01 / LLM AGENT · 产品设计

全链路智能餐饮
服务 Agent 系统

针对餐饮行业在线点餐「交互断层」与「个性化推荐缺失」的痛点，主导开发具备逻辑闭环能力的 AI 服务 Agent，将复杂交互下的任务完成率提升至 92%。

角色

AI 产品负责人

时间

2025.12 — 2026.03

核心技术

LLM · RAG · Function Calling

餐饮服务 Agent 系统产品界面
PAGE 01 / 05·SITUATION & TENSION

为什么这个项目很难

餐饮场景下用户意图极度跳跃——从「看菜单」到「问配料」再到「修改订单」，传统对话 AI 极易发生上下文漂移，导致任务无法完成闭环。

同时，模型在价格、库存等核心业务信息上存在严重「幻觉」风险，直接影响商业化准入。

核心矛盾

矛盾 01 — 灵活对话 vs. 确定性业务逻辑
矛盾 02 — 模型泛化能力 vs. 零幻觉要求
矛盾 03 — 开放交互 vs. 品牌安全合规
用户意图跳跃与上下文恢复示意图
PAGE 02 / 05·TRADE-OFF 1 — 意图管理

4 阶段 SOP 状态机

设计 4 阶段结构化 SOP 状态机（欢迎 → 浏览 → 确认 → 结算），通过 Variable 变量管理机制实时维护 shopping_cart 状态，实现多轮对话中的上下文精准对齐。

Phase 1

欢迎引导

识别用户意图，建立对话基调

Phase 2

菜单浏览

RAG 检索，精准推荐

Phase 3

订单确认

Variable 维护购物车状态

Phase 4

结算交付

Function Calling 对接 ERP

坦诚说： 状态机的设计难点不在于建构，而在于边界处理——用户在 Phase 3 突然说「我不要这个菜了」时，如何不破坏整体上下文是最难的部分。最终通过 rollback 机制解决。
餐饮 Agent 四阶段 SOP 状态机流程图
PAGE 03 / 05·TRADE-OFF 2 — RAG 策略

Knowledge-First 检索策略

为解决模型在价格、配料等核心业务信息上的「幻觉」问题，定义 Knowledge-First 检索策略——强制模型在输出前完成知识库检索与校验，将幻觉率压低至 0.5% 以下。

BEFORE

~18%

核心信息幻觉率

AFTER

<0.5%

核心信息幻觉率

Knowledge-First RAG 检索流程与幻觉率对比
PAGE 04 / 05·TRADE-OFF 3 — 工程化集成

端到端协议标准化

利用 Function Calling 技术集成 Calculator 插件与后台 ERP 系统，通过结构化 Prompt 将自然语言转化为标准 JSON 指令，实现折扣计算、库存结算的自动化闭环。

安全防御工程

构建 2000+ 字结构化防御 Prompt 体系，设定严苛负面约束（Negative Constraints）与过敏源安全护栏，确保 Agent 在开放交互中的业务聚焦度与合规性。

Function Calling 调用链与安全防御 Prompt 结构
PAGE 05 / 05·RESULTS & REFLECTION

92%

任务完成率

TASK COMPLETION

<0.5%

幻觉率

HALLUCINATION RATE

2000+

防御 Prompt

DEFENSE PROMPT

如果重来

会更早引入「意图置信度评分」机制，而非依赖硬规则状态机——对于模糊意图，让模型主动询问确认，而非强行匹配。这样可以进一步将任务完成率从 92% 推向 97% 以上。

← 返回主页