

Discover datasets compatible with this model

📈

Compare Benchmarks

See how this model ranks on standard tests

⚡

Deployment Guide

Understand deployment options

Technical Deep Dive

GustoBot - 智能菜谱客服

基于 Multi-Agent 架构的智能菜谱客服

项目简介

中华菜谱作为世界饮食文化的瑰宝之一，拥有深厚的历史底蕴与丰富的知识体系。从八大菜系的地域特色，到食材搭配的营养学原理，再到烹饪技法的代际传承，菜谱知识既具有高度结构化的特点（如食材用量、烹饪步骤），又包含大量非结构化的文化典故与经验性描述。这种复杂性使得传统的关键词搜索难以满足用户对菜谱知识的深度探索需求。

随着大语言模型（LLM）与知识增强技术的快速发展，将菜谱知识构建为一个多模态、结构化、可交互的 AI 系统成为可能。本项目以中华菜谱数据为基础，构建出覆盖菜谱名称、食材、烹饪步骤、营养成分、菜系流派、历史典故等元素的多层次知识图谱，并结合大模型的理解与生成能力，打造了一个专注于菜谱领域的智能客服——「GustoBot」。

在技术架构层面，我们融合了 LangGraph 多智能体编排、GraphRAG 图谱检索增强、Text2SQL 结构化查询、以及多源知识融合技术，使用户不仅可以通过自然语言提问获得精确答案（如"宫保鸡丁怎么做？"、"川菜有多少道菜？"），还能探索菜谱的历史文化背景（如"宫保鸡丁的典故"）、获取营养建议、甚至生成菜品图片。

核心价值

本项目致力于打造一个可迁移、可扩展、面向垂直领域的智能客服模板系统。通过清晰的三层架构设计（主路由层 → 多工具子图层 → 原子工具层），你可以轻松将其迁移至其他垂直领域（如「宝可梦百科」、「中医药典」、「法律咨询」、「政务服务」等）中打造专域智能客服。仅需更换知识源与图谱结构，即可实现：

智能意图理解：自动识别问题类型，路由到最优处理模块
多工具协作：动态组合 Neo4j 图谱查询、MySQL 统计分析、向量检索、外部搜索等多种工具
PostgreSQL 优先兜底策略：结构化数据优先 → 向量兜底 → 外部搜索，确保答案质量
多模态交互：支持文本问答、图片识别/生成、文件解析等多种交互方式
知识来源可追溯：每个答案都标注来源，支持多源信息融合
安全防护机制：Guardrails 层确保问题在服务范围内，拒绝越界查询

核心功能

功能模块	说明	技术实现
全参微调	爬取和收集数据微调大模型	微调厨神模型
智能路由	自动识别问题类型，路由到合适的处理模块	启发式路由 + LLM 结构化输出
知识库查询	支持历史文化、菜谱典故等知识查询	Milvus + PostgreSQL pgvector + Reranker
图谱推理	基于 Neo4j 的菜谱关系推理	Cypher 动态生成 + Few-shot 示例检索
统计分析	MySQL 数据库的统计和聚合查询	Text2SQL + LLM 自然语言转换
社区检索	Microsoft GraphRAG 社区摘要检索	LightRAG Global/Local/Hybrid Search
图片处理	菜品图片识别与生成	Vision Model + CogView-4
文件处理	支持 Excel、TXT、Markdown 等文件上传分析	Ingest Service + Knowledge Service
对话管理	完整的对话历史和会话管理	LangGraph Checkpointer + Redis

技术架构

图：GustoBot Multi-Agent 系统架构总览

本项目采用 三层 Multi-Agent 架构，将复杂的菜谱知识服务拆解为清晰的层次化设计：

架构分层

层级	名称	职责	核心技术
L1	主路由层	意图识别与任务分发	启发式路由 + LLM 结构化输出
L2	多工具子图层	任务分解与工具编排	LangGraph Subgraph + Map-Reduce
L3	原子工具层	具体工具执行	Neo4j / MySQL / Milvus / PostgreSQL

