食谱膳食计划

🎥 观看视频演示

使用Google ADK（Agent Development Kit）和LangGraph构建的智能膳食计划系统，可创建具有优化购物清单的预算意识膳食计划。

概述

该项目展示了一个多代理架构，在该架构中，专门的人工智能代理协作计划膳食、优化杂货清单并确保预算合规。该系统接受用户请求，如“计划5顿总价低于50美元的晚餐”，并返回一份完整的用餐计划，其中包含合并的购物清单和成本明细。

特性

智能膳食过滤：根据偏好（素食、纯素、无麸质、低碳水化合物）自动检测和过滤食谱
成分整合：识别食谱中的共享成分，以优化购物效率
预算优化：确保膳食计划保持在指定的预算限制范围内（默认值：50美元）
成本计算：生成包含数量和价格的详细购物清单

技术特性

✅1.多代理系统

三个LLM授权代理

编排器代理 (agents/orchestrator_agent.py)
配方计划代理 (recipe_planner_a2a_agent.py 随着 agents/langgraph_agent_mcp.py)
精通代码的代理人 (agents/adk_agent.py)

✅2.工具

自定义工具：

run_recipe_planner (recipe_planner_a2a_agent.py)-将LangGraph状态机包装为Recipe Planner Agent使用的工具函数

内置工具：

内置代码执行器 (agents/adk_agent.py)-支持动态Python代码生成和执行，用于预算计算和成本优化

✅3.会话和记忆

会话管理：

内存会话服务 (utils.py)-使用session_id和user_id跟踪创建和管理用户会话

✅4.代理2代理（A2A）通信

A2A通信：

RemoteA2aAgent -Recipe Planner作为独立服务器运行，Orchestrator作为客户端运行。编排器通过A2A协议使用配方计划器

✅5.模型上下文协议（MCP）

MCP集成：

MCP客户端 -用于 langgraph_agent_mcp.py 连接到MCP服务器以访问配方数据
MCP服务器 (recipe_mcp_server.py)-为配方数据库操作提供6个工具和2个资源

MCP服务器工具

MCP服务器(recipe_mcp_server.py)公开了以下用于配方数据库操作的工具：

工具（6）：

search_recipes_by_name -按名称搜索食谱（不区分大小写的部分匹配）
过滤器_密码_标签 -按饮食标签/偏好过滤食谱（素食、纯素、无麸质、低碳水化合物）
获取密码详细信息 -获取特定食谱的完整详细信息，包括配料、数量和价格
list_all_recipes -列出所有可用的食谱，并附上标签和估计成本
搜索\_ \_配料 -查找包含特定成分的所有食谱
获取_规则\_ \_预算 -查找每个食谱在指定预算内的所有食谱

资源（2）：

recipe://database/summary -提供数据库统计数据（总配方、可用标签、平均成本）
recipe://tags/available -列出所有可用的饮食标签和食谱计数

体系结构（3-Agent系统）

1.编排代理(`meal_plan_orchestrator_a2a`)

文件: agents/orchestrator_agent.py

角色：接收用户请求并将任务委托给其他代理的主协调器
沟通模式:

- 通过以下方式使用配方计划代理 RemoteA2aAgent （使用A2A协议） - 通过以下方式在本地调用代码智能代理 代理工具

能力:

- 将膳食计划请求路由到远程配方计划代理 - 将成本计算委托给当地精通代码的代理 - 确保膳食计划符合预算要求 - 使用配方列表和购物详情格式化最终输出

模型：Gemini 2.5 Flash（推理模型）

2.配方计划代理(`recipe_planner_agent`)

文件: agents/recipe_planner_a2a_agent.py, agents/langgraph_helper.py

角色：处理通过MCP访问的配方选择逻辑
部署：在端口8001上作为独立的A2A服务器运行(recipe_planner_a2a_server.py)
工具: run_recipe_planner() 函数封装LangGraph状态机
工作流程：4节点LangGraph状态机

1. gather_preferences：使用LLM结构化输出（Pydantic模型）提取饮食要求和食谱计数 1. suggest_recipes：通过MCP客户端从数据库中选择食谱（调用 filter_recipes_by_tags, list_all_recipes, get_recipe_details) 1. check_overlap：识别所选食谱中的共享成分 1. optimize_list：将配料合并到统一的购物清单中，并标记成本计算

MCP集成：用途 RecipeMCPClient 通过MCP访问配方数据库
模型：Gemini 2.5 Flash Lite

3.精通代码的代理人(`code_savvy_agent_builtin`)

文件: agents/code_savy_agent.py

角色：具有Python代码执行能力的预算优化专家
部署：在Orchestrator Agent进程中本地运行（不是A2A）
能力:

- 生成并执行用于成本计算的Python代码 - 验证预算限制（默认值：$50） - 如果超出预算，建议更换 - 用数量和价格格式化购物清单 - 提供成本明细和节省分析

