引言：智能厨房助手的崛起
在快节奏的现代生活中，一日三餐的准备常常成为许多人的负担。从食材采购到烹饪过程，再到营养搭配，每一步都需要时间和精力。然而，随着人工智能技术的飞速发展，智能厨房助手正逐渐改变这一现状。Ollama作为一款强大的本地化大语言模型，能够与各种智能设备无缝集成，成为你的私人厨房助手。它不仅能根据你的饮食偏好、健康需求和现有食材推荐食谱，还能提供详细的烹饪步骤、营养分析和购物清单，让你轻松搞定一日三餐。
本文将详细介绍如何利用Ollama作为智能厨房助手，从早餐、午餐到晚餐，提供全方位的食谱推荐和烹饪指导。我们将通过具体的例子和步骤，展示Ollama如何帮助你规划饮食、优化烹饪流程，并提升整体饮食体验。
1. Ollama简介：你的本地化智能助手
Ollama是一个开源的大语言模型运行器，支持在本地运行多种模型，如Llama、Mistral等。与云端AI服务不同，Ollama完全在本地运行，确保数据隐私和安全。这意味着你的饮食偏好、健康数据等敏感信息不会上传到云端，非常适合家庭使用。
1.1 Ollama的核心优势
本地运行
：无需互联网连接，保护隐私。
多模型支持
：可根据需求选择不同规模的模型，平衡性能和资源消耗。
易于集成
：通过API或命令行工具，轻松与其他设备或应用集成。
自定义能力强
：可根据个人需求微调模型，使其更贴合你的饮食习惯。
1.2 Ollama在厨房中的应用场景
食谱推荐
：根据现有食材、饮食限制和口味偏好推荐食谱。
烹饪指导
：提供详细的步骤、时间和温度控制。
营养分析
：计算每餐的营养成分，帮助你保持均衡饮食。
购物清单
：根据食谱生成购物清单，方便采购。
饮食计划
：制定一周或一个月的饮食计划，确保营养均衡。
2. 搭建Ollama智能厨房助手
要使用Ollama作为厨房助手，首先需要在你的设备上安装和配置Ollama。以下是在不同平台上的安装步骤。
2.1 安装Ollama
在Linux上安装
# 下载并安装Ollama
curl -fsSL https://ollama.ai/install.sh | sh

# 启动Ollama服务
ollama serve
在macOS上安装
# 使用Homebrew安装
brew install ollama

# 启动Ollama服务
ollama serve
在Windows上安装
访问Ollama官网下载Windows安装程序。
运行安装程序并按照提示完成安装。
启动Ollama服务。
2.2 下载模型
Ollama支持多种模型，对于厨房助手，推荐使用轻量级模型以节省资源，如
llama3:8b
或
mistral:7b
。
# 下载llama3:8b模型
ollama pull llama3:8b

# 下载mistral:7b模型
ollama pull mistral:7b
2.3 集成到厨房设备
Ollama可以通过API与其他设备集成，如智能冰箱、智能烤箱或手机应用。以下是一个简单的Python示例，展示如何通过API调用Ollama生成食谱。
import requests
import json

def get_recipe_from_ollama(ingredients, dietary_restrictions, cuisine_preference):
“””
通过Ollama API获取食谱推荐
:param ingredients: 现有食材列表
:param dietary_restrictions: 饮食限制（如素食、无麸质）
:param cuisine_preference: 菜系偏好（如中餐、西餐）
:return: 食谱推荐
“””
url = “http://localhost:11434/api/generate”
prompt = f”””
你是一个专业的厨师和营养师。请根据以下信息推荐一个食谱：
现有食材：{ingredients}
饮食限制：{dietary_restrictions}
菜系偏好：{cuisine_preference}
请提供食谱名称、所需食材、详细步骤、烹饪时间和营养成分。
“””

payload = {
“model”: “llama3:8b”,
“prompt”: prompt,
“stream”: False
}

response = requests.post(url, json=payload)
if response.status_code == 200:
result = response.json()
return result[‘response’]
else:
return “Error: Unable to get recipe from Ollama.”