核心执行流程

用户提问 → 主路由层意图识别 (analyze_and_route_query)
路由决策 → 分发至不同子图 (graphrag-query / kb-query / general-query 等)
子图执行 → Guardrails 检查 → Planner 分解 → Tool Selection → 并行工具调用
结果融合 → Summarize Node 聚合 → Final Answer 生成最终回答
返回用户 → 带来源标注的完整答案

项目特色

1. 三层架构设计 - 清晰的职责分离

主路由层 (L1): 启发式关键词 + LLM 双重路由保险，快速准确识别用户意图
多工具子图层 (L2): LangGraph Subgraph 实现任务分解与并行工具编排
原子工具层 (L3): 可插拔的工具设计，轻松扩展新能力

2. PostgreSQL 优先兜底策略 - 确保答案质量

text

结构化数据 (PostgreSQL pgvector) → 向量检索兜底 (Milvus) → 外部搜索补充 (External API)

优先查询 PostgreSQL: 快速返回精准的结构化数据（菜谱名称、菜系、食材等）
Milvus 兜底: PostgreSQL 无结果时，使用语义检索处理长文本和典故
外部搜索: Hybrid 模式下调用外部 API 补充最新知识

3. Map-Reduce 任务分解 - 处理复杂查询

Planner Node: 将复杂问题拆解为多个独立子任务
并行执行: 子任务并行调用不同工具（Cypher / GraphRAG / Text2SQL）
Summarize Node: 聚合所有工具结果，LLM 融合生成答案

4. Reranker 双阈值过滤 - 提升检索精度

python

# 双重阈值确保结果质量
similarity >= KB_POSTGRES_SIMILARITY_THRESHOLD  # 相似度阈值
rerank_score >= KB_POSTGRES_RERANK_THRESHOLD    # 重排分数阈值

支持 Cohere / Jina / Voyage / BGE 等多种 Reranker
有效过滤低质量检索结果，提升答案准确性

5. 多源知识融合 - 全面的信息整合

图谱推理 (Neo4j): 菜谱关系、食材搭配、菜系归属
统计分析 (MySQL): 数量统计、排行榜、聚合查询
语义检索 (Milvus + PostgreSQL): 历史典故、文化背景
社区摘要 (Microsoft GraphRAG): 全局/局部/混合检索
外部知识 (Search API): 实时互联网信息补充

6. 可迁移的垂直领域模板 - 高度泛化

仅需替换知识源与图谱 Schema，即可快速迁移至其他领域：

应用领域	知识源示例	图谱节点示例
菜谱客服	菜谱数据、食材库	菜品、食材、菜系、烹饪方法
宝可梦百科	宝可梦图鉴	宝可梦、技能、属性、进化链
中医药典	本草纲目、方剂	中药、病症、方剂、炮制方法
法律咨询	法律条文、案例	法条、案件、当事人、判决
政务服务	政策文件、办事指南	政策、部门、流程、材料

7. 多模态交互 - 丰富的用户体验

图片识别: Vision Model 识别菜品，返回菜谱信息
图片生成: CogView-4 根据描述生成菜品图片
文件处理: 支持 Excel、TXT、Markdown、JSON 文件上传与分析
对话管理: LangGraph Checkpointer + Redis 维护完整会话历史

8. Guardrails 安全防护 - 拒绝越界查询

范围检查: 每个查询都经过 Guardrails 节点检查是否在服务范围内
Schema 验证: 验证 Neo4j 图谱 Schema，确保查询可执行
拒绝策略: 明确拒绝超出菜谱领域的问题，引导用户提供有效输入

