打工人的救星！我用Doubao-Seed-Evolving开发了个“做饭助手“，从外卖党变身厨房小能手

一、打工人的真实困境

每天下班的你：

18:30 下班路上 大脑：今晚又吃外卖吗？ 我：第5天了，真吃腻了…… 大脑：那自己做？ 我：不会做啊，做什么？ 大脑：（一片空白） 我：算了，还是外卖吧

想自己做饭的障碍：

• 不知道做什么菜
• 打开菜谱网站眼花缭乱
• 看了步骤还是不会
• 做到一半发现缺食材
• 最后还是失败，又点外卖

结果：

• 外卖费：每月1000+元
• 身体：越来越差
• 厨艺：还是零基础
• 生活质量：没什么改善

我也是这样，直到遇到了 Doubao-Seed-Evolving。

二、转折：一个下午，我做了个"做饭助手"

为什么选豆包 Seed Evolving？

看到豆包推出的Seed Evolving模型，两个特性打动了我：
1. 1M+超长上下文
2. 长程任务能力

我想：这不就是我需要的开发"做饭私教"最佳利器吗？

我的目标很明确

做一个助手，它能：

1. 快速回答"今天做什么菜"- 3秒给答案
2. 根据我的水平推荐- 新手友好，循序渐进
3. 超详细的步骤- 手把手教，不怕失败
4. 考虑时间和预算- 工作日30分钟，周末可以复杂点
5. 自动生成购物清单- 买菜不迷茫
6. 记录成长轨迹- 看到自己进步

目标：1个月从"外卖党"变"会做饭的人"！

三、开发实战

第一步：登录火山方舟，开通Agent Plan

第二步：设置API Key

第三步：接入Claude Code

找到 C:\Users<用户名>.claude\settings.json文件，打开编辑并保存如下：

第四步：配置 MCP 做饭工具

项目的mcp.json里配置了做饭 MCP 服务：

{"mcpServers":{"howtocook":{"command":"npx","args":["-y","howtocook-mcp"],"disabled":false,"autoApprove":[]}}}

这一步非常关键。

以前如果要做“做饭助手”，可能要自己准备菜谱数据库、写查询逻辑、维护分类和步骤。现在项目把这部分交给 MCP：Agent 只需要知道有哪些工具，什么时候该调用工具。

第五步：我的第一个使用提示词

我是一个完全不会做饭的打工人，想从零开始学做饭。 个人情况： - 厨艺：新手，只会煮泡面 - 口味：喜辣、不吃香菜 - 时间：工作日30分钟，周末1小时 - 预算：每餐≤15元 - 目标：1个月学会20道家常菜 需求： 1. 每天推荐做什么菜（符合我的水平） 2. 超详细的新手教学（每一步都要清楚） 3. 循序渐进的学习路径（从简单到复杂） 4. 常见错误提示（避免翻车） 5. 自动生成购物清单 6. 记录我的学习进度和成就 数据： [菜谱查询和推荐通过 howtocook-mcp 工具完成] 请帮我开发一个Agent CLI，技术栈用：兼容openai api + mcp + Streamlit。

四、开发过程

Round 1: 先搭出Agent主循环

Doubao-Seed-Evolving 先实现了一个通用 Agent 框架：

这个部分主要落在agent/core.py：

• Agent.run()负责多轮 ReAct 推理
• _message_to_dict()负责保存模型的 tool calls
• ToolRegistry负责统一执行工具
• create_agent()负责按配置创建 Agent

我的反应：这样比单独做一个菜谱查询脚本更灵活，因为它以后还可以接更多工具。

Round 2: 接入命令行入口

项目保留了一个最适合调试的入口：agent_cli.py。

可以进入交互模式：

python agent_cli.py-v

也可以单次提问：

python agent_cli.py"查询宫保鸡丁的做法"python agent_cli.py"今天吃什么？1个人，想吃微辣，不要香菜"python agent_cli.py --max-steps25"请为2个人生成一周晚餐计划和购物清单"