# 示例使用
ingredients = [“鸡蛋”, “西红柿”, “洋葱”, “面包”]
dietary_restrictions = “无”
cuisine_preference = “西餐”

recipe = get_recipe_from_ollama(ingredients, dietary_restrictions, cuisine_preference)
print(recipe)
2.4 创建简单的Web界面
为了更方便地使用，你可以创建一个简单的Web界面，让用户输入食材和偏好，获取食谱推荐。以下是一个使用Flask的示例。
from flask import Flask, request, jsonify, render_template
import requests

app = Flask(__name__)

@app.route(‘/’)
def index():
return render_template(‘index.html’)

@app.route(‘/get_recipe’, methods=[‘POST’])
def get_recipe():
data = request.json
ingredients = data.get(‘ingredients’, [])
dietary_restrictions = data.get(‘dietary_restrictions’, ”)
cuisine_preference = data.get(‘cuisine_preference’, ”)

# 调用Ollama API
url = “http://localhost:11434/api/generate”
prompt = f”””
你是一个专业的厨师和营养师。请根据以下信息推荐一个食谱：
现有食材：{ingredients}
饮食限制：{dietary_restrictions}
菜系偏好：{cuisine_preference}
请提供食谱名称、所需食材、详细步骤、烹饪时间和营养成分。
“””

payload = {
“model”: “llama3:8b”,
“prompt”: prompt,
“stream”: False
}

response = requests.post(url, json=payload)
if response.status_code == 200:
result = response.json()
return jsonify({‘recipe’: result[‘response’]})
else:
return jsonify({‘error’: ‘Failed to get recipe’}), 500

if __name__ == ‘__main__’:
app.run(debug=True)
在
templates/index.html
中，你可以创建一个简单的表单，让用户输入食材和偏好。

Ollama 智能厨房助手

现有食材（用逗号分隔）:

饮食限制:

菜系偏好:

获取食谱

3. 一日三餐食谱推荐
现在，我们将使用Ollama为一日三餐推荐食谱。我们将考虑不同的饮食偏好和现有食材，展示Ollama的灵活性和实用性。
3.1 早餐推荐
早餐是一天中最重要的一餐，需要提供足够的能量和营养。以下是一个使用Ollama推荐早餐的示例。
示例：快速健康的早餐
输入参数：
现有食材：鸡蛋、全麦面包、牛油果、牛奶
饮食限制：无
菜系偏好：西餐
Ollama生成的食谱：
食谱名称：牛油果鸡蛋吐司

所需食材：
– 2个鸡蛋
– 1个牛油果
– 2片全麦面包
– 50ml牛奶
– 盐和黑胡椒适量

详细步骤：
1. 将全麦面包放入烤面包机或平底锅中烤至金黄酥脆。
2. 在平底锅中倒入少量油，打入鸡蛋，煎至两面金黄。可以在煎蛋时加入少许牛奶，使蛋更嫩滑。
3. 将牛油果去皮去核，切成薄片。
4. 将烤好的面包片放在盘子上，铺上牛油果片，再放上煎蛋。
5. 撒上盐和黑胡椒调味即可。

烹饪时间：10分钟

营养成分（每份）：
– 热量：约350大卡
– 蛋白质：15g
– 脂肪：20g
– 碳水化合物：30g
– 纤维：8g
代码示例：批量生成早餐食谱
如果你需要为一周的早餐生成食谱，可以使用以下代码：
def generate_weekly_breakfast_recipes(ingredients_list, dietary_restrictions, cuisine_preference):
“””
为一周生成早餐食谱
:param ingredients_list: 每天的食材列表
:param dietary_restrictions: 饮食限制
:param cuisine_preference: 菜系偏好
:return: 一周的早餐食谱
“””
weekly_recipes = []
for day, ingredients in enumerate(ingredients_list, start=1):
prompt = f”””
你是一个专业的厨师和营养师。请根据以下信息推荐一个早餐食谱：
现有食材：{ingredients}
饮食限制：{dietary_restrictions}
菜系偏好：{cuisine_preference}
请提供食谱名称、所需食材、详细步骤、烹饪时间和营养成分。
“””