快速开始

环境要求

Python 3.10
Node.js 16+
Docker & Docker Compose

bash

# 克隆项目
git clone https://github.com/skygazer42/GustoBot.git
cd GustoBot

# 配置环境变量
cp .env.example .env # 编辑 .env 文件，配置必要的 API 密钥


# 启动后端服务（Docker）
docker-compose up -d

# 安装并启动前端（本地）
cd web
npm install
npm run dev

# 访问应用
# 前端: http://localhost:5173 （可通过 VITE_PORT 修改端口）
# 后端API: http://localhost:8000

系统架构图

mermaid

graph TB
    %% ========== 用户入口 ==========
    Start([用户提问]) --> MainGraph[LangGraph 主工作流]

    %% ========== 第一层：主路由层 ==========
    MainGraph --> RouterNode["analyze_and_route_query
━━━━━━━━━━━━━━━━
系统提示: ROUTER_SYSTEM_PROMPT
启发式路由 + LLM 路由双保险
结构化输出: Router Pydantic Model"]

    RouterNode --> RouteDecision{"route_query
条件路由"}

    RouteDecision -->|general-query| GeneralNode["respond_to_general_query
━━━━━━━━━━━━━━━━
GENERAL_QUERY_SYSTEM_PROMPT
纯 LLM 生成回复
不调用任何外部工具"]

    RouteDecision -->|additional-query| AdditionalNode["get_additional_info
━━━━━━━━━━━━━━━━
GET_ADDITIONAL_SYSTEM_PROMPT
Guardrails 安全检查
引导用户提供更多信息"]

    RouteDecision -->|graphrag-query
text2sql-query| ResearchNode["create_research_plan
━━━━━━━━━━━━━━━━
调用 GraphRAG 多工具子图"]

    RouteDecision -->|kb-query| KBNode["create_kb_query
━━━━━━━━━━━━━━━━
调用知识库多工具子图"]

    RouteDecision -->|image-query| ImageNode["create_image_query
━━━━━━━━━━━━━━━━
图片识别: Vision Model
图片生成: CogView-4"]

    RouteDecision -->|file-query| FileNode["create_file_query
━━━━━━━━━━━━━━━━
Excel: 外部 Ingest Service
TXT/MD/JSON: KnowledgeService"]

    %% ========== 第二层A：GraphRAG 多工具子图 ==========
    ResearchNode --> SubGraph1["╔═══════════════════════════════════════╗
║  GraphRAG 多工具子图 (create_multi_tool_workflow)  ║
╚═══════════════════════════════════════╝"]

    SubGraph1 --> SG1_Guardrails["Guardrails Node
━━━━━━━━━━━━━━━━
GUARDRAILS_SYSTEM_PROMPT
检查问题范围
图谱 Schema 验证"]

    SG1_Guardrails --> SG1_GuardCheck{"通过检查?"}
    SG1_GuardCheck -->|拒绝 end| SG1_FinalAnswer_Reject["直接返回拒绝消息"]
    SG1_GuardCheck -->|通过 proceed| SG1_Planner["Planner Node
━━━━━━━━━━━━━━━━
任务分解提示
Map-Reduce 模式
将复杂问题拆解为子任务"]

    SG1_Planner --> SG1_MapReduce["map_reduce_planner_to_tool_selection
━━━━━━━━━━━━━━━━
条件边逻辑
遍历每个子任务"]

    SG1_MapReduce --> SG1_ToolSelection["Tool Selection Node
━━━━━━━━━━━━━━━━
根据 tool_schemas 选择工具
LLM structured output
工具列表:
  • cypher_query
  • predefined_cypher
  • microsoft_graphrag_query
  • text2sql_query"]

    SG1_ToolSelection --> SG1_ToolDecision{"选择的工具?"}

    SG1_ToolDecision -->|cypher_query| SG1_Cypher["Cypher Query Node
━━━━━━━━━━━━━━━━
动态生成 Cypher
BaseCypherExampleRetriever
  检索 Few-shot 示例
LLM 生成查询语句
Cypher 验证 (可选)
Neo4j 执行查询
返回图谱数据"]

    SG1_ToolDecision -->|predefined_cypher| SG1_Predefined["Predefined Cypher Node
━━━━━━━━━━━━━━━━
predefined_cypher_dict
匹配预定义查询
Neo4j 直接执行
快速、准确"]

