KI-Rezepthelfer für Mama: Wie ein Agent ihre Küche revolutionierte

Mütter sind die heimlichen Star-Köche der Familie. Doch hinter den Kulissen kämpfen viele mit einer unsichtbaren Herausforderung: der Rezeptsuche. Während die meisten Haushalte längst auf digitale Kochbücher umgestiegen sind, bewahrt meine Mutter ihre Rezepte noch in einer alten Schublade auf. Abgerissene Seiten aus Zeitschriften, Notizen auf Briefumschlägen und Rezepthefter, die älter sind als ich selbst. Doch das eigentliche Problem liegt nicht in den Rezepten selbst, sondern in der praktischen Umsetzung.

Ständig fehlt eine Zutat. Oder gleich mehrere. Und selbst wenn alles vorhanden ist, passt das Gericht selten zu ihrer aktuellen Ernährungsweise – mal ist sie Vegetarierin, mal reduziert sie Zucker, mal achtet sie auf salzarme Kost. Die zentrale Frage, die sie sich jeden Dienstag stellt, lautet daher: Was kann ich heute mit dem kochen, was ich habe – und das auch noch schmeckt?

Das klang nach einer Aufgabe für einen KI-Agenten. Aus diesem Grund entstand zu Muttertag dieses Jahres AskMom Recipes, ein intelligenter Rezeptassistent, der ihre Küche revolutionieren sollte.

In 30 Sekunden zum perfekten Abendessen

Der Assistent beginnt mit einer einfachen Eingabe: Was befindet sich aktuell in der Küche? Nutzer können die Zutaten entweder per Text eintippen oder einfach ein Foto der Lebensmittel auf dem Küchentisch machen und hochladen. Anschließend wählt man die aktuelle Ernährungsweise aus – ob ohne Einschränkungen, vegetarisch, zuckerarm, glutenfrei oder salzreduziert. Ein Klick auf „Rezepte vorschlagen“ genügt, und schon erscheinen drei passende Vorschläge.

Jedes Rezept liefert dabei mehr als nur eine Anleitung:

• Eine Gegenüberstellung der vorhandenen und fehlenden Zutaten
• Einfache Zubereitungsschritte, wie sie typisch für die Hausmannskost meiner Mutter sind
• Konkrete Nährwertangaben basierend auf Daten der USDA
• Einen kurzen Hinweis zur kulturellen Herkunft des Gerichts

Unzufrieden mit den Vorschlägen? Kein Problem. Mit einem Klick auf „Gesünder machen“, „Schneller zubereiten“ oder „Weniger Zutaten“ passt der Assistent die Rezepte in Echtzeit an die eigenen Wünsche an.

Doch wie wurde aus einem bloßen Prototyp ein zuverlässiger Alltagshelfer? Die Antwort liegt in der Architektur des Systems – und in der intelligenten Aufteilung der Aufgaben zwischen KI und klassischer Programmierung.

Warum ein Agent – und kein einfacher Prompt?

Die naheliegendste Lösung wäre gewesen, alle Zutaten in einen einzigen Prompt zu werfen und die KI nach drei Rezeptvorschlägen zu fragen. Doch dieser Ansatz birgt mehrere Fallstricke:

• Falsche Fakten: KI-Modelle neigen dazu, plausible, aber erfundene Nährwertangaben zu liefern. Fragen Sie ein Modell nach dem Proteingehalt von Hähnchen, und Sie erhalten eine selbstsichere, aber möglicherweise völlig falsche Zahl.

• Historische Ungenauigkeiten: Die KI könnte Tomaten fälschlicherweise mit Italien in Verbindung bringen oder behaupten, Nudeln seien eine chinesische Erfindung.

• Kein Gedächtnis: Möchte der Nutzer ein Rezept gesünder gestalten, muss die KI von vorne beginnen – ohne Kontext aus vorherigen Anpassungen.

Hier kommt der Agent ins Spiel. Er löst zwei der drei Probleme: Die Tools ermöglichen eine strukturierte Abfolge von Schritten, und die KI behält den Überblick über den Kontext. Für die falschen Fakten braucht es jedoch eine zusätzliche Lösung – doch dazu später.