url = “http://localhost:11434/api/generate”
payload = {
“model”: “llama3:8b”,
“prompt”: prompt,
“stream”: False
}

response = requests.post(url, json=payload)
if response.status_code == 200:
result = response.json()
weekly_recipes.append(f”Day {day}: {result[‘response’]}”)
else:
weekly_recipes.append(f”Day {day}: Error”)

return weekly_recipes

# 示例：为一周生成早餐食谱
weekly_ingredients = [
[“鸡蛋”, “全麦面包”, “牛油果”, “牛奶”],
[“燕麦”, “香蕉”, “蜂蜜”, “杏仁”],
[“希腊酸奶”, “浆果”, “格兰诺拉麦片”],
[“鸡蛋”, “菠菜”, “番茄”, “全麦面包”],
[“煎饼粉”, “牛奶”, “鸡蛋”, “枫糖浆”],
[“全麦面包”, “花生酱”, “香蕉”],
[“鸡蛋”, “培根”, “番茄”, “吐司”]
]

breakfast_recipes = generate_weekly_breakfast_recipes(weekly_ingredients, “无”, “西餐”)
for recipe in breakfast_recipes:
print(recipe)
3.2 午餐推荐
午餐需要提供持续的能量，避免下午的疲劳。以下是一个使用Ollama推荐午餐的示例。
示例：均衡的午餐
输入参数：
现有食材：鸡胸肉、糙米、西兰花、胡萝卜
饮食限制：低脂
菜系偏好：中餐
Ollama生成的食谱：
食谱名称：清蒸鸡胸肉配糙米蔬菜

所需食材：
– 200g鸡胸肉
– 100g糙米
– 100g西兰花
– 50g胡萝卜
– 姜、葱、酱油、料酒适量

详细步骤：
1. 将糙米提前浸泡30分钟，然后放入电饭煲中煮熟。
2. 鸡胸肉洗净，用刀背拍松，加入姜片、葱段、料酒和少许酱油腌制15分钟。
3. 将西兰花和胡萝卜洗净，切成小块，用开水焯烫2分钟，捞出沥干。
4. 将腌制好的鸡胸肉放入蒸锅中，大火蒸15分钟至熟透。
5. 将煮好的糙米盛入碗中，旁边放上蒸好的鸡胸肉和焯烫的蔬菜。
6. 可以淋上少许蒸鸡的汤汁增加风味。

烹饪时间：30分钟

营养成分（每份）：
– 热量：约400大卡
– 蛋白质：35g
– 脂肪：8g
– 碳水化合物：45g
– 纤维：6g
代码示例：根据冰箱库存推荐午餐
假设你有一个智能冰箱，可以实时监测库存。以下代码展示如何根据冰箱库存推荐午餐。
def recommend_lunch_from_fridge(fridge_inventory, dietary_restrictions, cuisine_preference):
“””
根据冰箱库存推荐午餐
:param fridge_inventory: 冰箱库存字典，包含食材和数量
:param dietary_restrictions: 饮食限制
:param cuisine_preference: 菜系偏好
:return: 午餐食谱
“””
# 将库存转换为字符串
ingredients_str = “, “.join([f”{item} ({quantity})” for item, quantity in fridge_inventory.items()])

prompt = f”””
你是一个专业的厨师和营养师。请根据以下冰箱库存推荐一个午餐食谱：
冰箱库存：{ingredients_str}
饮食限制：{dietary_restrictions}
菜系偏好：{cuisine_preference}
请提供食谱名称、所需食材、详细步骤、烹饪时间和营养成分。
“””

url = “http://localhost:11434/api/generate”
payload = {
“model”: “llama3:8b”,
“prompt”: prompt,
“stream”: False
}

response = requests.post(url, json=payload)
if response.status_code == 200:
result = response.json()
return result[‘response’]
else:
return “Error: Unable to get recipe from Ollama.”