    SG1_ToolDecision -->|microsoft_graphrag_query| SG1_GraphRAG["Microsoft GraphRAG Node
━━━━━━━━━━━━━━━━
LightRAG 社区检索
Global Search (全局)
Local Search (局部)
Hybrid Search (混合)
社区摘要 + 实体关系"]

    SG1_ToolDecision -->|text2sql_query| SG1_Text2SQL["Text2SQL Query Node
━━━━━━━━━━━━━━━━
自然语言转 SQL
LLM 生成 SQL 语句
支持统计、聚合、排名
MySQL 执行查询
返回结构化数据"]

    SG1_Cypher --> SG1_Summarize["Summarize Node
━━━━━━━━━━━━━━━━
聚合所有工具结果
合并 data 字段
LLM 初步整理"]
    SG1_Predefined --> SG1_Summarize
    SG1_GraphRAG --> SG1_Summarize
    SG1_Text2SQL --> SG1_Summarize

    SG1_Summarize --> SG1_FinalAnswer["Final Answer Node
━━━━━━━━━━━━━━━━
RAGSEARCH_SYSTEM_PROMPT
LLM 生成最终回答
引用来源标注
幻觉检查 (可选)"]

    SG1_FinalAnswer --> SG1_End["返回到主工作流
answer 字段"]
    SG1_FinalAnswer_Reject --> SG1_End

    %% ========== 第二层B：知识库多工具子图 ==========
    KBNode --> SubGraph2["╔═══════════════════════════════════════╗
║  知识库多工具子图 (create_kb_multi_tool_workflow)  ║
╚═══════════════════════════════════════╝"]

    SubGraph2 --> SG2_Guardrails["KB Guardrails Node
━━━━━━━━━━━━━━━━
KBGuardrailsDecision
scope_description 范围检查
仅处理历史文化典故类问题"]

    SG2_Guardrails --> SG2_GuardCheck{"通过检查?"}
    SG2_GuardCheck -->|decision=end| SG2_Finalize_Reject["直接返回拒绝
返回 summary"]
    SG2_GuardCheck -->|decision=proceed| SG2_Router["KB Router Node
━━━━━━━━━━━━━━━━
KBRouteDecision
LLM 路由决策
路由类型:
  • local (本地检索)
  • external (外部API)
  • hybrid (混合)
工具选择:
  • postgres (优先)
  • milvus (兜底)"]

    SG2_Router --> SG2_RouteCheck{"路由类型?"}

    SG2_RouteCheck -->|local/hybrid| SG2_LocalSearch["Local Search Node
━━━━━━━━━━━━━━━━
PostgreSQL 优先策略:
━━━━━━━━━━━━━━━━
Step 1: 查询 PostgreSQL pgvector
  • 结构化数据 (Excel 导入)
  • 菜谱名称、菜系、枚举字段
  • 快速、精准
  • threshold 阈值过滤
━━━━━━━━━━━━━━━━
Step 2: 如果 PG 有结果
  → 直接使用，跳过 Milvus
━━━━━━━━━━━━━━━━
Step 3: 如果 PG 无结果
  → Milvus 向量库兜底
  • 长文本故事、典故
  • 语义相似度检索
  • threshold 阈值过滤"]

    SG2_RouteCheck -->|external| SG2_ExternalSearch

    SG2_LocalSearch --> SG2_PG[("PostgreSQL pgvector
━━━━━━━━━━━━━━━━
结构化向量数据
快速精准查询
similarity 相似度
第一优先级")]

    SG2_LocalSearch --> SG2_Milvus[("Milvus 向量库
━━━━━━━━━━━━━━━━
长文本语义检索
故事、典故内容
similarity 相似度
兜底策略")]

