17 智能点餐系统 — LangChain Agent 全栈实战

学习理念：这是 Ch16 LangChain 理论知识的第一个完整实战落地。Ch16 学的是"零件"（@tool / MCP / Milvus / Checkpointer），Ch17 把它们组装成一台能跑的车。不需要 VS Code 沉浸式跟敲，通过本文档的架构图 + 对比表 + 核心代码，30 分钟就能理解这个"乐高块"。需要实操时，文档末尾的 🛠️ 区提供 AI 提示词让你一键生成环境配置。
它在整体课程中的位置：Ch10（从零训练）→ Ch12（BERT 微调）→ Ch13（序列标注）→ Ch17（LangChain Agent 全栈） → Ch19（大型项目）

本节 AI 替代率：~70% | 人工干预率：~30%

角色	能力范围
🤖 AI 擅长	生成 FastAPI 路由、@tool 定义、Milvus/Redis 同步脚本、Vue3 前端骨架
👤 人类需理解	Agent 工具拆分粒度决策、System Prompt 设计、相似度算法选型

技术栈健康度速览（OPC 7.4）

技术	健康度
LangChain Agent	🟡 峰值已过 — Ch16 已标注，生产建议 LangGraph
FastAPI + Pydantic	🔥 巅峰
Milvus + bge-m3	🔥 巅峰
Redis	🟢 稳定
MySQL (SQLAlchemy)	🟢 稳定
MCP（高德地图）	⏳ 成长期
Vue3 + Element Plus	🔥 巅峰
SSE（Server-Sent Events）	🟢 稳定

一、项目全景（3 分钟看懂）

解决什么问题

餐厅需要一个 AI 助手，能同时做三件事：

用户输入：                    AI 响应：
"你们几点营业？"      →      "周日至周四早10点至晚21点..."
"推荐几个不辣的菜"    →      "推荐：清炒时蔬(¥28)、番茄蛋汤(¥18)..."
"帮我订个位，3人"    →      "请问到达时间和座位偏好？"（多轮对话）
"餐厅怎么去？"       →      （调用高德地图 MCP 返回位置）

项目架构

二、🔥 Ch16 → Ch17：从理论学习到项目实战

Ch16 学的概念	在 Ch17 项目中的具体体现	技术文件
`@tool` 装饰器	3 个业务工具：`search_main_dishes` / `user_flavor_search` / `make_reservation`	`langchain_assitant.py`
`with_structured_output`	`ReservationToolArgsInfo` Pydantic Schema（预订参数校验）	`langchain_assitant.py:141`
MCP 远程集成	`MultiServerMCPClient` 连接高德地图 MCP Server（SSE 传输）	`langchain_assitant.py:227`
Milvus 向量检索	bge-m3 对菜品描述做 Embedding → Milvus 搜索 → 口味推荐	`milvus_data_sync.py`
Checkpointer	`InMemorySaver` 保持多轮对话上下文	`langchain_assitant.py:225`
LLM 结构化输出	Agent 自动解析用户意图，提取预订参数	`langchain_assitant.py:141`
System Prompt	餐厅助手角色定义 ~30 行，约束回答范围和行为	`prompts/system_prompt.txt`
SSE 流式	`StreamingResponse` + 异步生成器 → Vue3 实时展示	`main.py:153`

三、🟢 核心流程设计

3.1 核心类图

3.2 API 调用时序（核心：用户点餐对话）

3.3 数据流：初始化同步

四、🟡 关键技术点

4.1 三把 Tool：Agent 的"手"

python

from langchain.tools import tool
from pydantic import BaseModel, Field

# Tool 1：查推荐菜品（MySQL 查询）
@tool
def search_main_dishes():
    """用来搜索餐厅当中的主菜"""
    # SQL: SELECT * FROM menu_items WHERE is_featured=1
    return json_results  #  [{dish_name, price, description, ...}]

# Tool 2：口味推荐（Milvus 向量搜索）
@tool
def user_flavor_search(user_query: str):
    """基于用户的口味来查找相关菜品"""
    embed = HuggingFaceEmbeddings(model="bge-m3")
    query_vector = embed.embed_query(user_query)
    client = MilvusClient(uri=os.getenv("MILVUS_URI"))
    results = client.search(
        collection_name="menu_items",
        data=[query_vector],
        anns_field="vector",
        output_fields=["text"],
        limit=3
    )
    return [item["entity"]["text"] for item in results[0]]