# 示例：根据冰箱库存推荐午餐
fridge_inventory = {
“鸡胸肉”: “300g”,
“糙米”: “200g”,
“西兰花”: “150g”,
“胡萝卜”: “100g”,
“鸡蛋”: “4个”,
“西红柿”: “2个”
}

lunch_recipe = recommend_lunch_from_fridge(fridge_inventory, “低脂”, “中餐”)
print(lunch_recipe)
3.3 晚餐推荐
晚餐应以清淡、易消化为主，避免过饱影响睡眠。以下是一个使用Ollama推荐晚餐的示例。
示例：清淡的晚餐
输入参数：
现有食材：三文鱼、芦笋、柠檬、藜麦
饮食限制：无麸质
菜系偏好：西餐
Ollama生成的食谱：
食谱名称：香煎三文鱼配芦笋藜麦

所需食材：
– 200g三文鱼
– 100g芦笋
– 50g藜麦
– 1个柠檬
– 橄榄油、盐、黑胡椒适量

详细步骤：
1. 将藜麦用清水冲洗干净，放入锅中加水煮沸，转小火煮15分钟至熟透，沥干备用。
2. 三文鱼洗净，用厨房纸吸干水分，撒上盐和黑胡椒腌制10分钟。
3. 芦笋洗净，切去根部较硬的部分，用开水焯烫2分钟，捞出沥干。
4. 平底锅中倒入少许橄榄油，中火加热，放入三文鱼，每面煎3-4分钟至金黄熟透。
5. 将煎好的三文鱼装盘，旁边放上煮好的藜麦和焯烫的芦笋。
6. 挤上新鲜柠檬汁，即可享用。

烹饪时间：25分钟

营养成分（每份）：
– 热量：约450大卡
– 蛋白质：30g
– 脂肪：20g
– 碳水化合物：35g
– 纤维：5g
代码示例：生成一周晚餐计划
以下代码展示如何为一周生成晚餐计划，考虑营养均衡和食材多样性。
def generate_weekly_dinner_plan(weekly_ingredients, dietary_restrictions, cuisine_preference):
“””
为一周生成晚餐计划
:param weekly_ingredients: 每天的食材列表
:param dietary_restrictions: 饮食限制
:param cuisine_preference: 菜系偏好
:return: 一周的晚餐计划
“””
weekly_plan = []
for day, ingredients in enumerate(weekly_ingredients, start=1):
prompt = f”””
你是一个专业的厨师和营养师。请根据以下信息推荐一个晚餐食谱：
现有食材：{ingredients}
饮食限制：{dietary_restrictions}
菜系偏好：{cuisine_preference}
请提供食谱名称、所需食材、详细步骤、烹饪时间和营养成分。
“””

url = “http://localhost:11434/api/generate”
payload = {
“model”: “llama3:8b”,
“prompt”: prompt,
“stream”: False
}

response = requests.post(url, json=payload)
if response.status_code == 200:
result = response.json()
weekly_plan.append(f”Day {day}: {result[‘response’]}”)
else:
weekly_plan.append(f”Day {day}: Error”)

return weekly_plan

# 示例：为一周生成晚餐计划
weekly_dinner_ingredients = [
[“三文鱼”, “芦笋”, “柠檬”, “藜麦”],
[“牛肉”, “土豆”, “洋葱”, “胡萝卜”],
[“虾仁”, “西兰花”, “大蒜”, “糙米”],
[“鸡腿肉”, “蘑菇”, “番茄”, “意大利面”],
[“豆腐”, “菠菜”, “香菇”, “米饭”],
[“鳕鱼”, “青豆”, “玉米”, “红薯”],
[“猪肉”, “白菜”, “粉丝”, “面条”]
]

