ChefBot

ChefBot — AI-асистент для домашнього кухаря. Він знаходить рецепти з локальної структурованої бази, конвертує підтримувані кулінарні одиниці та підбирає перевірені заміни інгредієнтів.

Що вміє система

• шукати рецепт за назвою, продуктами, категорією або вимогою без глютену;
• конвертувати підтримувані склянки та ложки у грами або мілілітри й назад;
• знаходити локально збережені заміни інгредієнтів;
• зберігати контекст короткої розмови й застосовувати підтверджені зміни до актуального рецепта;
• показувати фактичний tool routing, latency, токени та орієнтовну вартість.

ChefBot не вигадує точні дані, яких немає в tools, не гарантує безпечність при серйозних алергіях і не є медичним або дієтологічним сервісом.

Архітектура

Colab ───────┐
             ├─> ChefBot agent ─> recipe_search ────────┐
Streamlit ───┘                 ├> unit_converter        ├─> data/*.json
                               ├> substitution_finder  ─┘
                               └> recipe_editor ─> current recipe state
                                      │
                                      └─> tool events + usage → evaluation/results.csv

Colab і Streamlit імпортують ті самі Python-модулі. База рецептів, tools і system prompt не дублюються у frontend або notebook.

Google Colab

1. Відкрийте notebook кнопкою Open in Colab.
2. У Colab відкрийте Secrets і додайте OPENAI_API_KEY.
3. Запустіть Runtime → Run all.

Notebook сам клонує публічний репозиторій, встановлює залежності, запускає детерміновані тести, ключові сценарії та повний evaluation. Наприкінці він показує таблицю результатів; щоб зберегти CSV, виконайте download_results().

Локальний запуск frontend

git clone https://github.com/delef/o-ai.git
cd o-ai
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
export OPENAI_API_KEY="your-key"
streamlit run app.py

Замість змінної середовища локально можна створити .streamlit/secrets.toml:

OPENAI_API_KEY = "your-key"

Файл secrets і .env виключені з Git.

Тести без API

pip install -r requirements-dev.txt
python -m pytest -q

Live evaluation

python -m chefbot.evaluation --output evaluation/results.csv

Evaluation перевіряє не лише текст відповіді, а й фактичні виклики tools, статус grounded-результату, контекст, boundary cases, latency, токени та орієнтовну вартість. Конфігурація ціни gpt-4o-mini має дату та посилання на офіційну сторінку моделі.

Чому без RAG і multi-agent

Поточна база невелика і структурована. Детермінований lookup дешевший, швидший і легше перевіряється. Vector database або кілька агентів додали б latency та нові точки відмови без доведеного покращення основного сценарію.