使用 Qdrant 和 Mistral 的食谱推荐

抓取网页菜单 → Mistral 嵌入 → Qdrant 向量存储 + Recommend API → SQLite 备份 → AI Agent 聊天推荐

给谁

需要在 n8n 中构建推荐功能的运营者或开发者

你会得到

搭建一个能根据用户喜好和忌口推荐本周 HelloFresh 食谱的 AI 聊天机器人

你需要

n8n · mistral

步骤

1. 抓取本周菜单

   在 n8n 中点击「Test workflow」手动触发。工作流通过 HTTP Request 节点请求 https://www.hellofresh.co.uk/menus/{{ $now.year }}-W{{ $now.weekNumber }}，获取本周菜单页面。随后用 HTML 节点提取 script#__NEXT_DATA__ 中的服务端数据，再通过 Code 节点（JavaScript）解析出前 10 个可用课程（courses）。页面较大，可能需要等待。

2. 创建食谱文档

   对上一步获取的每个课程，并行执行：Set 节点提取元数据（name, cuisines, category, tags, nutrition, url, id）；HTTP Request 节点请求食谱详情页；HTML 节点提取 description、ingredients、utensils、instructions。然后用 Merge 节点按位置合并元数据和详情，再用 Set 节点（Prepare Documents）将内容格式化为 Markdown 文档，包含标题、网站链接、食材、厨具、营养信息、步骤说明，并附加 week、cuisine、category、tag、id、name 字段。

3. 向量化并存入 Qdrant

   将格式化后的文档送入 Default Data Loader 节点，配置 metadata（week, cuisine, category, tag, recipe_id），并启用 Recursive Character Text Splitter 进行文本切分。Embeddings Mistral Cloud 节点将文本转换为向量（需配置 mistralCloudApi 凭证）。最后通过 Qdrant Vector Store 节点以 insert 模式写入 hello_fresh collection（需预先创建，Cosine 距离，1024 维）。

   搭建指导 · 来源原文。Qdrant 服务端或控制台，创建向量集合

   复制提示词

   PUT collections/hello_fresh
   {
     "vectors": {
       "distance": "Cosine",
       "size": 1024
     }
   }

4. 保存原始文档到 SQLite

   使用 Code 节点（Python）连接本地 SQLite 数据库 hello_fresh_1.db，创建 recipes 表（id TEXT PRIMARY KEY, name TEXT, data TEXT, cuisine TEXT, category TEXT, tag TEXT, week TEXT），并将上一步的完整文档批量写入。此步骤为 AI Agent 后续检索完整食谱内容提供数据源。

   运行提示词 · 来源原文。n8n Code 节点，Python 模式

   复制提示词

   import sqlite3
   con = sqlite3.connect("hello_fresh_1.db")
   
   cur = con.cursor()
   cur.execute("CREATE TABLE IF NOT EXISTS recipes (id TEXT PRIMARY KEY, name TEXT, data TEXT, cuisine TEXT, category TEXT, tag TEXT, week TEXT);")
   
   for item in _input.all():
     cur.execute('INSERT OR REPLACE INTO recipes VALUES(?,?,?,?,?,?,?)', (
       item.json.id,
       item.json.name,
       item.json.data,
       ','.join(item.json.cuisine),
       item.json.category,
       ','.join(item.json.tag),
       item.json.week
     ))
   
   con.commit()
   con.close()
   
   return [{ "affected_rows": len(_input.all()) }]

5. 配置 AI Agent 聊天推荐

   搭建 Chat Trigger 节点作为聊天入口，连接 AI Agent 节点。AI Agent 使用 Mistral Cloud Chat Model（模型 mistral-large-2402，需 mistralCloudApi 凭证），并挂载 Qdrant Recommend API 工具。该工具通过子工作流实现：先调用 Mistral 嵌入 API 将用户的 positive/negative 描述转为向量，再调用 Qdrant 的 /collections/hello_fresh/points/recommend/groups 接口（average_vector 策略，按 metadata.week 过滤，按 metadata.recipe_id 分组去重），最后从 SQLite 查询完整食谱返回给 Agent。

   运行提示词 · 来源原文。AI Agent 节点的 systemMessage 字段

   复制提示词

   =You are a recipe bot for the company, "Hello fresh". You will help the user choose which Hello Fresh recipe to choose from this week's menu. The current week is {{ $now.year }}-W{{ $now.weekNumber }}.
   Do not recommend any recipes other from the current week's menu. If there are no recipes to recommend, please ask the user to visit the website instead https://hellofresh.com.

   运行提示词 · 来源原文。Qdrant Recommend API 工具（toolWorkflow 节点）的 description 字段

   复制提示词

   Call this tool to get a recipe recommendation. Pass in the following params as a json object:
   * positives - a description of what the user wants to cook. This could be ingredients, flavours, utensils available, number of diners, type of meal etc.
   * negatives - a description of what the user wants to avoid in the recipe. This could be flavours to avoid, allergen considerations, conflicts with theme of meal etc.

   运行提示词 · 来源原文。Qdrant Recommend API 工具（toolWorkflow 节点）的 inputSchema 字段

   复制提示词

   {
   "type": "object",
   "properties": {
   	"positive": {
   		"type": "string",
   		"description": "a description of what the user wants to cook. This could be ingredients, flavours, utensils available, number of diners, type of meal etc."
   	},
      "negative": {
       "type": "string",
       "description": "a description of what the user wants to avoid in the recipe. This could be flavours to avoid, allergen considerations, conflicts with theme of meal etc."
     }
   }
   }

你正在搭建一个基于 n8n 的食谱推荐工作流。请按以下顺序确认：1）n8n 实例可用且已配置 mistralCloudApi 和 qdrantApi 凭证；2）Qdrant 中已创建 hello_fresh collection（Cosine, 1024）；3）理解工作流分为数据抓取、文档准备、向量存储、SQLite 备份、AI Agent 五个阶段；4）AI Agent 的 systemMessage 和 Recommend API 工具参数已按来源配置；5）HelloFresh 网站结构变化可能导致抓取失效，需人工验证。