dinner_plan = generate_weekly_dinner_plan(weekly_dinner_ingredients, “无麸质”, “西餐”)
for plan in dinner_plan:
print(plan)
4. 高级功能：营养分析和饮食计划
除了食谱推荐，Ollama还可以提供更高级的功能，如营养分析和长期饮食计划。
4.1 营养分析
Ollama可以根据食谱计算详细的营养成分，帮助你监控每日摄入。
示例：分析食谱的营养成分
def analyze_recipe_nutrition(recipe_text):
“””
分析食谱的营养成分
:param recipe_text: 食谱文本
:return: 营养成分分析
“””
prompt = f”””
请分析以下食谱的营养成分，包括热量、蛋白质、脂肪、碳水化合物、纤维、维生素和矿物质。
食谱：{recipe_text}
请以表格形式返回，包含每种营养素的含量和每日推荐摄入量的百分比。
“””

url = “http://localhost:11434/api/generate”
payload = {
“model”: “llama3:8b”,
“prompt”: prompt,
“stream”: False
}

response = requests.post(url, json=payload)
if response.status_code == 200:
result = response.json()
return result[‘response’]
else:
return “Error: Unable to analyze nutrition.”

# 示例使用
recipe = “””
食谱名称：牛油果鸡蛋吐司
所需食材：2个鸡蛋, 1个牛油果, 2片全麦面包, 50ml牛奶, 盐和黑胡椒适量
详细步骤：…
“””
nutrition_analysis = analyze_recipe_nutrition(recipe)
print(nutrition_analysis)
4.2 长期饮食计划
Ollama可以根据你的健康目标（如减肥、增肌、维持体重）和饮食偏好，制定长期的饮食计划。
示例：制定一个月的饮食计划
def generate_monthly_diet_plan(health_goal, dietary_restrictions, cuisine_preference, days=30):
“””
制定一个月的饮食计划
:param health_goal: 健康目标（如减肥、增肌）
:param dietary_restrictions: 饮食限制
:param cuisine_preference: 菜系偏好
:param days: 计划天数
:return: 一个月的饮食计划
“””
prompt = f”””
你是一个专业的营养师。请根据以下信息制定一个月的饮食计划：
健康目标：{health_goal}
饮食限制：{dietary_restrictions}
菜系偏好：{cuisine_preference}
计划天数：{days}
请为每一天提供早餐、午餐和晚餐的食谱建议，并确保营养均衡。
“””

url = “http://localhost:11434/api/generate”
payload = {
“model”: “llama3:8b”,
“prompt”: prompt,
“stream”: False
}

response = requests.post(url, json=payload)
if response.status_code == 200:
result = response.json()
return result[‘response’]
else:
return “Error: Unable to generate diet plan.”

# 示例：制定一个月的减肥饮食计划
monthly_plan = generate_monthly_diet_plan(“减肥”, “低脂”, “中餐”, 30)
print(monthly_plan)
5. 与智能厨房设备集成
Ollama可以与各种智能厨房设备集成，实现自动化烹饪流程。
5.1 与智能冰箱集成
智能冰箱可以实时监测库存，并通过Ollama推荐食谱。
import json

