冰箱哲学家

解决「打开冰箱却不知道做什么」的决策疲劳

日常烹饪的起点往往是冰箱里的剩余食材，而不是一份预设好的菜谱。但传统菜谱应用通常是从菜名出发，要求用户反向匹配食材，不仅操作繁琐，还会被生鲜电商的购买建议频繁打断。对于工程师而言，理想的体验应该是一条低摩擦、可验证的生成链路：输入现有食材与约束，输出今天就能完成的菜。

冰箱哲学家（Fridge Philosopher）将这个流程封装为一个技能。它不负责购买食材，也不承诺覆盖海量菜谱库，而是专注于解决单次决策：在现有条件下，做什么最合适。

核心能力与执行链路

该技能的核心逻辑基于结构化约束与模型生成，整个流程由九个步骤串联，核心环节如下：

• 多模态识别与闭环：AI 通过多模态能力识别照片中的食材，并附带置信度。最关键的设计在于“确认闭环”：低置信度（默认 <0.6）的食材会被标记为问号，系统必须等待用户增删改确认后，才将其纳入生成库。这避免了模型过度自信导致的错误生成。
• 约束条件结构化：除了食材，时间、人数、口味、辣度等约束会被结构化为字段输入。特别是忌口（如香菜、海鲜、坚果），会被设为硬约束。
• 生成与硬过滤：在 LLM 生成菜谱后，系统会执行二次过敏原校验。这并非依赖模型自觉，而是基于规则的强制过滤层：命中忌口的菜品会被拦截或标注替换，严重过敏原会触发顶部红色警示。
• 缺料分层展示：生成的菜谱卡片会明确区分「现有食材（✓）」与「还需购买（X）」。这是对零采购承诺的践行——不跳转电商，不引导转化。

适用边界与工程注意点

在使用该技能时，需要明确其非目标（Non-goals）边界，这对于理解其可靠性至关重要：

• 不承诺 100% 识别准确：视觉模型的误差是已知风险，该技能通过确认闭环和降级路径（如手动输入食材）来对冲误识别。
• 用量非精确值：受限于 LLM 的计算特性，菜谱用量通常使用「适量」或区间表达，不提供精确克数或热量计算。
• 隐私无持久化：照片仅用于当次推理，遵循不存储、不训练的原则，会话结束即清除。
• 降级是正常路径：当识别结果少于 3 项或用户否定过多时，系统会平滑降级为手动输入模式，而非报错退出。

总的来说，这是一个基于成熟多模态与 LLM 能力构建的轻量级决策工具，其工程价值在于将复杂的生成逻辑通过结构化 schema 和硬过滤规则约束在安全的范围内。