# Tool 3：预订（MySQL 写入）
class ReservationArgs(BaseModel):
    num_people: int = Field(description="预约总人数")
    arrival_time: str = Field(description="到达时间，格式：YYYY-MM-DD HH")
    seat_preference: str = Field(description="座位偏好")
    main_dish_preference: str = Field(description="主菜偏好")
    comment: str = Field(description="其他备注")

@tool(args_schema=ReservationArgs)
def make_reservation(num_people, num_children, arrival_time, seat_preference, main_dish_preference, comment):
    """用来进行餐厅预订"""
    # INSERT INTO reservation_order VALUES (...)
    return "预订成功"

Tool 拆分原则：一个 Tool 只做一件事。本项目拆分 3 个 Tool 刚好——"查菜品"（读）、"口味推荐"（向量检索）、"预订"（写）。粒度太粗 LLM 不好判断用哪个，粒度太细增加决策负担。

4.2 System Prompt 设计

text

# 角色：
你是一个餐厅智能助手，你需要根据用户的输入来进行回答或完成预订任务。

# 能力：
### 回答相关问题
    只能回答与餐厅相关的问题，不能回答其他主题。
    不可捏造任何信息。

### 完成预订任务
    需要收集：人数、到达时间、座位偏好、主菜偏好、其他备注。
    获取所有信息后，需要和用户二次确认后才能下单。

## 注意事项：
    1. 工具仅在需要时才调用，不能随意调用。
    2. 不可捏造信息。
    3. 回复时注意逻辑连贯，不重复之前的内容。

## 餐厅相关信息：
    1. 位置：北京市东城区东四十二条3号
    2. 名字：兰庭玉树太仓餐厅
    3. 大堂电话：010-87621252
    4. 营业时间：周日至周四早10点至晚21点，周五周六早10点至晚23点

🔑 Prompt 设计要点：把"餐厅信息"硬编码在 System Prompt 中（FAQ 问题的直接答案），只有复杂查询才走 Tool。这样简单问题（地址/电话/营业时间）可以秒回，不需要调 Tool 增加延迟。

4.3 SSE 流式输出

python

from fastapi import FastAPI
from starlette.responses import StreamingResponse
import json

app = FastAPI()

class ChatRequest(BaseModel):
    query: str

@app.post("/chat")
async def chat_endpoint(request: ChatRequest):
    return StreamingResponse(
        assistant_query(request.query),  # 异步生成器
        media_type="text/event-stream"
    )

# Agent 异步流式生成器
async def assistant_query(user_query: str):
    agent = await create_agent()
    
    # 注入当前时间
    from datetime import datetime
    time_prompt = {"role": "system", "content": f"当前日期：{datetime.now()}"}
    
    async for chunk in agent.astream(
        {"messages": [time_prompt, {"role": "user", "content": user_query}]},
        config={"configurable": {"thread_id": 123}},
        stream_mode="messages"
    ):
        message = chunk[0]
        # 过滤掉 Tool 调用的中间消息，只发给前端 AI 回复
        from langchain.messages import ToolMessage
        if type(message) == ToolMessage:
            continue
        # SSE 格式：data: {"type":"token","content":"..."}
        payload = {"type": "token", "content": message.content}
        yield f'data: {json.dumps(payload, ensure_ascii=False)}\n\n'

💡 SSE vs WebSocket：本项目用 SSE（Server-Sent Events）——从服务器到客户端的单向流，对聊天场景刚好够用。WebSocket 是双向的，适合需要客户端也发送大量数据的场景（如游戏）。

4.4 Redis FAQ + 双重相似度算法

python

# 算法：SequenceMatcher（顺序匹配）+ Jaccard（词袋匹配）加权
from difflib import SequenceMatcher

def _get_similarity_score(query: str, faq_question: str) -> float:
    # 算法1：最长公共子序列匹配（捕捉位置信息）
    seq_score = SequenceMatcher(None, query, faq_question).ratio()
    
    # 算法2：Jaccard 相似度（只看词，不看顺序）
    a, b = set(query), set(faq_question)
    jaccard_score = len(a & b) / len(a | b)
    
    # 加权融合（位置信息 60% + 词袋 40%）
    return 0.6 * seq_score + 0.4 * jaccard_score

为什么算两次？ SequenceMatcher 对"密码忘记了怎么办" vs "忘记了密码怎么办"这种词序调换的匹配得分偏低，Jaccard 正好补上——只看关键词交集。