class SmartFridge:
def __init__(self):
self.inventory = {}

def add_item(self, item, quantity):
self.inventory[item] = quantity

def remove_item(self, item, quantity):
if item in self.inventory:
self.inventory[item] -= quantity
if self.inventory[item] <= 0: del self.inventory[item] def get_inventory(self): return self.inventory def recommend_recipe(self, dietary_restrictions, cuisine_preference): ingredients_str = ", ".join([f"{item} ({quantity})" for item, quantity in self.inventory.items()]) prompt = f""" 你是一个专业的厨师和营养师。请根据以下冰箱库存推荐一个食谱： 冰箱库存：{ingredients_str} 饮食限制：{dietary_restrictions} 菜系偏好：{cuisine_preference} 请提供食谱名称、所需食材、详细步骤、烹饪时间和营养成分。 """ url = "http://localhost:11434/api/generate" payload = { "model": "llama3:8b", "prompt": prompt, "stream": False } response = requests.post(url, json=payload) if response.status_code == 200: result = response.json() return result['response'] else: return "Error: Unable to get recipe from Ollama." # 示例使用 fridge = SmartFridge() fridge.add_item("鸡蛋", 12) fridge.add_item("西红柿", 5) fridge.add_item("洋葱", 3) fridge.add_item("面包", 10) recipe = fridge.recommend_recipe("无", "西餐") print(recipe) 5.2 与智能烤箱集成 Ollama可以生成烹饪指令，直接发送到智能烤箱。 class SmartOven: def __init__(self): self.current_recipe = None def set_recipe(self, recipe): self.current_recipe = recipe def start_cooking(self): if self.current_recipe: # 解析食谱中的烹饪时间和温度 # 这里简化处理，实际中需要解析文本 print(f"开始烹饪：{self.current_recipe}") print("烤箱预热至180°C，烹饪时间20分钟") else: print("请先设置食谱") # 示例使用 oven = SmartOven() oven.set_recipe("香煎三文鱼配芦笋藜麦") oven.start_cooking() 6. 实际案例：一周饮食计划 让我们通过一个实际案例，展示如何使用Ollama为一个家庭制定一周的饮食计划。 6.1 家庭背景 家庭成员：4人（2成人，2儿童） 饮食偏好：中餐为主，偶尔西餐 饮食限制：无 健康目标：均衡营养，控制体重 6.2 生成一周饮食计划 def generate_weekly_meal_plan(family_size, dietary_preferences, dietary_restrictions, health_goal): """ 生成一周的饮食计划 :param family_size: 家庭成员数量 :param dietary_preferences: 饮食偏好 :param dietary_restrictions: 饮食限制 :param health_goal: 健康目标 :return: 一周的饮食计划 """ prompt = f""" 你是一个专业的营养师和厨师。请为以下家庭制定一周的饮食计划： 家庭成员数量：{family_size} 饮食偏好：{dietary_preferences} 饮食限制：{dietary_restrictions} 健康目标：{health_goal} 请为每一天提供早餐、午餐和晚餐的食谱建议，确保营养均衡、食材多样，并考虑家庭成员的口味。 """ url = "http://localhost:11434/api/generate" payload = { "model": "llama3:8b", "prompt": prompt, "stream": False } response = requests.post(url, json=payload) if response.status_code == 200: result = response.json() return result['response'] else: return "Error: Unable to generate meal plan." # 示例：生成一周饮食计划 weekly_plan = generate_weekly_meal_plan(4, "中餐为主，偶尔西餐", "无", "均衡营养，控制体重") print(weekly_plan) 6.3 生成购物清单 根据一周的饮食计划，Ollama可以生成详细的购物清单。 def generate_shopping_list(meal_plan): """ 根据饮食计划生成购物清单 :param meal_plan: 饮食计划文本 :return: 购物清单 """ prompt = f""" 请根据以下饮食计划生成购物清单，按类别（蔬菜、水果、肉类、谷物、调味品等）组织，并估算数量。 饮食计划：{meal_plan} """ url = "http://localhost:11434/api/generate" payload = { "model": "llama3:8b", "prompt": prompt, "stream": False } response = requests.post(url, json=payload) if response.status_code == 200: result = response.json() return result['response'] else: return "Error: Unable to generate shopping list." # 示例：生成购物清单 shopping_list = generate_shopping_list(weekly_plan) print(shopping_list) 7. 