    SG2_PG --> SG2_Reranker{"Reranker 启用?"}
    SG2_Milvus --> SG2_Reranker

    SG2_Reranker -->|是| SG2_RerankProcess["Reranker 重排序
━━━━━━━━━━━━━━━━
Reranker API
  • Cohere / Jina / Voyage / BGE
━━━━━━━━━━━━━━━━
双重阈值过滤:
  • similarity >= threshold
  • rerank_score >= threshold
━━━━━━━━━━━━━━━━
提升结果质量"]

    SG2_Reranker -->|否| SG2_MergeResults["合并结果"]
    SG2_RerankProcess --> SG2_MergeResults

    SG2_MergeResults --> SG2_ResultCheck{"结果充足?"}
    SG2_ResultCheck -->|是| SG2_Finalize
    SG2_ResultCheck -->|否 且 hybrid| SG2_ExternalSearch["External Search Node
━━━━━━━━━━━━━━━━
external_search_url
调用外部检索 API
互联网知识补充
timeout 超时控制"]

    SG2_ExternalSearch --> SG2_Finalize["Finalize Node
━━━━━━━━━━━━━━━━
final_prompt
LLM 融合多源信息:
  • Milvus 结果
  • PostgreSQL 结果
  • External 结果
━━━━━━━━━━━━━━━━
格式化 context
收集 sources
生成最终回答"]

    SG2_Finalize --> SG2_End["返回到主工作流
answer + sources 字段"]
    SG2_Finalize_Reject --> SG2_End

    %% ========== 汇总返回 ==========
    GeneralNode --> End([返回用户])
    AdditionalNode --> End
    ImageNode --> End
    FileNode --> End
    SG1_End --> End
    SG2_End --> End

    %% ========== 样式定义 ==========
    classDef entryClass fill:#e3f2fd,stroke:#1565c0,stroke-width:3px,color:#000
    classDef routerClass fill:#fff9c4,stroke:#f57f17,stroke-width:2px,color:#000
    classDef nodeClass fill:#f3e5f5,stroke:#6a1b9a,stroke-width:2px,color:#000
    classDef subgraphClass fill:#ffe0b2,stroke:#e65100,stroke-width:3px,color:#000
    classDef toolClass fill:#e1bee7,stroke:#4a148c,stroke-width:2px,color:#000
    classDef dbClass fill:#c8e6c9,stroke:#2e7d32,stroke-width:2px,color:#000
    classDef llmClass fill:#ffcdd2,stroke:#c62828,stroke-width:2px,color:#000
    classDef decisionClass fill:#fff3e0,stroke:#ef6c00,stroke-width:2px,color:#000
    classDef endClass fill:#b2dfdb,stroke:#00695c,stroke-width:3px,color:#000

    class Start,MainGraph entryClass
    class RouterNode,SG2_Router routerClass
    class GeneralNode,AdditionalNode,ImageNode,FileNode nodeClass
    class SubGraph1,SubGraph2 subgraphClass
    class SG1_Cypher,SG1_Predefined,SG1_GraphRAG,SG1_Text2SQL,SG2_LocalSearch,SG2_ExternalSearch toolClass
    class SG2_PG,SG2_Milvus dbClass
    class SG1_Planner,SG1_ToolSelection,SG1_Summarize,SG1_FinalAnswer,SG2_Finalize,SG2_RerankProcess llmClass
    class RouteDecision,SG1_GuardCheck,SG1_ToolDecision,SG2_GuardCheck,SG2_RouteCheck,SG2_Reranker,SG2_ResultCheck decisionClass
    class End,SG1_End,SG2_End endClass

核心流程说明

第一层：主路由层 (lg_builder.py)

analyze_and_route_query - 意图识别路由节点
- 使用 ROUTER_SYSTEM_PROMPT 引导 LLM 分类
- 启发式路由 (_heuristic_router) + LLM 路由双保险
- 输出 Router Pydantic 结构化模型
- 支持 7 种查询类型
route_query - 条件路由决策
- 根据 router.type 分发到不同处理节点
- 检查 config.image_path / config.file_path 优先级