Als Technologiebasis diente Strands Agents, ein schlankes Python-SDK für die Entwicklung von Agenten auf Amazon Bedrock. Die Philosophie dahinter ist denkbar einfach: Der Entwickler definiert die Tools als Funktionen, schreibt einen System-Prompt – und Strands übernimmt den Rest. Das bedeutet, die KI entscheidet, welches Tool sie als Nächstes aufruft, das Tool führt die Operation aus, und das Ergebnis wird zurück an die KI gespielt. Dieser Prozess wiederholt sich, bis die Aufgabe erledigt ist.

def build_agent(model_id: Optional[str] = None) -> Agent:
    model_id = model_id or os.environ.get(
        "BEDROCK_MODEL_ID", 
        "anthropic.claude-3-haiku-20240307-v1:0"
    )
    region = os.environ.get("AWS_REGION", "us-east-1")
    model = BedrockModel(
        model_id=model_id,
        region_name=region,
        temperature=0.4,
    )
    return Agent(
        model=model,
        system_prompt=SYSTEM_PROMPT,
        tools=[
            extract_ingredients_from_image,
            extract_ingredients_from_text,
            suggest_recipes,
        ],
    )

Der Aufbau des Agenten wirkt fast schon enttäuschend einfach: ein Modell, ein Prompt und eine Liste von Tools. Doch genau diese Reduktion macht den Unterschied zwischen einem Prototypen und einem alltagstauglichen Werkzeug aus.

Weniger ist mehr: Die Kunst der Tool-Auswahl

Ein häufiger Fehler bei der Entwicklung von Agenten ist die sogenannte Tool-Sammelsucht. Entwickler neigen dazu, möglichst viele Funktionen zu integrieren – doch jede Tool-Aufrufung kostet Zeit. Die KI entscheidet, welches Tool sie aufruft, das Tool führt seine Aufgabe aus, und das Ergebnis muss wieder an die KI zurückgegeben werden. Jeder dieser Schritte dauert einige Sekunden. Fügt man sechs Tools hinzu, summiert sich die Verzögerung auf rund 40 Sekunden – zu langsam für eine praktische Anwendung.

Daher wurde die Funktionalität in zwei Kategorien unterteilt:

Aufgaben, die die KI übernimmt (weil sie logische Schlussfolgerungen erfordert):

• Erkennen von Zutaten auf einem Foto
• Normalisierung unstrukturierter Texte wie „etwas Hähnchen, Reis, vielleicht Knoblauch“ in eine saubere Liste
• Generierung von drei gesunden Rezeptvorschlägen, die den Ernährungspräferenzen entsprechen

Aufgaben, die Python effizienter erledigt (weil sie schlicht Datenabfragen sind):

• Abruf realer Nährwertdaten
• Formatierung der Rezeptkarten für die Benutzeroberfläche

Der entscheidende Vorteil: Python kann Daten schneller abrufen als die KI nachfragen muss. Warum sollte die KI schätzen, wenn es offizielle Quellen wie die USDA-API gibt? Durch diese Aufteilung sank die Antwortzeit von rund 34 auf 17 Sekunden – bei gleichbleibender Qualität. Zudem reduzierte sich der Token-Verbrauch, da die KI weniger Selbstkorrekturen durchführen musste.

Ernährungspräferenzen: Dynamisch und ohne Gedächtnisverlust

Doch wie geht der Assistent mit den ständig wechselnden Ernährungsvorlieben um? Die Lösung liegt in der Integration dieser Präferenzen direkt in den System-Prompt des Agenten. So kann die KI die aktuellen Einschränkungen bei der Rezeptgenerierung berücksichtigen, ohne dass der Nutzer sie bei jedem Schritt neu eingeben muss.

Die Entwicklung eines solchen Systems erfordert Geduld und iterative Tests. Doch das Ergebnis ist ein Werkzeug, das nicht nur funktioniert – sondern auch genutzt wird. Denn am Ende geht es nicht darum, eine weitere KI-Demo zu präsentieren, sondern eine Lösung zu schaffen, die den Alltag erleichtert.

Mütter verdienen bessere Kochhelfer – und dieser Agent könnte der Anfang einer neuen Generation intelligenter Küchenassistenten sein.