引言：厨房小白的自救之路
说实话，我是一个对做饭既向往又恐惧的人。向往的是那些短视频里色香味俱全的家常菜，恐惧的是每次打开冰箱，站在一堆食材面前完全不知道能做什么。我的做饭流程通常是这样的：先在视频平台搜教程视频，边看边暂停边做，一顿饭下来手机屏幕被油溅得惨不忍睹。更糟糕的是，我家还有一位对海鲜过敏的室友和一位需要控糖的老妈，每次做饭都得在脑子里疯狂计算"这个能不能放""那个谁不能吃"。
上个月，我在 GitHub 上看到了 Nexent——一个"零编排"的开源智能体平台，主打"一个提示词，无限种可能"。我当时脑子里就冒出一个想法：能不能做一个懂食材搭配、会根据季节推荐菜谱、还能照顾家人饮食禁忌的 AI 烹饪顾问？
说干就干。我花了一个周末的时间，在 Nexent 上亲手搭建了一个名叫"AI 大厨"的智能烹饪顾问。这篇文章记录了从模型接入、知识库构建、MCP 工具配置到智能体开发调试的完整过程，以及踩过的每一个坑。
一、初识 Nexent：做饭这件事也能交给 AI？
Nexent 是一个开源智能体 SDK 和平台，它的核心理念很直白：你只需要用自然语言描述想要什么样的智能体，系统自动生成完整的提示词和工作流程，不需要编排，不需要拖拉拽。基于 MCP 工具生态系统构建，Nexent 提供灵活的模型集成、可扩展的数据处理和强大的知识库管理。让任何人都能轻松地将 Nexent 集成到项目中，使日常工作流程更智能、更互联。
本次给大家演示的是 web 端只需要注册就可以在线使用非常方便。
当然如果你想部署一个本地端，Nexent 支持 Docker Compose 一键拉起：
部署完成后访问 localhost:3000 即可。官方也有在线试用环境，注册即用。不过我建议认真使用的话直接本地部署——在线版偶尔数据丢失，本地版稳定得多，对话响应也快。
进入平台后，左侧导航模块一目了然：
- 模型管理：接入各家 API，配置系统默认模型
- 知识库：上传文档，构建可检索的个人语料库
- MCP 工具：接入外部工具，赋予智能体实时感知能力
- 智能体开发：核心功能，描述需求 → 自动生成提示词 → 调试发布
- 智能体市场：安装他人发布的现成智能体
- 记忆管理：配置跨对话记忆，让智能体记住你的口味
二、模型接入：单个添加与批量导入的完整流程
2.1 单个模型添加
进入"模型管理"页面，点击"添加模型"。我首先添加的是大语言模型，使用阿里云百炼平台的 qwen3-max 作为主对话模型。
需要填写的字段有四个：
- 模型名称：qwen3-max
- APIURL：https://dashscope.aliyuncs.com/compatible-mode/v1
- API Key：从百炼平台控制台复制
- 模型类型：大语言模型
填写完成后先点击"连通性验证"行的"点击验证"。这是添加模型前必须做的——只有验证通过才能添加。验证通过后旁边出现绿色"可用"字样，右下方"添加"按钮由蓝变灰。
2.2 批量导入
AI 大厨需要较强的中文理解和多轮对话能力，我想同时接入几个模型做横向对比 Qwen3.5-Plus 做中文菜谱理解补充，Qwen2.5-Coder 处理结构化的营养数据。逐个填写太低效，直接上批量导入。
点击"添加模型"后切换到批量添加页面，选择模型提供商为阿里灵积，模型类型为大语言模型，填写 API Key 后点击"获取模型"。系统自动枚举出该供应商下所有可用模型。