第二层A：GraphRAG 多工具子图 (multi_tool.py - create_multi_tool_workflow)

工作流: guardrails → planner → tool_selection → [工具并行执行] → summarize → final_answer

Guardrails Node - 安全防护
- 检查问题是否在菜谱服务范围内
- 验证 Neo4j 图谱 Schema
- 决策: proceed / end
Planner Node - 任务分解
- Map-Reduce 模式
- 将复杂问题拆解为多个子任务
- 每个子任务独立处理
Tool Selection Node - 工具选择
- 根据 tool_schemas 让 LLM 选择最优工具
- 支持 4 个并行工具
工具节点 (并行执行):
- Cypher Query: 动态生成 Cypher → Neo4j 图谱查询
- Predefined Cypher: 使用预定义查询模板
- Microsoft GraphRAG: LightRAG 社区检索
- Text2SQL Query: 自然语言转 SQL → MySQL 统计查询
Summarize Node - 结果聚合
- 合并所有工具的返回数据
- LLM 初步整理
Final Answer Node - 生成最终回答
- 使用 RAGSEARCH_SYSTEM_PROMPT
- 引用来源标注
- 可选幻觉检查

第二层B：知识库多工具子图 (multi_tool.py - create_kb_multi_tool_workflow)

工作流: guardrails → kb_router → local_search → [reranker] → finalize

KB Guardrails Node - 范围检查
- 仅处理历史文化典故类问题
- 拒绝烹饪步骤、食材搭配等
KB Router Node - 路由决策
- LLM 决定路由类型: local / external / hybrid
- 选择检索工具: postgres / milvus
Local Search Node - 本地检索 (核心)
- PostgreSQL 优先策略:
  1. 先查询 PostgreSQL pgvector (结构化数据)
  2. 如果 PG 有结果 → 直接使用，跳过 Milvus
  3. 如果 PG 无结果 → Milvus 兜底 (长文本)
- 相似度阈值过滤
Reranker Process - 重排序 (可选)
- 使用 Reranker API (Cohere/Jina/Voyage/BGE)
- 双重阈值过滤:
  - similarity >= KB_POSTGRES_SIMILARITY_THRESHOLD
  - rerank_score >= KB_POSTGRES_RERANK_THRESHOLD
External Search Node - 外部检索
- 调用外部检索 API
- 仅在本地无结果或 hybrid 模式时触发
Finalize Node - 融合生成
- LLM 融合 Milvus + PostgreSQL + External 结果
- 格式化 context，收集 sources
- 生成最终回答

第三层：原子工具层

数据库: Neo4j (图谱)、MySQL (统计)、PostgreSQL pgvector (结构化向量)、Milvus (语义向量)
检索增强: LightRAG、Reranker
多模态: Vision Model、CogView-4
服务: Ingest Service (Excel 导入)

关键设计亮点

双重路由保险: 启发式关键词快速匹配 + LLM 深度理解
Map-Reduce 任务分解: Planner 分解 → Tool Selection 选择 → 并行执行
PostgreSQL 优先兜底链: 结构化优先 → 向量兜底 → 外部兜底
Reranker 双阈值: 相似度 + 重排分数双重过滤
LangGraph Checkpointer: 维护会话状态和对话历史
多源融合: LLM 综合 Milvus、PostgreSQL、External 多源信息
安全防护: 每个查询都经过 Guardrails 检查

许可证

本项目采用 Apache License 2.0 许可证。

致谢

FastAPI - 现代化的Python Web框架
LangChain - LLM应用开发框架
Milvus - 企业级开源向量数据库
Cohere Rerank / Jina AI / Voyage AI - 二阶段重排序API服务
React - 用户界面库

联系方式

项目主页: https://github.com/skygazer42/GustoBot
问题反馈: https://github.com/skygazer42/skygazer42/issues
邮箱: [email protected]

GustoBot - 让AI成为您的私人厨房客服

Made with Love by GustoBot Team

回到顶部

🚀 Quick Start