北京
```html Menu-Sahayak：印度餐厅菜单AI过敏原检查器 Menu-Sahayak：面向印度餐厅菜单的开源AI过敏原检查器
Hacktoberfest 开源 AI 挑战赛第二周 Side Hustle 参赛作品
在陌生地方吃饭，对食物过敏的人来说并不轻松。如果还看不懂印地语或地区语言的菜名和配料，问题就更难了。Menu-Sahayak 是一个开源、由 AI 驱动的过敏原检查器，专为印度餐厅菜单设计，想补上的正是这一段。
翻译工具能解释 Chole Bhature 是什么，但未必能指出它潜在的过敏原风险。Menu-Sahayak 帮助弥合这一差距。
它怎么用
用户把餐厅菜单条目粘贴进去，每行一道菜，应用返回一个带编号的列表，每道菜包含三项内容：
- 菜名
- 可能的过敏原，覆盖乳制品、坚果、麸质、鸡蛋和大豆
- 一条简短的安全提示，说明潜在的过敏原来源
应用由 Llama 3.3 70B 驱动，通过 Groq 调用。模型根据常见配料和烹饪方式，分析印度菜品并识别潜在过敏原。
作者的目标是帮助旅行者、本地食客和有饮食限制的人做出更明智的食物选择。
技术实现
整个项目用 Python 加 Gradio 搭建。Gradio 提供轻量网页界面，用于输入菜单条目和展示结构化结果。
核心逻辑是把菜单条目连同一段聚焦的系统提示发给语言模型，指示它扮演过敏原分析师，输出按菜编号的结果、可能的过敏原标签和简短安全提示，而不是自由对话式的回答。
应用还处理了空输入、缺失 API 密钥、API 错误或限流等情况。Groq 的 API 密钥通过本地 .env 文件配置，与代码分离，开发者用自己的密钥即可运行。
作者刻意保持实现轻量，让开发者能自行搭建、测试和扩展，不需要复杂的基础设施。
边界说得很清楚
安全提示：Menu-Sahayak 提供的是初步的过敏原指引，不构成食品安全保证。配料、配方和交叉污染风险在不同餐厅之间差异很大。有严重过敏的人，仍应直接向餐厅工作人员核实配料和制作方式。
模型也被要求避免给出没有依据的确定性结论：过敏原按常见做法标记为“可能”或“很可能”，而不是断言。
为什么开源有意义
作者给出的理由集中在几点。Llama 3.3 70B 的开放权重让开发者对模型的评估和集成方式有更多灵活性；Groq 提供托管推理，让原型开发不必一上来就管理 GPU 基础设施；分析指令与用户界面分离，方便替换其他兼容模型和推理服务商。
公开源码则让开发者可以检查实现、报告问题、提交改进。对一个与饮食安全相关的工具来说，开放开发还提供了审查局限、测试输出、改进不确定性表达的机会。
接下来要做什么
作者列出的方向包括：支持印地语和地区语言菜单、为印度菜品提供更详细的配料解释、扩大跨地区菜系和配方差异的测试、简化部署流程，以及通过社区贡献改进可用性和过敏原指引。
目标是把 Menu-Sahayak 做成一个实用、易获取的工具，帮到那些需要了解印度餐厅食物潜在过敏原的人。项目已在 GitHub 开源，属于 Hacktoberfest 开源 AI 挑战赛第二周 Side Hustle 类别的参赛作品。
项目仓库：Menu-Sahayak on GitHub · AI 模型：Llama 3.3 70B · 推理服务商：Groq
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
