aicanyin
你有没有这种体验：打开外卖App翻了半天，就是找不到想吃的。更来气的是，上周点的麻辣烫，今天就又推给我——我都连着吃三天了。餐饮行业做个性化推荐，难就难在这：每个人对”想吃”的定义，会随时间、心情、天气随时变。
国家统计局的数据显示，2024年全国餐饮收入约5.57万亿元，同比增长5.3%。但真正靠算法推荐带来的增量订单，我比较保守地估计，占比还不到10%。盘子这么大，谁先把个性化推荐做明白，谁就能多咬下一口。
餐饮AI智能体是什么？跟普通推荐算法有啥区别
说白了，AI智能体不是传统那种”猜你喜欢”，而是能感知情境、主动帮你做决定的系统。它不光看你点过什么，还会把天气、时间、吃饭人数、甚至你最近在社交平台上发过的美食动态都考虑进去。
举个例子：周五晚上七点，气温骤降。AI智能体发现你过去三个周五都点了日料，又检测到今晚下雨，系统判断你可能想吃点热乎的——于是给你推荐寿喜锅而不是刺身。这就是”智能体”和”线性推荐”的差别。
路径一：知识图谱——把口味偏好变成看得见的标签
这条路径的核心，是给每道菜打标签，再给每个顾客建口味画像，最后做匹配。
某连锁火锅品牌就是这么干的。他们给每道菜标注口感、辣度、食材属性和适宜场景——虾滑被标成”高蛋白/低脂/Q弹/老少皆宜”。顾客的画像则由近期订单自动生成：能吃辣、偏爱虾滑、不碰香菜。推荐时候选菜品的标签和顾客标签一对，分数就出来了。
好处是透明，能解释”为什么推荐这个菜”。对靠前次来的顾客也不至于完全冷启动——他点餐时选个”少辣不要香菜”，画像就能先建个七八成。但坑也明显：标签库维护是纯人力活，菜品改配方、上新品都得跟着更新。没有专人管，这条路走不长远。
路径二：协同过滤——让”和你口味像的人”替你试错
觉得标签库太重？协同过滤是更轻的做法。原理一句话：找到一群和你点单口味相似的人，看他们最近在吃什么。
餐饮场景我更推荐基于物品的协同过滤。比如你点过鸡肉牛油果沙拉，系统发现点过这道菜的人里，有45%还点了冷萃咖啡，那下次就把冷萃咖啡推给你。有外卖平台的技术团队在QCon这类技术大会上分享过，推荐位经过协同过滤优化后，点击率普遍能提升20%左右，下单转化也有肉眼可见的增长。
缺点也清楚：新菜和新用户会”冷启动”，两个都没数据、没法算相似。所以更适合订单数据已经有规模的餐厅，还得配合基础标签才用得好。
路径三：大模型对话式推荐——把推荐变成一场自然对话
这是近几年最火的方向。核心是让AI智能体直接跟顾客聊：顾客说”今天想吃点贵的但不要太腻”，AI会追问”能接受生食吗？预算多少？几个人吃？”三轮对话下来，从17道菜里筛出3道，连前菜和配酒都推荐好了。
这种体验是真的好。但成本也高：既要做菜品知识库，还要反复调Prompt，更得有人持续优化话术。而且对话式推荐更适合堂食、预订这种慢节奏场景，放在外卖里效率并不高。
三种路径怎么选？我的建议：组合使用
这不是单选题，是要按自家情况搭着用。
- 有稳定订单量的餐厅：先上协同过滤，成本最低，见效最快。
- 连锁品牌或有菜品管理团队的：同时搭知识图谱标签库，补足冷启动和推荐理由解释。
- 中高端堂食或私域做得好：把对话式推荐放小程序/公众号，提升客单价和品牌感。
美团前高级副总裁王慧文曾在一个行业场合讲过，美团的增长引擎之一，是把位置服务和个性化推荐结合起来。把”附近有什么”和”这个人喜欢什么”揉在一起，才是餐饮推荐的真正护城河。这一点，放到今天依然值得细品。
最后提醒两个坑：一是别把推荐做成”信息茧房”，顾客偶尔想换口味，AI要能识别这种信号；二是隐私合规别大意，用订单数据没问题，但把画像拿去做跨平台营销，就得掂量掂量了。
所以我的建议很直接：先别急着上AI，把订单数据和菜品标签梳理干净，再谈智能推荐。数据没洗干净，再厉害的智能体也白搭。让顾客觉得”这家店记得我”，回头客自然就多了。