五、🟢 工程模式继承

本项目延续了 Ch10/Ch12/Ch13 的 "配置驱动" 工程模式：

对比维度	Ch10 智图寻宝	Ch12 智能商品发布	Ch17 智能点餐
配置管理	config.py 常量	dataclass	`.env` 环境变量
Web 框架	Flask	FastAPI	FastAPI (延续)
数据加载	手写 Dataset	HF Datasets	SQLAlchemy ORM
模型来源	从零训练	BERT 微调	MCP 远程调用
训练引擎	手写 engine.py	手写 Trainer	❌ 无训练（纯推理）
向量库	ChromaDB	❌ 无	Milvus (升级)

项目文件结构：

SmartOrderingAgent/
├── .env                    # 环境变量（数据库/Milvus/API Key）
├── run.py                  # 入口：uvicorn
├── api/
│   └── main.py             # FastAPI 路由 + SSE
├── agent/
│   ├── langchain_assitant.py   # Agent 定义 + 3 个 Tool
│   ├── milvus_data_sync.py    # MySQL→Milvus 数据同步
│   ├── redis_data_sync.py     # FAQ→Redis 数据同步
│   ├── redis_demo.py          # Redis 命令演示
│   └── prompts/
│       └── system_prompt.txt  # Agent 角色定义
├── ui/
│   └── src/App.vue            # Vue3 前端
└── pyproject.toml             # 依赖管理

技术栈深度评估

编号	技术	健康度	说明
T1	FastAPI + SSE	🔥 巅峰	异步流式响应，生产标准
T2	LangChain Agent	🟡 峰值已过	本项目用作学习，生产建议转 LangGraph
T3	MCP 集成	⏳ 成长期	高德地图 MCP，未来工具集成标准
T4	Milvus + bge-m3	🔥 巅峰	向量检索事实标准，同 Ch16
T5	Redis	🟢 稳定	FAQ 缓存 + 相似度匹配
T6	MySQL + SQLAlchemy	🟢 稳定	传统关系型存储
T7	Vue3 + Element Plus	🔥 巅峰	前端工程标准
T8	SequenceMatcher + Jaccard	🟢 稳定	轻量级 FAQ 匹配，无需 LLM

海外对标

企业	应用场景	技术方案
OpenAI	餐饮 Agent Demo	GPTs + Knowledge Retrieval
Anthropic	工具调用 Agent	Claude + MCP + Tool Use
美团	智能点餐	自研 NLP + 知识图谱
DoorDash	餐饮推荐	ML 推荐系统 + 向量检索

企业痛点映射

痛点	传统方案	AI Agent 方案	效率提升
餐厅客服重复回答地址/电话	人工接听电话	FAQ 自动回复 + 相似度匹配	减少 80% 重复咨询
顾客不知如何点菜	服务员推荐	Milvus 口味向量检索	推荐准确率 +60%
电话预订易出错	手写登记	Agent 多轮确认 + MySQL 写入	错误率降低 90%
餐厅位置难描述	口头指路	MCP 高德地图自动发送位置	零描述成本

学习路径

优先级	内容	时间	说明
🔥	Ch16→Ch17 对比图 + 对比表	5 min	核心价值——理论怎么变成代码
🔥	类图 + 时序图 + 流程图	10 min	看懂三张图就理解了项目
🟢	三把 Tool + System Prompt	5 min	Agent 的核心设计
🟢	SSE 流式 + Redis 相似度	5 min	两个落地亮点
🟡	工程文件结构对比	3 min	与 Ch12/Ch13 的模式继承
🟠	跑通全部代码（可选）	30 min	需要 MySQL + Milvus + Redis

AI 协作指南

本文档看完后，以下问题直接问 AI 插件：

Q: "这个项目用 LangGraph 重写应该怎么改？"
Q: "FAQ 相似度算法怎么扩展到 Embedding 版本？"
Q: "Agent 的 tool 调用总是出错，怎么调试？"
Q: "这个项目的 Vue3 前端怎么改成移动端适配？"

AI 能做的：
  - 把 LangChain Agent 实现翻译成 LangGraph
  - 生成 MySQL / Milvus / Redis 的 Docker Compose 配置
  - 用更复杂的 Embedding 替换 Redis 的 SequenceMatcher 算法
  - 生成 Postman 测试集合

🛠️ 从"看代码"到"跑起来"