列表中模型很多，我用了搜索功能，输入"Qwen"快速筛选，勾选了 qwen3-MAX 和 qwen3-coder-Plus，点击"添加"。批量导入完成后展开列表，所有模型一目了然。
2.3 向量模型配置
知识库需要 Embedding 模型支持。我依然使用阿里云百炼平台 API，选用 Qwen-Embedding 处理中文菜谱和营养资料。添加方式与批量导入大语言模型类似，切换到向量模型类型，。
**温馨提示：**配置向量模型（Embedding）的 URL 时，需在原有大语言模型与视觉语言模型地址后添加
/embeddings后缀，方可正常对接。首次配置项目模型的同学请特别注意。
三、知识库构建：让 AI 真正"读懂"菜谱和营养知识
知识库是 AI 大厨的"味觉记忆"——把提示词装不下的大量食谱、营养数据、饮食禁忌变成可检索的上下文，让智能体不是泛泛而谈，而是真正"读过"你的资料。
3.1 上传不同格式的文档
为了全面测试 Nexent 知识库的文档解析能力，我刻意准备了四种不同格式的文件：
- 家常菜谱合集（PDF 格式，约 40 页）：从网上整理的 50 道家常菜做法，包含食材清单、步骤说明和烹饪技巧，排版比较复杂，有分栏和多张配图
- 食材禁忌与营养对照表（Markdown 格式）：手动整理的常见食材搭配禁忌（如菠菜 + 豆腐、螃蟹 + 柿子）、每种食材的主要营养成分和适宜人群
- 家人饮食需求说明（TXT 格式）：室友对海鲜和花生过敏、老妈需要控糖低油、我自己口味偏辣但最近在减脂
- 地中海饮食指南（DOCX 格式）：一份从营养师朋友那里拿到的健康饮食参考文档，包含一周膳食建议和营养配比
上传后系统依次经历三个状态：解析中 → 入库中 → 已就绪。
不同格式的处理速度差异明显：Markdown 和 TXT 文件不到 5 秒就进入就绪；DOCX 大约 10 秒；40 页的 PDF 攻略等了将近 1 分钟。文档越大、排版越复杂，处理时间越长，这在预期之内。
3.2 知识库自动总结：质量差异与启示
上传完成后，我逐个查看了 Nexent 对每份文档自动生成的摘要。这个功能表面上看只是个辅助，但它直接影响了多知识库场景下的检索路由精度——智能体检索前会先根据总结判断"这个问题应该去哪个库找"。
对比四份文档的总结质量：
- Markdown 食材禁忌表：结构清晰，准确抓住了"食材搭配禁忌""营养成分""适宜人群"三个核心主题，关键词提取精准
- TXT 饮食需求说明：准确提取了"海鲜过敏""控糖""减脂"三个关键约束条件
- DOCX 地中海饮食指南：总结出了膳食建议框架和营养配比，信息完整
- PDF 菜谱合集：总结质量明显下降，多栏布局、配图和步骤编号导致文本提取碎片化，关键词偏泛化，只提取出"家常菜、烹饪、美食"这类大词
四、MCP 工具接入：赋予 AI 大厨"动手能力"
能读菜谱的 AI 很棒，但真正的烹饪顾问还需要实时查菜谱、看天气推荐应季食材、搜索营养研究——这些静态知识库覆盖不了。Nexent 基于 MCP 生态，支持三种工具接入方式，我全部体验了一遍。
4.1 工具一：ModelScope URL 接入（HowToCook 菜谱 MCP）
打开 ModelScope MCP 广场（modelscope.cn/mcp），搜索"mcpdev/howtocook"，找基于 MCP 协议的 AI 菜谱推荐服务器，提供菜谱查询、分类筛选、智能膳食规划和每日菜单推荐功能的 MCP.
