最新

我非常喜欢葡萄酒，但我的知识并不广泛，尤其是在加州以外的葡萄酒方面更是如此。即使在我熟悉的品种和地区，我也不总是知道从特定瓶装酒中可以期待什么样的特征——这款齐纳酒会有胡椒味吗？果汁味呢？等等。 为此，我开发了一款应用程序来简化这个过程。你只需设置你想要的葡萄酒类型和价格区间，拍一张酒单的照片，应用程序会处理其余的内容。它会根据以下几个方面对菜单进行排名： - 一致性：与您的口味偏好的匹配程度。 - 价值：与零售价格相比的加价。 - 质量：评论家的评分和在线评价。 它还提供每款葡萄酒的完整描述和品鉴笔记，而许多酒单往往会忽略这些信息。 技术栈： - 客户端：React Native - 后端：FastAPI，部署在Google Cloud Run上 - 数据库：Firestore和Algolia 以下是管道的主要组成部分： 图像到酒单：这是标准OCR和智能图像识别的结合。仅使用OCR无法正确解析布局（将价格与正确的项目分组），而“智能识别”往往会出现字符幻觉。我使用了Google Vision来提取原始文本，并使用Gemini 2.5 Flash Lite进行结构化。 匹配（酒单→数据库）：实际上这是最难的部分。酒单在命名上有很大的自由度，很难判断模糊匹配是否足够接近。我在这里使用了Algolia，并设置了自定义排名规则。 智能增强：我有一个预构建的数据库，但为了实时填补缺失的条目，我需要实时搜索。我尝试了Tavily、Perplexity和Google Search Grounding。最终，Perplexity（Sonar Pro）在准确性和性能之间达到了最佳平衡。 推荐：使用Gemini 2.5 Flash Lite进行风味轮廓匹配，使用传统数学计算基于价值和评分的分数。 总结： AI需要保护措施：如果你在小剂量下使用真实输入数据，它的效果非常好。但目前还无法直接从照片生成推荐列表而不出现幻觉。 延迟权衡：同时获得速度和质量是很困难的。由于这是为餐厅环境设计的，我必须努力减少大型语言模型的调用，以避免让用户感觉迟缓。

视频: <a href="https://www.youtube.com/watch?v=OT1k7o89ed4" rel="nofollow">https://www.youtube.com/watch?v=OT1k7o89ed4</a><p>我很好奇是否可以通过大型语言模型（LLM）来驱动一个应用程序。我认为这很有趣，并且有一些潜在的应用场景可以闭合代理循环。请分享您想到的想法！<p><a href="https://www.youtube.com/watch?v=OT1k7o89ed4" rel="nofollow">https://www.youtube.com/watch?v=OT1k7o89ed4</a><p>这是我完成构建后的原始演示。我主要想听听您是否有让您感到兴奋的应用场景。<p>这可能会变成什么，以及它能为您解决什么问题。<p>我一直在从代理验证的角度思考这个问题，代理可以独立验证和修复错误。