代码执行器：用于安全执行Python脚本的BuiltInCodeExecutor
模型：双子座2.0闪光灯

配方数据库

该系统包括10个预先配置的食谱 recipes.py.\ 每个食谱都包括详细的配料清单，包括数量和单独的价格。

工作流程

User: "Plan 5 dinners under $50 total"
              ↓
┌─────────────────────────────────────┐
│   Orchestrator Agent (ADK)          │
│   (agents/orchestrator_agent.py)    │
└─────────────────────────────────────┘
              ↓ RemoteA2aAgent (A2A Protocol)
              ↓ HTTP/JSON-RPC to port 8001
┌─────────────────────────────────────┐
│ Recipe Planner A2A Server           │
│ (recipe_planner_a2a_server.py)      │
│                                     │
│ ┌─────────────────────────────────┐ │
│ │ Recipe Planner Agent            │ │
│ │ (recipe_planner_a2a_agent.py)   │ │
│ │                                 │ │
│ │ Tool: run_recipe_planner()      │ │
│ │   ↓                             │ │
│ │ ┌─────────────────────────────┐ │ │
│ │ │ LangGraph State Machine     │ │ │
│ │ │ (langgraph_agent_mcp.py)    │ │ │
│ │ ├─────────────────────────────┤ │ │
│ │ │ 1. gather_preferences       │ │ │
│ │ │    - Parse user request     │ │ │
│ │ │    - Extract dietary info   │ │ │
│ │ ├─────────────────────────────┤ │ │
│ │ │ 2. suggest_recipes          │ │ │
│ │ │    - Filter via MCP ────────┼─┼─┼──> MCP Client
│ │ │    - Select N recipes       │ │ │         ↓
│ │ ├─────────────────────────────┤ │ │   ┌──────────────┐
│ │ │ 3. check_overlap            │ │ │   │  MCP Server  │
│ │ │    - Find shared items      │ │ │   │ (recipe_mcp_ │
│ │ ├─────────────────────────────┤ │ │   │  server.py)  │
│ │ │ 4. optimize_list            │ │ │   └──────┬───────┘
│ │ │    - Consolidate quantities │ │ │          ↓
│ │ │    - Flag: [CALCULATE_COST] │ │ │   ┌──────────────┐
│ │ └─────────────────────────────┘ │ │   │  recipes.py  │
│ └─────────────────────────────────┘ │   └──────────────┘
└─────────────────────────────────────┘
              ↓ A2A Response
┌─────────────────────────────────────┐
│   Orchestrator Agent (ADK)          │
└─────────────────────────────────────┘
              ↓ AgentTool invocation
┌─────────────────────────────────────┐
│   Code Savvy Agent (ADK)            │
│   (agents/adk_agent.py)             │
├─────────────────────────────────────┤
│ - Generate Python code              │
│ - Calculate total costs             │
│ - Verify budget constraints         │
│ - Format shopping list              │
└─────────────────────────────────────┘
              ↓
        Final Meal Plan
        (Recipes + Shopping List + Costs)

项目结构

/home/ed/kaggle/recipe/
├── recipe_meal_planner.py          # Main CLI entry point with A2A
├── recipes.py                      # Recipe database
├── recipe_mcp_server.py            # MCP server for recipe database
├── utils.py                        # Environment variables & session management
├── __init__.py                     # Package initialization
├── agents/
│   ├── orchestrator_agent.py      # Orchestrator with A2A communication
│   ├── langgraph_helper.py        # LangGraph state machine with MCP
│   ├── code_savy_agent.py         # Code execution agent
│   └── recipe_planner_a2a_agent.py # Recipe planner ADK wrapper
├── recipe_planner_a2a_agent.py    # LangGraph wrapper for A2A
├── recipe_planner_a2a_server.py   # A2A server exposing Recipe Planner
├── start_a2a_web.sh               # Launch script for A2A web interface
├── agents_web/                     # ADK Web UI configuration
│   └── recipe_meal_planner/
│       ├── agent.py               # Web UI with A2A orchestrator
│       ├── README.md              # Web UI documentation
│       └── __init__.py            # Package initialization
├── .env                           # API keys
├── requirements.txt               # Python dependencies
├── image1.png                     # Project screenshot
└── README.md                      # This file

设置和安装

先决条件

Python 3.8+
可访问Gemini模型的Google API密钥

安装

# Install uv if you haven't already
curl -LsSf https://astral.sh/uv/install.sh | sh

# Clone the repository
git clone https://github.com/edangx100/Recipe-Meal-Planner-A2A-MCP
cd Recipe-Meal-Planner-A2A-MCP

# Create virtual environment and install dependencies
uv venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

# Install dependencies from requirements.txt
uv pip install -r requirements.txt

重要提示：配置API密钥

编辑 .env 归档并替换占位符 GOOGLE_API_KEY 使用您自己的Google API密钥：

# .env file
GOOGLE_API_KEY=your_actual_api_key_here  # Replace with your real API key

# Model configuration (optional - defaults provided)
DEFAULT_LLM=gemini-2.0-flash              # For general tasks
DEFAULT_REASONING_LLM=gemini-2.5-flash    # For orchestrator

要获取Google API密钥，请访问：https://aistudio.google.com/app/apikey

这些值是从具有合理默认值的环境变量中加载的 utils.py.