点进服务详情页，找到"服务配置"标签，选择 Remote 传输类型。**必须登录 ModelScope 账号才能看到 URL。**登录后页面生成专属的 SSE 地址：
在 Nexent 的 MCP 配置弹窗中填入服务器名称"HowToCook"和该 URL。
这里要注意：服务器名称只能包含英文字母**、数字**，下划线、空格、短横线。不能输入中文字符。
点添加后等几秒，工具同步进来，点"连通性校验"确认绿灯。HowToCook MCP 提供了多个工具：查询菜谱列表、按食材搜索菜谱、按分类浏览、随机推荐等。
4.2 高德地图 MCP — 天气查询与应季食材推荐
工具来源：魔搭社区 MCP 广场提供的高德地图 MCP 服务，支持天气查询、地理编码、POI 搜索等功能。AI 大厨需要根据当前天气和季节推荐适合的食材与菜品——降温天推荐暖胃汤品，三伏天推荐消暑凉菜。
接入步骤：
- 在 ModelScope MCP 广场搜索"高德地图"或"amap"，找到高德地图 MCP 服务
- 点进服务详情页，查看该 MCP 提供的工具列表，确认包含天气查询相关工具（如
maps_weather、get_weather等），切换到"服务配置"标签，选择 Remote 传输类型，然后从前往高德开放平台（lbs.amap.com）注册并获取 API Key
- 回到 Nexent 平台 MCP 配置页面，添加 MCP 服务：
- 服务器名称：
amap - URL：粘贴高德地图 MCP 的 SSE 地址
- 服务器名称：
- 点击"添加"后等待同步，连通性校验通过即可使用
- 该 MCP 为 AI 大厨赋能的能力：
- 实时天气查询：获取当前气温、天气状况，判断适合推荐什么类型的菜品
- 季节感知：结合气温数据判断季节，推荐应季食材（如冬季推荐根茎类蔬菜、夏季推荐瓜果类）
- 地理定位：根据用户位置推荐当地特色食材和菜品
工具名称 | 功能描述 | 核心输入参数 | 典型输出 |
maps_geocode | 地理编码：将结构化地址 / 地标名称转换为经纬度坐标 | address（地址）、city（城市，可选） | 经纬度坐标 location |
maps_regeocode | 逆地理编码：将经纬度坐标解析为行政区划地址 | location（经纬度） | 省市区街道等结构化地址 |
maps_ip_location | IP 定位：根据 IP 地址定位到城市级位置 | ip（IP 地址） | 城市名称、经纬度等位置信息 |
maps_weather | 天气查询：查询指定城市 / 坐标的实时天气与预报 | city（城市名）或 location（经纬度） | 温度、天气状况、风力、预报等 |
maps_direction_bicycling | 骑行路径规划：支持 500km 内骑行路线，考虑天桥 / 封路等 | origin（起点经纬度）、destination（终点经纬度） | 路线距离、预计耗时、路径步骤 |
maps_direction_walking | 步行路径规划：支持 100km 内步行路线 | origin、destination | 步行距离、预计耗时、步行指引 |
maps_direction_driving | 驾车路径规划：计算最优驾车路线，支持躲避拥堵 | origin、destination | 驾车距离、预计耗时、红绿灯数量等 |
maps_direction_transit | 公交路径规划：综合公交 / 地铁 / 火车等公共交通方案 | origin、destination、city（起点城市）、cityd（终点城市） | 换乘方案、总耗时、步行距离等 |
maps_distance | 距离测量：计算两点间直线距离与实际行驶距离 | origins（多点坐标）、destination | 直线距离、各交通方式行驶距离 |
