基于n8n和AI构建智能饮食助手

1. 项目概述：AI饮食助手的价值与定位

作为一名长期与饮食选择困难症斗争的程序员，我深知每天决定"吃什么"这个看似简单的问题有多么令人头疼。传统解决方案要么过于简单（如随机选择），要么过于复杂（如营养计算器），都难以满足现代人对饮食的个性化需求。而借助n8n低代码平台和AI技术，我们可以构建一个智能饮食助手，它能：

1. 根据个人饮食偏好和历史记录进行智能推荐
2. 自动记录每日饮食情况
3. 生成周度饮食分析报告
4. 通过微信等常用渠道推送提醒

这个项目的独特价值在于：

• 采用低代码方式实现，技术门槛大幅降低
• 整合了数据库操作、消息推送等实用功能
• 通过MCP协议扩展了大模型的能力边界
• 部署方案同时支持本地开发和云端生产环境

提示：即使没有专业的AI开发经验，通过n8n的可视化界面，普通开发者也能在2-3天内完成整个系统的搭建。

2. 环境准备与n8n平台部署

2.1 Docker环境配置

n8n官方推荐使用Docker进行部署，这能确保环境一致性并简化依赖管理。以下是详细步骤：

1. 安装Docker Desktop（Windows/Mac）或docker-ce（Linux）

   • Windows用户需启用WSL2支持
   • Linux用户需配置docker用户组权限

2. 创建数据卷（避免容器重启数据丢失）：

bash复制docker volume create n8n_data

3. 启动n8n容器（开发环境配置）：

bash复制docker run -it --rm --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

4. 生产环境建议添加以下参数：

bash复制  -e N8N_BASIC_AUTH_ACTIVE=true \
  -e N8N_BASIC_AUTH_USER=<用户名> \
  -e N8N_BASIC_AUTH_PASSWORD=<密码> \
  --restart unless-stopped

2.2 平台初始化与账号注册

访问 http://localhost:5678 后，首次使用需完成：

1. 邮箱注册（建议使用常用邮箱）
2. 查收验证码邮件（可能在垃圾箱）
3. 激活社区版许可证（永久免费）

注意事项：n8n的Fair-Code许可证允许个人和小团队免费自托管，但商业用途需购买企业版。如果出现注册问题，可以尝试清除浏览器缓存或使用隐私模式访问。

3. AI Agent核心组件配置

3.1 大语言模型接入

n8n支持多种LLM接入，以下是深度求索(DeepSeek)的配置示例：

1. 获取API Key：

   • 访问DeepSeek平台
   • 创建应用并获取API Key（新用户有免费额度）

2. 在n8n中添加AI Agent节点：

   • 创建工作流(Workflow)
   • 添加"AI Agent"节点
   • 选择"DeepSeek Chat Model"
   • 填入API Key

对于其他兼容OpenAI API的模型（如通义千问），可使用以下配置：

json复制{
  "baseURL": "https://dashscope.aliyuncs.com/compatible-mode/v1",
  "apiKey": "your-api-key"
}

3.2 记忆存储方案选择

AI Agent的记忆系统决定了对话的连续性，我们有多种选择：

推荐PostgreSQL配置示例：

yaml复制# docker-compose片段
services:
  postgres:
    image: postgres:15
    environment:
      POSTGRES_PASSWORD: yourpassword
    volumes:
      - pg_data:/var/lib/postgresql/data

volumes:
  pg_data:

连接字符串格式：

code复制postgres://username:password@host.docker.internal:5432/dbname

3.3 工具集成策略

工具(Tools)是Agent能力的扩展，本项目中需要：

1. 日期时间工具：

   • 添加"Date & Time Tool"
   • 设置时区为Asia/Shanghai
   • 用于餐点时间判断

2. HTTP请求工具：

   • 配置消息推送接口
   • 配置饮食记录接口
   • 需要处理JSON参数中的动态表达式

3. MCP客户端工具：

   • 对接DBHub实现数据库查询
   • 配置Endpoint地址
   • 测试工具可用性

避坑指南：当工具较多时，建议为每个工具设置清晰的名称和描述，避免后续维护时混淆。工具的描述文本会直接影响AI对工具功能的理解。

4. DBHub MCP服务部署与配置

4.1 服务部署

DBHub作为MCP协议的数据库中间件，使用Docker部署最为便捷：

bash复制docker run -d --name dbhub \
  -p 8080:8080 \
  -e DB_CONNECTION_STRING="mysql://root:password@host.docker.internal:3306/eat_what_today" \
  bytebase/dbhub