用法

重要提示：首先启动配方计划器A2A服务器

在使用以下任一选项之前，您必须启动配方计划器A2A服务器：

# Terminal 1: Start the Recipe Planner A2A Server (required for both options)
python recipe_planner_a2a_server.py

保持此服务器在后台运行。服务器在端口8001上运行，并通过A2A协议提供配方计划器代理。

选项1:ADK Web UI（推荐-交互式界面）

运行交互式web界面与您的膳食计划代理聊天：

# Terminal 2: Start ADK web UI (default port 8000)
# Make sure you're in the project directory
cd /home/ed/kaggle/recipe

# Activate virtual environment
source .venv/bin/activate

# Start ADK web UI
adk web agents_web

然后打开浏览器 http://localhost:8000

使用自定义端口：

# Use a different port if 8000 is already in use
adk web --port 8080 agents_web

然后打开 http://localhost:8080

在web UI中尝试以下查询：

“计划5顿总费用低于50美元的晚餐”
“计划3顿总价低于50美元的素食晚餐，重点是蛋白质”

您将看到：

代理响应的实时流式传输
LangGraph状态机工作流程的详细跟踪
完整的膳食计划，包括食谱、购物清单和价格明细

选项2:CLI模式（预配置查询）

使用预配置的测试场景运行命令行版本：

# Terminal 2: Run the meal planner client (A2A server must be running in Terminal 1)
python recipe_meal_planner.py

该脚本包括两个测试场景：

基本膳食计划:

   "Plan 5 dinners under $50 total"

以蛋白质为重点的素食主义者:

   "Plan 3 vegetarian dinners under $50 total with a focus on protein"

期望输出

YOU: Plan 5 dinners under $50 total

ORCHESTRATOR: Here is your meal plan:

1. Spaghetti Aglio e Olio
2. Chicken Stir-Fry
3. Black Bean Tacos
4. Lentil Soup
5. Baked Salmon with Veggies

Here is your shopping list:

* spaghetti: 1 lb
* garlic: 1 bulb
* olive oil: 1/2 cup + 2 tbsp
* chicken breast: 1 lb
...

Total Cost: $47.23

Enjoy your meals!

故障排除

ADK Web UI问题

问题：端口已在使用中

ERROR: [Errno 98] address already in use

解决方案： 使用其他端口或终止现有进程：

# Option 1: Use a different port
adk web --port 8001 agents_web

# Option 2: Find and kill the process using port 8000
lsof -i :8000  # Find the PID
kill -9 
  # Replace 
 with the actual process ID

Recipe Meal Planner A2A MCP

快速接入

详细介绍

食谱膳食计划

概述

特性

技术特性

✅1.多代理系统

✅2.工具

✅3.会话和记忆

✅4.代理2代理（A2A）通信

✅5.模型上下文协议（MCP）

MCP服务器工具

体系结构（3-Agent系统）

1.编排代理(`meal_plan_orchestrator_a2a`)

2.配方计划代理(`recipe_planner_agent`)

3.精通代码的代理人(`code_savvy_agent_builtin`)

配方数据库

工作流程

项目结构

设置和安装

先决条件

安装

用法

选项1:ADK Web UI（推荐-交互式界面）

选项2:CLI模式（预配置查询）

期望输出

故障排除

ADK Web UI问题

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP

Recipe Meal Planner A2A MCP

快速接入

详细介绍

食谱膳食计划

概述

特性

技术特性

✅1.多代理系统

✅2.工具

✅3.会话和记忆

✅4.代理2代理（A2A）通信

✅5.模型上下文协议（MCP）

MCP服务器工具

体系结构（3-Agent系统）

1.编排代理(meal_plan_orchestrator_a2a)

2.配方计划代理(recipe_planner_agent)

3.精通代码的代理人(code_savvy_agent_builtin)

配方数据库

工作流程

项目结构

设置和安装

先决条件

安装

用法

选项1:ADK Web UI（推荐-交互式界面）

选项2:CLI模式（预配置查询）

期望输出

故障排除

ADK Web UI问题

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP

1.编排代理(`meal_plan_orchestrator_a2a`)

2.配方计划代理(`recipe_planner_agent`)

3.精通代码的代理人(`code_savvy_agent_builtin`)