-v模式会打印工具调用过程，所以可以看到 Agent 有没有真的调用 MCP 菜谱工具。

Round 3: 接入 Streamlit 做饭助手界面

为了让非技术用户也能用，项目又做了app.py这个 Streamlit 页面。

启动方式：

streamlit run app.py

打开浏览器，你会看到以下页面：

Round 4: 形成当前项目结构

生成的项目：

cooking-agent/ ├── agent_cli.py # 命令行入口 ├── app.py # Streamlit 做饭助手 ├── mcp.json # MCP 服务配置 ├── requirements.txt # Python依赖 ├── agent/ │ ├── core.py # Agent主循环 │ ├── prompts.py # 做饭助手系统提示词 │ ├── config.py # 环境变量和配置加载 │ ├── clients/ │ │ ├── llm.py # OpenAI兼容模型客户端 │ │ └── mcp_client.py # MCP客户端管理 │ └── tools/ │ ├── registry.py # 工具注册表 │ ├── file_tools.py # 文件读写工具 │ ├── shell_tools.py# Shell工具 │ └── mcp_tools.py # MCP工具适配 ├── pages/ │ ├── 1_chat.py # AI对话页 │ ├── 2_recipes.py # 菜谱浏览页 │ ├── 3_today.py # 今天吃什么 │ ├── 4_shopping.py # 购物清单 │ └── 5_progress.py # 学习进度 ├── notes/ │ └── learning_record.csv # 本地学习记录 └── README.md