4.2 数据库设计

需要准备两张核心表：

1. 候选菜谱表(candidate_food)：

sql复制CREATE TABLE candidate_food (
  id INT AUTO_INCREMENT PRIMARY KEY,
  name VARCHAR(50) NOT NULL,
  category VARCHAR(20) COMMENT '如：川菜、粤菜、面食等',
  cooking_method VARCHAR(20) COMMENT '炒、煮、蒸等',
  difficulty TINYINT COMMENT '制作难度1-5',
  last_recommended DATE COMMENT '上次推荐日期'
);

2. 饮食记录表(my_dietary_record)：

sql复制CREATE TABLE my_dietary_record (
  id INT AUTO_INCREMENT PRIMARY KEY,
  food_name VARCHAR(50) NOT NULL,
  lunch_or_dinner ENUM('lunch','dinner') NOT NULL,
  eat_date DATE NOT NULL,
  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

4.3 MCP客户端配置

在AI Agent节点中添加MCP Client Tool：

1. Endpoint填写：

   code复制http://host.docker.internal:8080/mcp
   

2. 工具描述中注明可用方法：

   markdown复制可调用方法：
   - execute_sql: 执行SQL查询
   - resource__schemas: 获取数据库schema列表
   - prompt__generate_sql: 自然语言转SQL
   

常见问题：如果出现连接失败，检查Docker容器网络配置，Linux环境下需添加--add-host=host.docker.internal:host-gateway参数。

5. 提示词工程与AI行为设计

5.1 系统消息设计

系统消息决定了AI的基础行为模式，以下是饮食助手的核心提示词：

text复制你是一个专业的AI饮食助手，需要根据以下规则为用户推荐餐食：

1. 多样性原则：
   - 避免连续三天推荐同类菜品
   - 午餐和晚餐应有明显区别
   - 每周海鲜不超过2次

2. 健康原则：
   - 早餐推荐易消化食物
   - 晚餐不推荐油炸食品
   - 控制碳水化合物的摄入频次

3. 个性化设置：
   - 用户忌口：生食、动物内脏
   - 偏好：喜欢川菜但不宜过辣
   - 可接受外卖但不超过50%

4. 数据查询：
   - 使用execute_sql查询candidate_food和my_dietary_record表
   - 推荐前检查近期饮食记录
   - 更新候选菜谱的last_recommended字段

5.2 工具调用提示

明确指导AI如何使用各种工具：

text复制可用工具及使用场景：
1. Date & Time Tool: 
   - 判断当前是午餐还是晚餐时间
   - 计算周报日期范围

2. MCP execute_sql:
   - 查询："SELECT name FROM candidate_food WHERE..."
   - 避免直接使用INSERT/UPDATE

3. Send notice to user:
   - 推荐结果自动发送
   - 周报定时发送
   - 格式："【推荐】今日午餐：XXX"

4. Save the food:
   - 当用户说"今天吃了XXX"时调用
   - 参数格式：{"food_name":"XXX","meal_type":"lunch"}

5.3 测试与迭代

通过Chat Trigger节点进行对话测试：

1. 典型测试用例：

   • "推荐今天的午餐"
   • "我中午吃了宫保鸡丁"
   • "生成本周饮食报告"

2. 观察AI的：

   • 工具调用顺序
   • SQL查询合理性
   • 推荐逻辑是否符合预期

3. 迭代优化：

   • 调整提示词中的权重描述
   • 增加示例对话
   • 限制输出格式

经验分享：提示词中的禁止项(如"不要推荐生食")比鼓励项(如"多推荐蔬菜")更有效，因为AI对否定语意的理解更准确。

6. 消息推送系统集成

6.1 PushPlus配置

1. 注册流程：

   • 关注"pushplus推送加"微信公众号
   • 在官网登录
   • 获取个人token（需实名认证）

2. API参数说明：

   json复制{
     "token": "your-token",
     "title": "饮食推荐",
     "content": "内容支持HTML",
     "template": "html",
     "channel": "wechat"
   }
   

6.2 n8n中的HTTP请求配置

在AI Agent节点的Tools中添加：

1. 基本配置：

   • 方法：POST
   • URL：https://www.pushplus.plus/send
   • Headers: Content-Type: application/json

2. 动态参数设置：

   json复制{
     "token": "your-token",
     "title": "$fromAI('notice_title', '消息标题，如午餐推荐')",
     "content": "$fromAI('notice_content', 'HTML格式内容')"
   }
   