优化和扩展 为了进一步提升Ollama作为智能厨房助手的性能，可以考虑以下优化和扩展。 7.1 模型微调 使用个人饮食数据微调模型，使其更贴合你的口味和需求。 # 示例：使用Ollama微调模型 # 注意：微调需要准备数据集，这里仅展示概念 import subprocess def fine_tune_model(model_name, dataset_path): """ 微调Ollama模型 :param model_name: 模型名称 :param dataset_path: 数据集路径 """ command = f"ollama create {model_name} -f {dataset_path}" subprocess.run(command, shell=True) # 示例使用 # fine_tune_model("my_kitchen_assistant", "datasets/my_recipes.jsonl") 7.2 多模态集成 结合图像识别，让Ollama识别食材并推荐食谱。 import cv2 import requests def recognize_ingredients(image_path): """ 识别图像中的食材 :param image_path: 图片路径 :return: 识别的食材列表 """ # 这里使用简单的图像识别，实际中可以使用更复杂的模型 # 例如使用预训练的图像分类模型 # 由于Ollama本身不支持图像识别，这里仅展示概念 # 实际中可以使用其他AI服务或本地模型 ingredients = ["鸡蛋", "西红柿", "洋葱"] # 假设识别结果 return ingredients def recommend_recipe_from_image(image_path, dietary_restrictions, cuisine_preference): """ 根据图像识别结果推荐食谱 :param image_path: 图片路径 :param dietary_restrictions: 饮食限制 :param cuisine_preference: 菜系偏好 :return: 食谱推荐 """ ingredients = recognize_ingredients(image_path) ingredients_str = ", ".join(ingredients) prompt = f""" 你是一个专业的厨师和营养师。请根据以下食材推荐一个食谱： 食材：{ingredients_str} 饮食限制：{dietary_restrictions} 菜系偏好：{cuisine_preference} 请提供食谱名称、所需食材、详细步骤、烹饪时间和营养成分。 """ url = "http://localhost:11434/api/generate" payload = { "model": "llama3:8b", "prompt": prompt, "stream": False } response = requests.post(url, json=payload) if response.status_code == 200: result = response.json() return result['response'] else: return "Error: Unable to get recipe from Ollama." # 示例使用 # recipe = recommend_recipe_from_image("ingredients.jpg", "无", "中餐") # print(recipe) 7.3 语音交互 集成语音助手，实现语音控制厨房助手。 import speech_recognition as sr import pyttsx3 class VoiceKitchenAssistant: def __init__(self): self.recognizer = sr.Recognizer() self.tts_engine = pyttsx3.init() def listen(self): with sr.Microphone() as source: print("请说话...") audio = self.recognizer.listen(source) try: text = self.recognizer.recognize_google(audio, language='zh-CN') print(f"你说：{text}") return text except sr.UnknownValueError: print("无法理解") return "" except sr.RequestError: print("请求错误") return "" def speak(self, text): self.tts_engine.say(text) self.tts_engine.runAndWait() def handle_command(self, command): if "推荐食谱" in command: # 这里可以调用Ollama API recipe = "牛油果鸡蛋吐司" self.speak(f"为您推荐食谱：{recipe}") elif "烹饪指导" in command: self.speak("请告诉我您想烹饪的食谱名称") else: self.speak("我不明白您的请求") # 示例使用 # assistant = VoiceKitchenAssistant() # while True: # command = assistant.listen() # if command: # assistant.handle_command(command) 8. 总结 Ollama作为一款强大的本地化大语言模型，为智能厨房助手提供了无限可能。通过简单的安装和配置，你可以将Ollama集成到你的厨房设备中，实现食谱推荐、营养分析、饮食计划和购物清单生成等功能。无论是单身人士还是家庭用户，Ollama都能帮助你轻松搞定一日三餐，享受健康、美味的饮食生活。 通过本文的详细指导和代码示例，你可以快速搭建自己的智能厨房助手，并根据个人需求进行扩展和优化。未来，随着AI技术的不断进步，智能厨房助手将变得更加智能和个性化，为我们的生活带来更多便利。 现在，就让我们开始使用Ollama，开启智能厨房的新时代吧！