5天AI Agents密集课程如何帮助我打造FoodMate——多代理食品礼宾

Source: Dev.to

引言

当我报名参加 Google × Kaggle 5 天 AI 代理密集课程时，我没想到能在一周内完成一个打磨好的项目。课程结构、动手的 codelab 以及社区支持让我有信心构建一个简单、实用且真实的东西：FoodMate，一个多代理的食物推荐助理。

让我印象最深的核心理念是：代理是团队，而不是单一模型。将任务拆分为偏好、营养和验证等代理，使系统更易于推理、测试和扩展。课程展示了实用的模式：

• 工具使用与 grounding – 如何安全地获取外部信息
• 函数调用和结构化输出 – 让下游应用能够使用结果
• 代理编排 – 代理之间的顺序与并行通信

为什么是 FoodMate

食物是个人化的。在斯里兰卡，时间、预算和本地食材等小约束会影响每日选择。我构建 FoodMate 的目的在于：

• 提供快速、符合当地文化的餐点创意
• 检查一个简单的营养启发式规则
• 在合适的情况下提供更健康的替代方案

它故意做得很小，以便在资源受限的环境下也能运行。

架构

• 偏好代理 – 捕获用户的口味和约束
• 食谱代理 – 从本地数据库检索合适的食谱
• 营养代理 – 评估建议餐点的营养概况
• 聚合器 – 合并输出并呈现最终推荐

技术栈：Kaggle Notebook、Python、Gemini / ADK 模式（在配额问题时使用本地食谱数据库作为后备）。

演示

• Notebook: https://www.kaggle.com/code/shiyazamal/capstone-foodmate-multi-agent-food-recommendati
• 视频演示: https://youtu.be/-3B8amyQBKc

让我惊讶的地方

通过 codelab 的实践，我意识到代理并不需要很“高大上”。即使是小而可靠、职责明确的模块，也能组成一个看起来“智能”、实际有用的系统。Kaggle Discord 社区的支持非常巨大——大家帮助调试 codelab 并提出更好的提示设计建议。

下一步

• 添加用户记忆，以便随时间记住偏好
• 将代理部署到 Agent Engine 或 Cloud Run
• 接入本地餐厅菜单，实现实时建议
• 构建简易移动 UI，让用户在购物时也能使用 FoodMate

这次密集课程不仅教会了我工具，更改变了我的思维方式。我从“如何查询模型？”转变为“如何设计一个小团队的代理，可靠地解决一个有用的问题？”这将是我接下来要构建的方向。

链接

• Notebook: https://www.kaggle.com/code/shiyazamal/capstone-foodmate-multi-agent-food-recommendati
• 演示视频: https://youtu.be/-3B8amyQBKc

如果你想获得项目反馈或合作，请在 Kaggle 上联系我：shiyazamal。