6.3 消息内容设计

推荐消息模板：

html复制<div>
  <h2>今日{meal_type}推荐</h2>
  <p>主菜：{main_dish}</p>
  <p>搭配：{side_dish}</p>
  <p>营养建议：{nutrition_tips}</p>
  <small>回复"已吃"记录用餐情况</small>
</div>

周报消息模板：

html复制<div>
  <h2>{week_number}周饮食报告</h2>
  <table border="1">
    <tr><th>类别</th><th>次数</th></tr>
    {diet_stats}
  </table>
  <p>健康建议：{health_advice}</p>
</div>

技术细节：使用$fromAI表达式时，若内容包含特殊字符会导致JSON解析失败，此时应改用"Using Fields Below"方式逐字段设置参数。

7. 数据存储与接口开发

7.1 饮食记录API

使用Python+Flask实现：

python复制from flask import Flask, request, jsonify
import mysql.connector

app = Flask(__name__)

# 数据库配置
db_config = {
    'host': 'localhost',
    'user': 'root',
    'password': 'yourpassword',
    'database': 'eat_what_today'
}

@app.route('/api/record-meal', methods=['POST'])
def record_meal():
    data = request.json
    try:
        conn = mysql.connector.connect(**db_config)
        cursor = conn.cursor()
        sql = """INSERT INTO my_dietary_record 
                 (food_name, lunch_or_dinner, eat_date)
                 VALUES (%s, %s, CURDATE())"""
        cursor.execute(sql, (data['food_name'], data['meal_type']))
        conn.commit()
        return jsonify({"status": "success"})
    except Exception as e:
        return jsonify({"status": "error", "message": str(e)})
    finally:
        if 'conn' in locals() and conn.is_connected():
            conn.close()

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

7.2 n8n中的工具配置

1. HTTP Request Tool配置：

   • 名称：Save the food
   • URL：http://host.docker.internal:5000/api/record-meal
   • 方法：POST
   • Headers: Content-Type: application/json
   • Body:

     json复制{
       "food_name": "$fromAI('food_name', '食物名称')",
       "meal_type": "$fromAI('meal_type', '午餐或晚餐')"
     }
     

2. 触发条件提示词：

   text复制当用户表达已用餐时（如"吃了XX"、"刚吃完XX"），调用Save the food工具记录，其中：
   - food_name: 提取用户说的食物名称
   - meal_type: 根据当前时间判断是午餐还是晚餐
   

7.3 数据统计功能

通过MCP执行SQL实现周报统计：

sql复制-- 本周饮食统计
SELECT 
  COUNT(*) AS total_meals,
  SUM(CASE WHEN lunch_or_dinner='lunch' THEN 1 ELSE 0 END) AS lunch_count,
  SUM(CASE WHEN food_name LIKE '%蔬菜%' THEN 1 ELSE 0 END) AS veggie_count
FROM my_dietary_record
WHERE eat_date BETWEEN DATE_SUB(CURDATE(), INTERVAL 7 DAY) AND CURDATE()

安全建议：生产环境中应为API接口添加认证，如JWT或Basic Auth，避免未授权访问。n8n的HTTP节点支持添加认证头信息。

8. 定时任务与自动化流程

8.1 餐点推荐定时器

配置两个Schedule Trigger节点：

1. 午餐推荐（上午10点触发）：

   • Cron表达式：0 10 * * *
   • 时区：Asia/Shanghai
   • 输出内容：设置User Message为"现在是午餐时间，请推荐午餐"

2. 晚餐推荐（下午5点触发）：

   • Cron表达式：0 17 * * *
   • 时区：Asia/Shanghai
   • 输出内容：设置User Message为"现在是晚餐时间，请推荐晚餐"

8.2 周报生成配置

周日晚上10点的周报任务：

1. Schedule Trigger配置：

   • Cron表达式：0 22 * * 0
   • 时区：Asia/Shanghai
   • User Message："请生成本周饮食报告"

