What-to-eat-today

问一句今天吃啥,图RAG帮你从知识图谱里挑出对味的那道菜。

这是一个基于图RAG技术的AI美食推荐助手,源自Datawhale的all-in-rag教程实战案例。项目将Neo4j图数据库、Milvus向量检索与智能对话系统结合,通过知识图谱增强大模型的检索与生成能力,解决传统RAG在复杂关系推理上的不足。核心能力包括:利用图结构存储菜品、食材、口味等实体及其关系,支持多跳推理;通过向量检索实现语义相似菜品匹配;提供自然语言对话接口,用户可询问“今天吃什么”“推荐辣味川菜”等,系统综合图谱与向量结果给出个性化推荐。项目代码结构清晰,适合作为学习图RAG、知识图谱与LLM结合的入门范例,同时具备实际可运行的演示效果。

开源 free 对话助手
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 229
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类对话助手
开发团队FutureUnreal
所属国家
定价模式free
价格说明开源项目,MIT许可证,可免费自行部署使用,无在线服务或付费版本。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型ai,chatbot,graph-database,knowledge-graph,llm,milvus,neo4j,rag,tutorial
GitHub 星标★ 229
30天Star增速
HF 下载量
上线时间2025-07-31 00:00:00
最近更新2026-09-20 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数0

使用教程

核心亮点

  • 实战打通Neo4j+Milvus+LLM全链路,教程配套完整,上手路径清晰
  • 图RAG设计能处理多跳关系(如“低脂+川菜”),比纯向量检索更懂关联
  • 对话式交互自然,推荐结果可溯源到图谱实体,解释性强

不足之处

  • 依赖外部图数据库和向量库,部署配置成本较高
  • 美食数据规模有限,推荐多样性受限于内置知识图谱

适用场景

  • 个人日常饮食决策,快速获取个性化推荐
  • 学习图RAG与知识图谱技术的教学演示
  • 餐饮类应用集成智能推荐功能的原型参考

替代项目

LangChain、LlamaIndex、Haystack

项目介绍

What-to-eat-today 是搜索知识领域的开源项目,由 FutureUnreal 开发,2025 年首次发布。

它收录于搜索知识分类,该分类目前共有 585 个项目,GitHub 星标数为 229。

项目已超过三个月没有代码更新,维护节奏明显放缓,最近一次代码更新于 2026-09-20。MIT许可证,可免费自行部署使用,无在线服务或付费版本。

它主要面向的使用场景是:个人日常饮食决策,快速获取个性化推荐。同类可对比的替代方案包括 LangChain、LlamaIndex、Haystack。

上一篇:bravegpt

下一篇:diffbot-kg-chatbot

同类项目推荐

firecrawl 开源

网页抓取像喝水一样简单,开发者省下整周加班

The web data API to search, scrape, and interact at scale.

★ 183325 2026-08-09
contoso-chat 开源

一键跑通 Azure RAG 应用,从代码到评估部署全流程

This sample has the full End2End process of creating RAG application with Prompty an···

★ 766 2026-08-09
graphify 开源

整个代码库画成一张图,找问题一眼定位

Turn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable k···

★ 120493 2026-08-09
ragflow 开源

让大模型用上你的私有知识,搭建可靠的企业级RAG应用

RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fu···

★ 91170 2026-08-09