maps_text_search | 关键词搜索：按关键词搜索兴趣点（POI） |
使用提示：高德地图 MCP 的天气查询通常需要传入城市名称或区域编码。在智能体提示词中应引导用户在提问时说明所在城市，例如"我在北京，今天降温了想喝汤"。
4.3 Fetch MCP — 营养信息与食材知识实时查询
工具来源：魔搭社区 MCP 广场提供的 Fetch MCP 服务，支持抓取网页内容并提取结构化信息。AI 大厨用它来实时查询食材营养成分、热量数据、当季食材价格等动态信息。
接入步骤：
- 在 ModelScope MCP 广场搜索"Fetch"，找到网页内容抓取类 MCP 服务
- 点进服务详情页，确认工具功能包括网页内容抓取和文本提取，切换到"服务配置"标签，选择 Remote 传输类型，登录后复制 SSE 地址
- 在 Nexent 平台添加 MCP 服务：
- 服务器名称：
fetch - URL：粘贴 Fetch MCP 的 SSE 地址
- 服务器名称：
- 添加完成后进行连通性校验
- 该 MCP 为 AI 大厨赋能的能力：
- 营养成分查询：抓取权威营养数据库页面，获取食材的热量、蛋白质、脂肪、碳水等详细数据
- 食材价格参考：查询电商平台或生鲜平台的当季食材价格，帮助用户估算做菜成本
- 菜谱补充信息：当知识库和 HowToCook 都没有某道菜的信息时，通过 Fetch 抓取美食网站的相关内容
使用提示：Fetch MCP 抓取的是网页原始内容，部分网站可能有反爬机制。在智能体提示词中可以指定优先抓取的权威营养数据源（如中国食物成分表在线版、USDA 食物数据库等），提高数据准确性。
4.4 三款 MCP 工具对比总结
MCP 工具 | 核心能力 | 在 AI 大厨中的角色 | 接入方式 |
HowToCook | 菜谱查询、按食材搜索 | 主力菜谱引擎，根据冰箱食材推荐菜品 | ModelScope URL (SSE) |
高德地图 | 天气查询、地理定位 | 天气感知，推荐应季食材和适合当天气候的菜品 | ModelScope URL (SSE) |
Fetch | 网页内容抓取 | 营养数据查询、食材价格参考、菜谱信息补充 | ModelScope URL (SSE) |
三款工具全部通过 ModelScope 的 SSE URL 接入，无需本地部署或安装任何依赖。在 Nexent 中配置完成后，后续创建智能体时可直接勾选使用，真正做到了"即插即用"。
五、智能体开发：从描述到可发布的完整流程
5.1 工具选配
创建新智能体"AI 大厨"，首先选工具。我最终选了三个 MCP 工具加一个内置能力：
- HowToCook — 查询菜谱、按食材搜索、按分类浏览
- 高德地图 MCP — 天气查询与应季食材推荐
- Fetch MCP — 营养信息与食材知识实时查询
5.2 提示词自动生成与手动修改
工具选完进入描述环节，我在描述框里写了这段话：
你是一个专业的家庭烹饪顾问，名叫"AI 大厨"。你的用户是一名厨艺初学者，家里有一位对海鲜和花生过敏的室友，一位需要控糖低油饮食的长辈。你需要根据用户冰箱里的现有食材推荐合适的菜谱，考虑季节因素推荐应季食材，兼顾所有家庭成员的饮食禁忌和营养需求。提供详细的烹饪步骤，用通俗易懂的语言讲解，避免专业烹饪术语。
选择模型 Qwen-max，点击"生成智能体"。
大约 5 秒后，系统生成了完整的提示词结构，包括角色定义、工作流程说明、工具调用规则、输出格式规范、边界限制。生成的内容完整度让我意外——不是填空式模板，而是真的针对烹饪场景、饮食禁忌和我的工具组合定制了内容。
六、调试与发布：三轮实测验证
6.1 第一轮：测试食材搜索 + 禁忌过滤
问："冰箱里有西红柿、鸡蛋、豆腐和虾仁，今晚能做什么菜？"