2. AI Agent需要：

   • 查询本周饮食记录
   • 分析饮食结构
   • 调用消息推送接口

8.3 工作流激活与测试

1. 激活工作流：

   • 保存工作流
   • 点击"Active"切换按钮
   • 检查右上角状态指示器

2. 手动测试：

   • 点击"Execute Workflow"手动触发
   • 使用"Test Step"功能逐节点调试
   • 查看执行历史和日志

排错技巧：如果定时任务未触发，检查服务器时间是否正确，以及n8n实例是否保持运行状态。生产环境建议使用PM2等进程管理器保活。

9. 生产环境部署指南

9.1 服务器准备

推荐配置：

• CPU：2核以上
• 内存：4GB以上
• 系统：Ubuntu 22.04 LTS
• 磁盘：50GB以上（数据库单独挂载）

必备组件：

bash复制# Docker安装
sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io

# Docker Compose
sudo curl -L "https://github.com/docker/compose/releases/download/v2.24.5/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose

9.2 反向代理配置

Nginx示例配置：

nginx复制server {
    listen 443 ssl;
    server_name your.domain.com;
    
    ssl_certificate /path/to/cert.pem;
    ssl_certificate_key /path/to/key.pem;

    location / {
        proxy_pass http://localhost:5678;
        proxy_http_version 1.1;
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";
        proxy_set_header Host $host;
        
        # WebSocket支持
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
    }
}

9.3 启动脚本

docker-compose.yml示例：

yaml复制version: '3'
services:
  n8n:
    image: n8nio/n8n
    ports:
      - "5678:5678"
    environment:
      - N8N_EDITOR_BASE_URL=https://your.domain.com
      - N8N_TIMEZONE=Asia/Shanghai
    volumes:
      - n8n_data:/home/node/.n8n
    restart: unless-stopped
    extra_hosts:
      - "host.docker.internal:host-gateway"

  dbhub:
    image: bytebase/dbhub
    ports:
      - "8080:8080"
    environment:
      - DB_CONNECTION_STRING=mysql://root:password@host.docker.internal:3306/eat_what_today
    restart: unless-stopped

volumes:
  n8n_data:

启动命令：

bash复制docker-compose up -d

9.4 数据迁移

1. 导出本地工作流：

   • 在n8n界面点击"Download"按钮
   • 保存为JSON文件

2. 导入生产环境：

   • 登录生产环境n8n
   • 创建新工作流
   • 选择"Import from URL"上传文件

3. 敏感信息重置：

   • API Keys需要重新配置
   • 数据库连接信息更新
   • 消息推送token更换

部署提示：建议使用环境变量管理敏感信息，避免直接写入配置文件。n8n支持通过process.env.VAR_NAME读取环境变量。

10. 常见问题解决方案

10.1 工作流相关

问题1：工作流意外归档(Archived)

• 解决方案：
  1. 在工作流列表页面点击Filter按钮
  2. 勾选"Show archived workflows"
  3. 找到目标工作流点击"Unarchive"

问题2：Agent节点报错"Cannot read properties of undefined"

• 解决方法：
  1. 导出工作流为JSON
  2. 修改AI Agent节点的typeVersion为2.2
  3. 重新导入工作流

10.2 工具调用问题

问题3：$fromAI表达式导致JSON解析错误

• 解决方案：
  1. 在HTTP Request节点中
  2. 将"Specify Body"从"Using JSON"切换为"Using Fields Below"
  3. 分别设置每个字段的key和value

问题4：MCP工具调用返回空

• 排查步骤：
  1. 检查DBHub日志确认请求到达
  2. 验证数据库连接字符串
  3. 测试直接访问MCP端点
  4. 检查AI的提示词是否准确描述了工具功能

10.3 部署相关问题

问题5：线上Chat页面显示端口号

• 解决方案：
  在docker-compose.yml中添加：

  yaml复制environment:
    - N8N_EDITOR_BASE_URL=https://your.domain.com
  

问题6：Connection Lost错误

• 解决方法：
  确保Nginx配置包含WebSocket支持：

  nginx复制proxy_set_header Upgrade $http_upgrade;
  proxy_set_header Connection "upgrade";
  

10.4 性能优化建议

1. 数据库索引优化：

   sql复制ALTER TABLE my_dietary_record ADD INDEX idx_date (eat_date);
   ALTER TABLE candidate_food ADD INDEX idx_last_rec (last_recommended);
   

2. n8n配置调优：

   bash复制# 增加内存限制
   docker run -e N8N_MEMORY=4096 ...
   

3. 请求批处理：

   • 合并多个SQL查询
   • 使用JOIN替代多次简单查询
   • 设置合理的查询超时时间

经验总结：在实际运行中，最大的性能瓶颈通常是数据库查询。建议在复杂查询前先用EXPLAIN分析执行计划，并添加适当的索引。对于高频查询，可以考虑使用Redis缓存结果。