牛油火锅底料全栈制作指南从重庆老油炼制到 RAG 食谱系统的结构化数据实践【免费下载链接】all-in-rag大模型应用开发实战一RAG 技术全栈指南在线阅读地址https://datawhalechina.github.io/all-in-rag/项目地址: https://gitcode.com/datawhalechina/all-in-rag导读本文以 Datawhale all-in-rag 项目第 8 章尝尝咸淡 RAG 系统的菜谱语料 牛油火锅底料 为对象完整讲解重庆牛油火锅底料与老油的炼制工艺从 4500g 牛油的炼腥、糍粑辣椒的炒制到底料与老油两条成品路线的操作差异。同时结合 data_preparation.py 的源码揭示这份五星难度菜谱在被 RAG 系统加载、打标、分块后是如何变成可被检索与回答的结构化知识单元的。读完本文你既能照单下厨炼出一锅地道牛油火锅底料也能理解一篇半成品类菜谱在食谱问答系统中的完整数据生命周期。一、重庆火锅与老油的背景重庆火锅又称毛肚火锅或麻辣火锅是中国传统饮食方式之一。它起源于明末清初的重庆嘉陵江畔最初是朝天门等码头船工纤夫的粗放餐饮方式主要原料是牛毛肚、猪黄喉、鸭肠、牛血旺等。在重庆火锅的制作体系中牛油与老油是决定风味的核心牛油提供醇厚脂香与挂味口感而老油则是反复熬炼后凝聚了复合香料风味的精华油脂。本文所依据的菜谱为初学者标注了1 小时的制作耗时并给出了★★★★★非常困难的难度评级——这不仅是烹饪层面的判断也直接影响了它在 RAG 系统中的元数据画像详见下文源码视角部分。二、必备原料与工具2.1 原料清单制作 7.5kg 牛油火锅底料/老油需要以下原料原料用量牛油4500 g色拉油 或 菜籽油1000 ml纯猪油500 g豆瓣郫县1000 g糍粑辣椒3000 g老姜切片250 g大葱切段100 g洋葱切丝100 g大蒜切片200 g豆鼓剁碎永川10 g豆母子140 g红花椒150 g老油 颗粒香料100 g老油 整形香料150 g麦芽粉肉香12.5 g白酒52%VOL150 ml老油 干辣椒面15 g注意原料中颗粒香料 / 整形香料与干辣椒面标注了用途对应下文作为底料 / 作为老油两种成品路线属于可选分支原料制作纯底料时可跳过。2.2 香料体系颗粒与整形香料是火锅底料风味层次的核心共 16 种按加工形态分为两类山奈 5 g、八角 10 g、草果 10 g、肉桂 10 g、丁香 5 g、小茴香 10 g、白芷 10 g、荜拨 5 g、香草 10 g、香果 10 g、山楂 10 g、陈皮 5 g、香茅 10 g、砂仁 10 g、白蔻 10 g、香叶 10 g颗粒香料以上全部配料放入粉碎机打碎至大约4 mm 颗粒后备用——颗粒形态利于在炒制与熬炼中快速释放香气。整形香料以上配料整颗形态洗净后备用——整形态香料的香气释放更缓慢、更持久适合老油长时间熬煮的场景。2.3 工具粉碎机用于打碎颗粒香料三、用量计算每份原料可制作7.5 kg 火锅底料/火锅老油。该菜谱遵循 all-in-rag 菜谱语料的统一计算小节规范先给出总量配比再进入操作步骤方便按份数缩放。四、操作步骤详解核心流程可以概括为高温炼油去腥 → 中温炒辣椒 → 小火炒豆瓣 → 下香料与增香剂 → 成品处理。炼牛油去腥锅置旺火大火放入牛油烧至八成热240±10°C放入老姜、大葱、洋葱、大蒜各 100g炸干以吸尽牛油腥味后捞出扔掉。降温下糍粑辣椒放入(色拉油 或 菜籽油)、纯猪油等待锅中油温下降到五成热150±10°C时放入糍粑辣椒持续翻炒5-8 分钟。炒豆瓣放入豆瓣炒散转用中小火慢炒直至料渣略发白翻砂发出沙沙声。下姜蒜提香油在外观呈现樱桃红时放入姜片150g、大蒜100g炒香大约15 秒。下豆豉与花椒放入豆鼓、豆母子炒香再放入红花椒、小茴香炒香。老油路线下颗粒香料若制作老油此刻放入颗粒香料。增香收尾放入麦芽粉炒散再放入白酒炒散。温度控制是全程的关键240°C 用于去腥、150°C 用于炒辣椒二者不可颠倒否则容易炸糊或腥味残留。4.1 作为底料起锅装入容器中静置于温度较低的环境10-20°C5 天后再使用效果最佳。静置过程让各类香料的香气进一步融合、风味趋于醇和。4.2 作为老油老油路线在底料基础上增加了水煮提味—油水分离—炼干水分三道工序起锅装入容器中放入干辣椒面搅匀置放24 小时等待制作老油。将底料倒入锅中加入3/5 的开水用大火烧开比例为底料 2/5 : 开水 3/5。烧开后表面会出现泡沫将泡沫撇净。转用中小火慢熬出味约25-30 分钟过滤去渣。等待容器中油水分离后将表面的油撇净打出来装入另外的容器。将上一步撇出的油重新倒入净锅中直至炼干油中水分起锅装入容器即为火锅老油。五、源码视角这篇菜谱在尝尝咸淡RAG 系统中的数据生命周期在 code/C8 的尝尝咸淡 RAG 系统中牛油火锅底料.md并非孤立的文档而是整个菜谱知识库的一员。它的加载、打标、分块与检索路径完全由 data_preparation.py 驱动。