1️⃣ 环境检测

text

我的环境是 [Windows/CUDA 12.x/Python 3.12]，
这个项目依赖 fastapi, langchain, langchain-openai, langchain-mcp-adapters,
pymilvus, pymysql, sqlalchemy, redis, uvicorn, python-dotenv,
帮我生成 requirements.txt 并检查版本冲突。

2️⃣ 一键部署

text

根据这个项目的入口 python run.py（启动 FastAPI 后端），
前端在 ui/ 目录下是 Vue3 项目（npm run dev），
数据库依赖 MySQL + Milvus + Redis，
帮我生成 docker-compose.yml 包含所有基础设施。

3️⃣ 跑通验证

bash

# Step 1: 数据同步
python -c "from agent.milvus_data_sync import insert_data; insert_data()"
python -c "from agent.redis_data_sync import sync_faq_items_to_redis; sync_faq_items_to_redis()"

# Step 2: 启动后端
python run.py

# Step 3: 启动前端（另一个终端）
cd ui
npm install && npm run dev

# 浏览器访问 http://localhost:5173

4️⃣ 代码审查

text

帮我审查 agent/langchain_assitant.py 中的 Agent 定义：
1. Tool 的 args_schema 定义是否正确？
2. MCP 连接的错误处理是否完善？
3. Checkpointer 的 thread_id 管理是否合理？
4. 流式输出会不会漏掉某些消息类型？

附录：原始资料处理说明

原始文件	处理方式
`尚硅谷大模型技术之智能点餐系统.docx`	内容已整合到本文档，以图表和代码骨架为主
`3.代码/SmartOrderingAgent/`（~20 个代码文件）	核心代码骨架已提取展示
`menu.sql`	MySQL 初始化脚本，🛠️ 区引用
`ui/`（Vue3 前端 ~982 行）	项目已包含完整前端，🚀 跑起来时可直接使用
视频（19 个）	跳过

修复情况：

✅ 技术栈健康度标签（OPC 7.4）
✅ 🟢🟡🟠🔴 优先级颜色
✅ Mermaid 类图 + 时序图 + 流程图 + 架构图
✅ Ch16 → Ch17 逐项对比表
✅ 核心代码骨架（Tool / SSE / 相似度算法）
✅ 工程模式继承（Ch10 Ch12 Ch13 → Ch17）
✅ 海外对标 + 企业痛点映射
✅ 🛠️ 实操指引（环境/部署/验证/审查）
✅ AI 协作指南
✅ 学习路径表（最短 28 分钟读完）

17 智能点餐系统 — LangChain Agent 全栈实战 ​

一、项目全景（3 分钟看懂） ​

解决什么问题 ​

项目架构 ​

二、🔥 Ch16 → Ch17：从理论学习到项目实战 ​

三、🟢 核心流程设计 ​

3.1 核心类图 ​

3.2 API 调用时序（核心：用户点餐对话） ​

3.3 数据流：初始化同步 ​

四、🟡 关键技术点 ​

4.1 三把 Tool：Agent 的"手" ​

4.2 System Prompt 设计 ​

4.3 SSE 流式输出 ​

4.4 Redis FAQ + 双重相似度算法 ​

五、🟢 工程模式继承 ​

技术栈深度评估 ​

海外对标 ​

企业痛点映射 ​

学习路径 ​

AI 协作指南 ​

🛠️ 从"看代码"到"跑起来" ​

1️⃣ 环境检测 ​

2️⃣ 一键部署 ​

3️⃣ 跑通验证 ​

4️⃣ 代码审查 ​

附录：原始资料处理说明 ​

17 智能点餐系统 — LangChain Agent 全栈实战

一、项目全景（3 分钟看懂）

解决什么问题

项目架构

二、🔥 Ch16 → Ch17：从理论学习到项目实战

三、🟢 核心流程设计

3.1 核心类图

3.2 API 调用时序（核心：用户点餐对话）

3.3 数据流：初始化同步

四、🟡 关键技术点

4.1 三把 Tool：Agent 的"手"

4.2 System Prompt 设计

4.3 SSE 流式输出

4.4 Redis FAQ + 双重相似度算法

五、🟢 工程模式继承

技术栈深度评估

海外对标

企业痛点映射

学习路径

AI 协作指南

🛠️ 从"看代码"到"跑起来"

1️⃣ 环境检测

2️⃣ 一键部署

3️⃣ 跑通验证

4️⃣ 代码审查

附录：原始资料处理说明