簡介

一個練習 RAG 的專案。根據使用者提出的問題，找出並簡短介紹三間店的餐點

步驟

import_opensearch

從 Foodpanda 以下幾個分類各抓 5 間餐廳，取得菜單的 json：

1. 飲料
2. 甜點
3. 便當
4. 燒烤
5. 咖啡
6. 早餐

抓出需要的資料存入 OpenSearch

1. 店家名稱
2. 店家介紹
3. 店家分類（有多個）
4. 餐點名稱
5. 餐點介紹
6. 店家名稱、分類、餐點名稱、介紹 embedding vector

requirement_parser

根據使用者提出的問題，抓出關鍵字

query

使用 requirement_parser 抓出關鍵字，然後組出關鍵字搜尋和語意搜尋的 DSL，RRF 重排後，指定結果筆數 K，再丟給 LLM 選出三間並介紹餐點

範例

python query.py --query="下午茶喝什麼飲料好？仙草不錯，大概 50 元左右"

輸出

以下是符合您需求的3间店及推荐餐点：

1. **大茗本位製茶堂 (三重自強店)**
   **仙草嫩奶**
   添加3%奶精，甜而不腻，搭配無糖/微糖選項，總糖量90克，熱量362大卡，適合喜歡濃郁仙草味的下午茶。

2. **COMEBUY (台北中正南陽店)**
   **仙草凍奶茶**
   以滑Q仙草凍搭配紅茶甜潤與牛奶香醇的招牌奶茶，甜而不膩，總糖量36.9克，熱量487大卡，風味清爽。

3. **貳虎 OFF TEA (中山南西店)**
   **老派雙料奶茶**
   夏夜東紅調和奶精，加入粉角與菜燕，口感層次豐富，甜而不膩，適合喜歡傳統茶飲風格的下午茶選擇。

每店餐點均在50元內，並突出仙草特色，搭配不同風味與甜度選擇。

測試

test 1

python query.py --query="想吃甜的"

cuisines='甜點' keywords=['蛋糕', '冰淇淋', '布丁', '馬卡龍', '甜點'] price_min=None price_max=None time_period=None

搜尋結果：

keyword hits:
1. BAC (站前凱撒門市) | score=11.4581
2. 橘村屋蛋糕 (三重正義門市) | score=11.2318
3. 迷上甜點 (中山店) | score=9.9641
4. 兩良紅茶 (新北三重店) | score=6.5653
5. 甘記燒仙草飲料店 | score=5.4310
6. 豆花莊 | score=5.2050

semantic hits:
1. 豆花莊 | score=0.8562
2. 早點嚐鮮 | score=0.8516
3. 甘記燒仙草飲料店 | score=0.8368
4. BAC (站前凱撒門市) | score=0.8360
5. COFFEE MOON | score=0.8310
6. 迷上甜點 (中山店) | score=0.8299

RRF 重排：

1. BAC (站前凱撒門市) | score=0.0320
2. 豆花莊 | score=0.0315
3. 甘記燒仙草飲料店 | score=0.0313
4. 迷上甜點 (中山店) | score=0.0310
5. 橘村屋蛋糕 (三重正義門市) | score=0.0161
6. 早點嚐鮮 | score=0.0161

加權重排，keyword 0.8，semantic 0.2：

1. BAC (站前凱撒門市) | score=0.8461
2. 橘村屋蛋糕 (三重正義門市) | score=0.7711
3. 迷上甜點 (中山店) | score=0.6089
4. 豆花莊 | score=0.2000
5. 兩良紅茶 (新北三重店) | score=0.1740
6. 早點嚐鮮 | score=0.1649

test2

python query.py --query="下午茶喝什麼飲料好？仙草不錯，大概 50 元左右"

cuisines='飲料' keywords=['仙草'] price_min=50 price_max=None time_period='下午'

搜尋結果：

keyword hits:
1. 甘記燒仙草飲料店 | score=9.9061
2. 豆花莊 | score=5.1424
3. 兩良紅茶 (新北三重店) | score=5.1424
4. COMEBUY (台北中正南陽店) | score=5.1424
5. 大苑子 (三重五華店) | score=4.1821
6. 大茗本位製茶堂 (三重自強店) | score=3.7020

semantic hits:
1. 甘記燒仙草飲料店 | score=0.8052
2. 豆花莊 | score=0.7701
3. 兩良紅茶 (新北三重店) | score=0.7613
4. 蝦の窩 | score=0.7525
5. 嶌日咖啡 | score=0.7485
6. 大苑子 (三重五華店) | score=0.7420

RRF 重排：

1. 甘記燒仙草飲料店 | score=0.0328
2. 豆花莊 | score=0.0323
3. 兩良紅茶 (新北三重店) | score=0.0317
4. 大苑子 (三重五華店) | score=0.0305
5. COMEBUY (台北中正南陽店) | score=0.0156
6. 蝦の窩 | score=0.0156

加權重排，keyword 0.8，semantic 0.2：

1. 甘記燒仙草飲料店 | score=1.0000
2. 豆花莊 | score=0.2745
3. 兩良紅茶 (新北三重店) | score=0.2469
4. COMEBUY (台北中正南陽店) | score=0.1857
5. 大苑子 (三重五華店) | score=0.0619
6. 蝦の窩 | score=0.0330

test 3

python query.py --query="好吃便當"

cuisines='便當' keywords=['好吃', '便當', '美味', '香', '好'] price_min=None price_max=None time_period=None

搜尋結果：

keyword hits:
1. 大慶便當 | score=10.5156
2. 一級排骨 | score=8.4849
3. 牛小花韓食肉肉便當店 | score=8.0318
4. 京城燒臘舖 (台北民生店) | score=6.2627
5. Dao穗輕食 | score=5.5856
6. 劉家現烤玉米 (寧夏夜市) | score=4.5640

semantic hits:
1. 大慶便當 | score=0.8677
2. 一級排骨 | score=0.8304
3. 早點嚐鮮 | score=0.8275
4. Dao穗輕食 | score=0.8274
5. 艋舺人清粥小菜 | score=0.8190
6. Q炭炸烤屋 | score=0.8177

RRF 重排：

1. 大慶便當 | score=0.0328
2. 一級排骨 | score=0.0323
3. Dao穗輕食 | score=0.0310
4. 牛小花韓食肉肉便當店 | score=0.0159
5. 早點嚐鮮 | score=0.0159
6. 京城燒臘舖 (台北民生店) | score=0.0156

加權重排，keyword 0.8，semantic 0.2：

1. 大慶便當 | score=1.0000
2. 一級排骨 | score=0.5780
3. 牛小花韓食肉肉便當店 | score=0.4661
4. 京城燒臘舖 (台北民生店) | score=0.2283
5. Dao穗輕食 | score=0.1760
6. 早點嚐鮮 | score=0.0391