5.1 元数据增强难度星级与分类的自动提取data_preparation.py 中的_enhance_metadata会对每个菜谱文档做三项元数据增强菜品名称直接取文件名牛油火锅底料写入metadata[dish_name]菜品分类从文件路径中匹配CATEGORY_MAPPING荤菜/素菜/汤品/甜品/早餐/主食/水产/调料/饮品。本菜谱位于semi-finished半成品目录该目录不在映射表中因此会被归类为其他难度等级使用正则re.search(r★, content)匹配内容中连续的星级。本文档标注的★★★★★会被精确匹配为 5 星进而映射到difficulty 非常困难对应difficulty_map {5: 非常困难, ...}。也就是说用户在问答时问有什么非常困难的菜或推荐半成品类菜谱系统便可以通过这些元数据实现过滤检索而牛油火锅底料正是命中非常困难难度标签的典型样本。5.2 Markdown 结构分块一份菜谱切成几个知识单元chunk_documents调用MarkdownHeaderTextSplitter按#主标题、##二级标题、###三级标题三级层级进行结构感知分块并保留标题文本strip_headersFalse。从本文档的标题结构可以推断它会被切分为大致如下的子块子块 1# 牛油火锅底料的做法简介、难度、原料总述直到第一个二级标题前子块 2## 必备原料和工具含### 原料、### 香料、### 颗粒香料、### 整形香料、### 工具子块 3## 计算子块 4## 操作含### 作为底料、### 作为老油子块 5## 附加内容安全警告每个子块都会继承父文档的元数据dish_name、category、difficulty并被打上chunk_id、parent_id、doc_typechild、chunk_index等标签同时通过parent_child_map建立子块到父文档的映射。5.3 小块检索、大块生成的实战意义正是这种父子文本块架构让牛油火锅底料怎么做这类提问能够被精确检索当用户询问做老油需要什么比例的水时RetrievalOptimizationModule 的混合检索向量 BM25 RRF 重排可以精确命中作为老油这一小块而生成阶段则通过 get_parent_documents 回溯完整父文档包含全部原料、香料和步骤交给 GenerationIntegrationModule 的分步指导模板生成完整回答避免只有操作步骤、缺少原料配比的上下文残缺问题。六、附加内容与安全提示警告操作时请擦干手上水滴以免水进入油锅中发生爆炸造成严重烧伤炼制牛油与熬煮老油全程处于高温最高 240°C状态水遇高温油会瞬间汽化喷溅极易引发烫伤事故。该警告被保留在菜谱附加内容小节在 RAG 系统的分步指导回答模板中会被优先用于回答涉及安全的提问。七、快速上手本地复现与验证如果你想在本地完整复现这篇菜谱的 RAG 处理链路可以按 第 8 章环境配置 的步骤操作# 1. 创建虚拟环境 conda create -n cook-rag-1 python3.12.7 conda activate cook-rag-1 # 2. 进入 C8 目录安装依赖 cd code/C8 pip install -r requirements.txt # 3. 配置 MOONSHOT_API_KEY 后启动交互式问答 python main.py系统启动后会加载config.data_path默认../../data/C8/cook下全部 Markdown 菜谱牛油火锅底料.md即位于data/C8/cook/dishes/semi-finished/目录下。构建索引后你可以尝试提问牛油火锅底料怎么做炼老油的水油比例是多少推荐几道非常困难的菜观察系统如何完成路由detail/list/general、查询重写、混合检索、元数据过滤与分步回答生成。小结本文完整还原了 牛油火锅底料.md 这份五星难度菜谱的全部工艺细节并将其放回 all-in-rag 第 8 章尝尝咸淡RAG 系统的上下文中一方面给出了从炼油去腥、炒糍粑辣椒到老油水煮分离的完整操作链另一方面结合 data_preparation.py 源码说明了难度星级提取、分类打标、Markdown 结构分块与父子文档回溯的实际运行机制。无论你是想亲手炼一锅地道重庆牛油火锅底料还是想研究结构化菜谱数据在 RAG 系统中的处理范式本文都可以作为一份可直接参考的实践指南。【免费下载链接】all-in-rag大模型应用开发实战一RAG 技术全栈指南在线阅读地址https://datawhalechina.github.io/all-in-rag/项目地址: https://gitcode.com/datawhalechina/all-in-rag创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考