整体推荐效果出色，实用性与贴心度兼备，充分体现了智能体在生活服务场景中的优质能力。每道菜均附上清晰的食材清单、详细分步做法，步骤简洁明了、易上手，兼顾不同口味与饮食偏好，荤素搭配合理，营养均衡。推荐菜品贴合家常食材，操作难度适中，出餐速度快，非常适配日常用餐需求。同时还主动给出过敏提示、控糖低油建议与季节饮食指引，细节考虑周全，服务体验完整且人性化。
6.2 第二轮：天气应季 + 营养研究
问："今天降温了，想喝点暖胃的汤，有什么推荐？要适合控糖的人喝。"
这里我们可以看到回答充分贴合用户 "暖胃 + 控糖" 的核心需求，菜品选择贴合现有食材，适配性很高。每道汤品都附带完整清晰的食材清单、分步做法，步骤细致易懂，还贴心区分基础版与升级版，兼顾不同饮食需求；同时详细标注营养与控糖优势，主动提示过敏注意事项，细节考虑周全。
6.3 第三轮：综合能力极限测试
问："帮我设计一顿三人晚餐，冰箱里有鸡胸肉、西兰花、胡萝卜、洋葱、豆腐。要求：一道菜不能有花生，一道菜要控糖低油，一道菜要高蛋白减脂，最好半小时内能做完。"
这是最复杂的一轮。智能体进行了多步操作：
- HowToCook 搜索鸡胸肉、西兰花、豆腐相关菜谱 → 获取 12 道候选
- 知识库检索 → 提取三个人的饮食约束（花生过敏、控糖、减脂）
- 联网搜索 → 确认当前季节西兰花和胡萝卜的市场价格
- 调度"营养分析师" → 为每道菜计算热量和三大营养素配比
- 综合筛选 → 推荐三道菜
最终推荐：
- 第一道：清炒豆腐蔬菜煲（无花生）
- 第二道：蒜蓉白灼西兰花（控糖低油）
- 第三道：香煎鸡胸肉配彩蔬（高蛋白减脂）
每道菜都有详细的分步做法、营养标签和"为什么推荐给你"的说明。并且末尾还有每个步骤的时间和总烹饪时间 25 分钟（可以两口锅同时操作），完美满足所有人的需求。
6.4 发布
三轮调试确认无误后，点击发布。"AI 大厨"正式出现在我的智能体选择里。以后做饭前直接问它就行。
七、个人感悟：客观评价一个正在成长中的平台
一个周末的投入，加上一周多的日常使用，AI 大厨已经实实在在地改变了我的做饭方式。以前每次做饭都要花 15 分钟搜教程，现在打开 Nexent 问一句"冰箱里有 XX，能做什么"就行，30 秒出结果，还自带营养分析和安全检查。
做得扎实的地方
**提示词自动生成的完成度超出预期。**它不是给你一个填空模板，而是真的根据你的描述和选的工具组合生成了有逻辑的工作流程。我只需要在上面做三处针对性修改就够了，而不是从零开始手写几百字的提示词。这大幅降低了高质量智能体的构建门槛。
MCP 工具生态基本没有短板。我找到了 HowToCook 菜谱 MCP，还能自己开发天气应季工具，组合起来覆盖了烹饪场景的绝大部分需求。
**知识溯源机制。**每道菜的推荐都有来源标注——菜谱来自 HowToCook MCP，禁忌过滤依据知识库文档，营养分析来自子智能体的计算。这不是"AI 随便说的"，而是可以追溯的。对于涉及饮食安全的场景，这种可追溯性尤其重要。
**多智能体协作。**主智能体做菜谱推荐，子智能体做营养分析，职责清晰、调试方便。改营养算法不用动菜谱推荐逻辑，反过来也一样。
**版本管理。**改坏了能回滚。有这个保障，修改提示词会更大胆——我可以放心尝试不同的工具调用顺序和输出格式，不满意就回退。
结语
Nexent 给我的感觉是一个骨骼清晰、核心能力扎实、细节正在打磨的平台。它把构建智能体的复杂过程简化成了"搭积木"——选模型、传文档、接工具、写描述，每一步都有明确的操作指引。
我的"AI 大厨"虽然还不完美——偶尔 PDF 里的菜谱检索不到、记忆系统可能记住错误信息——但已经是一个真正能用的家庭烹饪顾问了。它帮我解决了"冰箱里有这些食材能做什么"的日常难题，还帮我避开了好几次食材搭配禁忌。
接下来，我打算给它投喂更多资料——各地菜系的经典菜谱、季节性食材指南、超市促销信息——看看它能不能成为真正的"家庭饮食数字伴侣"。
如果你也想在厨房里有个懂你的 AI 助手，可尝试使用 Nexent。或许你会发现，做饭这件事，有想法就够了，剩下的交给 AI 大厨。
