Coctail MCP

鸡尾酒推荐系统

一个基于Python的鸡尾酒推荐系统，使用带有向量嵌入的RAG（检索增强生成）和Pinecone进行智能鸡尾酒建议。该系统与LMStudio集成，用于本地语言模型推理。

特性

• 🍹 鸡尾酒数据管理和搜索
• 🔍 基于向量的嵌入相似度搜索
• 🌲 松果矢量数据库集成
• 🤖 RAG（检索增强生成）用于智能推荐
• 🖥️ LMStudio集成用于本地LLM推理
• 📊 全面的日志记录和错误处理
• 🧪 全面测试覆盖

项目结构

├── cocktail_server.py          # Main server application
├── config/
│   └── logger.py              # Logging configuration
├── data/
│   └── cocktail_dataset.json  # Cocktail database
├── models/
│   ├── cocktail.py           # Cocktail data model
│   └── ingredient.py         # Ingredient data model
├── services/
│   ├── cocktail_data_service.py  # Cocktail data operations
│   ├── embedding_service.py      # Vector embedding generation
│   ├── pinecone_service.py       # Pinecone vector DB operations
│   └── rag_service.py            # RAG implementation
├── tests/                     # Unit tests
└── logs/                      # Application logs

先决条件

• Python 3.13（但之前的版本可能适用）
• LMStudio已安装并正在运行
• Pinecone帐户、API密钥和创建的索引

安装

1. 克隆存储库：

   git clone 
   cd 

1. 创建Anaconda环境：

   conda create -n cocktail-env python=3.13 -y
   conda activate cocktail-env

1. 安装依赖项：

   pip install -r requirements.txt

1. 设置环境变量：

   cp .env.example .env

编辑 .env 使用您的配置文件：

   data_path=your/path/to/cocktail_dataset.json
   embedding_model=your_embedding_model_here
   embedding_dimension=your_embedding_dimension_here
   pinecone_index_name=your_pinecone_index_name_here
   PINECONE_API_KEY=your_pinecone_api_key_here

LMStudio集成设置

1. 安装LMStudio：

- 下载自 https://lmstudio.ai/ - 安装并启动应用程序

1. 下载模型：

- 打开LMStudio - 浏览并下载合适的模型 - 鸡尾酒推荐模型： - qwen3-8b

1. 集成MCP

- 在LMStudio中，转到设置->程序->安装->编辑mcp.json - 在那里添加以下json：

   {
   	"mcpServers": {
   		"cocktail-mcp": {
   			"command": "C:/path/to/your/environment/python.exe", 
   			"args": ["c:\\path\\to\\cocktail_server.py"]
   		}
   	}
   }

_用法_

• 只需在LMStudio界面聊天，并询问鸡尾酒推荐！

运行测试

执行测试套件：

# Run all tests
python -m pytest tests/

# Run specific test file
python -m pytest tests/test_rag_service.py

日志

检查应用程序日志 logs/ 目录：

tail -f logs/cocktail_app.log