构建多语言智能食谱搜索系统：从架构设计到确定性排序的完整实践

本文介绍基于ASP.NET Core的多语言食谱搜索API项目，其核心是分离AI查询理解与确定性排序规则，结合分层架构与云原生部署，为构建可预测、可追溯的搜索系统提供参考。项目通过AI处理多语言输入、提取意图，用规则系统保证排序透明性，平衡智能与确定性。

传统关键词搜索难以处理多语言、口语化及复杂食材需求。该项目提供解决方案：基于ASP.NET Core的多语言API，核心理念是分离关注点——AI用于查询理解（翻译、提取、规范化），检索排序为确定性规则系统，避免纯向量搜索的黑盒问题，保证结果可预测与可调试。

系统采用分层架构：

1. API层：处理HTTP请求，含控制器、DTO、验证、速率限制等；
2. 应用层：编排搜索流程、执行排序逻辑、抽象查询理解服务；
3. 领域层：核心概念模型（Recipe、SearchQuery等）；
4. 基础设施层：数据集加载（本地JSON/Azure Blob）、内存仓库、Azure OpenAI集成。 搜索流程分七步：验证→AI理解→检索→确定性排序→返回结果，确保可调试性。

排序采用规则化评分系统：

• 食材匹配：精确短语(+6)、强匹配(+4)、弱匹配(+1)，标题出现食材额外+2；
• 关键词匹配：名称匹配(+3)、食材文本匹配(+2)； 最终得分总和降序排列，0分过滤，相同得分保持原序，保证透明可解释。

AI仅用于查询理解：

• 多语言支持：检测输入语言并规范化为英语（如瑞典语kyckling→chicken）；
• 意图提取：从口语化表达提取结构化食材与关键词（如瑞典语查询提取fish、coconut milk、spicy）；
• 过滤噪音：排除无关填充词。 数据存储用内存加载（启动时加载），优势：低延迟、确定性、简化部署；支持本地JSON或Azure Blob，适用于规模可控场景。

测试覆盖核心行为（数据集解析、排序、过滤等）；部署在Azure App Service，用Blob存储数据集、OpenAI服务；配置通过密钥管理敏感信息。设计取舍：内存存储、规则排序、无同义词字典，适用于数据集可控、需可解释结果、多语言刚需场景；百万级数据需专门搜索基础设施。

项目展示"AI增强但不过度依赖"的设计思路：AI做自然语言理解，规则系统保证排序可预测。对开发者的价值：提供代码参考与设计理念——智能化同时重视确定性与可解释性，用户可理解、开发者可调试的系统更具实用价值。