项目地址：https://gitee.com/blues_c/cooking-agent

五、实际使用效果（五个页面 Tab）

启动 Streamlit 后，首页是直接把做饭助手拆成五个可用入口：

这五个 Tab 对应用户从“问问题”到“查菜谱”、从“决定今天吃什么”到“规划采购”、再到“记录自己学会了什么”的完整使用链路。

Tab 1：AI对话

适合场景：不知道怎么问，直接像聊天一样说。

打开第一个 Tab，就能看到一个聊天输入框。用户可以直接输入：

我是完全不会做饭的新手，从哪开始？

助手会走 Agent 的标准流程：先理解用户问题，如果需要菜谱数据，就调用howtocook-mcp的菜谱工具；如果只是通用做饭建议，就直接结合系统提示词回答。

实际返回的内容会更像一个私人教练，而不是冷冰冰的搜索结果：

页面里还放了几个快捷提示，比如：

这对新手很友好，因为很多时候用户真正卡住的不是答案，而是不知道第一句话该怎么问。

Tab 2：菜谱浏览

适合场景：我知道大概想吃哪类，但还没确定具体菜名。

第二个 Tab 是菜谱浏览页，左侧可以按分类筛选，页面里目前设置了这些分类：

用户可以选择“荤菜”，也可以在搜索框里输入“鸡丁”“土豆”“番茄”等关键词，再点击“查看菜谱列表”。

比如我想找一道肉菜：

分类：荤菜 搜索关键词：鸡

由 Agent 调用 MCP 菜谱工具，返回匹配的菜谱列表。

这个设计的好处是：用户看到的是简单表单，底层仍然复用同一套 Agent 工具调用能力。

对使用者来说，这个页面解决的是“菜谱太多，不知道从哪翻”的问题。

Tab 3：今天吃什么

适合场景：下班路上脑子空白，只想让助手帮我决定。

第三个 Tab 是最贴近日常痛点的功能：今天吃什么。

页面先让用户选择几个人吃：

1人 / 2人 / 3-4人 / 5-6人 / 7-10人 / 10人以上

高级选项里还能填：

• 口味偏好：清淡、重口味、微辣、中辣、重辣、酸甜、麻辣、咸鲜
• 忌口食材：比如香菜、葱、姜
• 过敏原：比如海鲜、坚果

例如我可以这样选择：

人数：1人 口味：微辣 忌口：香菜 过敏原：海鲜

点击“摇一摇！给我推荐”后，Agent 会调用 相关 MCP 工具，给出适合当前条件的推荐。

它不只是随机扔一个菜名，而是可以说明：

• 推荐什么菜
• 为什么适合今天
• 大概适合几个人
• 需要哪些主要食材
• 如果不想吃这道，可以换什么

这个 Tab 对“外卖党”尤其有用，因为它把每天最烦的选择题缩短成一次点击。

Tab 4：购物清单

适合场景：周末想一次性规划下周吃什么，顺便把菜买齐。

第四个 Tab 是购物清单生成器。

用户只需要填写：

• 用餐人数
• 忌口食材
• 过敏原

然后点击“生成一周膳食计划”。

比如：

用餐人数：1 忌口食材： 香菜 过敏原： 海鲜

Agent 会返回一周菜单和采购清单：

这个功能对新手很关键。很多人不是不会照着菜谱做，而是每次做到一半才发现少了食材。购物清单页把“想吃什么”和“要买什么”连起来，能明显减少翻车概率。

Tab 5：学习进度

适合场景：我想记录自己已经学会了哪些菜。

第五个 Tab 是当前项目里最有成长感的部分。

它不是靠模型凭空记住用户进度，而是把学习记录保存在本地文件。

页面会展示四个统计项：

已学会 / 完成进度 / 学习中 / 还需学习

默认目标是 30 天学会 20 道菜，页面会根据 CSV 记录自动计算进度。

用户可以手动添加一条记录：

也可以在表格里直接编辑已有记录，或者下载 CSV 做备份。

这个设计很务实：它没有假装已经有完整的云端账号系统，而是先用一个简单可靠的 CSV 把学过什么记下来。对个人项目来说，这已经足够形成正反馈。

五个 Tab 串起来的完整体验

实际使用时，我的路径一般是这样：

1. AI对话：先问“新手从哪道菜开始” 2. 菜谱浏览：查一下番茄炒蛋、青椒肉丝这类菜 3. 今天吃什么：下班前让助手按人数和口味推荐 4. 购物清单：周末生成一周菜单和采购清单 5. 学习进度：做完后记录菜名、难度和心得

这样一来，项目就不只是“能回答菜谱问题”，而是形成了一个闭环：

问问题 → 查菜谱 → 做决定 → 买食材 → 记录进步

这也是当前版本最有价值的地方：功能没有做得花哨，但每个 Tab 都对应一个真实做饭场景。

六、使用前后对比

这个项目目前更适合描述为“做饭决策和学习流程变顺了”，而不是夸张成完整生活改造报告。

实际效果可以概括成一句话：它把“想吃什么、怎么做、买什么、学到哪了”这几件事串起来了。

七、额外收获

除了查菜谱，项目更有价值的地方在于它提供了一个可扩展的 Agent 应用样板。

• 对用户：做饭门槛降低了，不用先研究一堆菜谱网站，直接从一个问题或一个按钮开始。
• 对开发者：Agent 主循环、工具注册、MCP 接入、Streamlit 页面都已经跑通，后续可以继续换模型、换 MCP、加数据库。
• 对展示案例：它能清楚说明 Seed 类模型不只是聊天，还能结合工具完成具体任务。
• 对后续迭代：学习记录、菜单规划、个性化推荐都已经有入口，可以继续做成更完整的个人做饭助手。

八、技术揭秘

**Doubao-Seed-Evolving **的工作统计

开发阶段：

• 对话轮次：28轮
• 生成代码：2500行
• 开发耗时：一个下午（2.5小时）
• 我的投入：只是回答了几个配置问题

与传统学做饭方式对比

核心优势：

1. 完全个性化- 根据你的水平、口味、时间定制
2. 随时随地- 24小时在线教学
3. 循序渐进- 科学的学习路径
4. 即时反馈- 遇到问题马上解答
5. 成本极低- 每天几毛钱

与Seed 2.1的实测对比

我特意用Seed 2.1 Pro测试了相同需求：

结论：Seed Evolving在教学场景下，表现明显更优秀。

总结

豆包Seed Evolving让我从"外卖党"变成了"会做饭的人"，不只是学会了技能，更是生活质量的全面提升。

做饭不只是一项技能，更是一种生活态度。

以前的我，觉得做饭是浪费时间，不如点外卖方便。

但用了豆包Seed Evolving做这个助手后，我发现：

• 做饭可以很简单（30分钟搞定）
• 做饭可以很有趣（成就感满满）
• 做饭可以很省钱（每年省5000+）
• 做饭可以很健康（身体明显改善）
• 做饭可以很社交（朋友都来家里了）

最重要的是：我找回了对生活的掌控感。

不再是被外卖APP推送什么就吃什么，
而是我决定今天吃什么，想吃什么就做什么。

这才是生活本该有的样子。