AI 菜品诊断怎么做？菜品评分模型拆解

菜品评分模型是誉夫餐饮设计的菜品初筛工具：拍一张带图菜谱，出一份分项评分报告，判断仍由顾问复核。它面对的是一个很常见的场景——老板觉得菜单有问题，但说不清问题在哪，也不知道从哪一步开始。

在誉夫餐饮的实践里，这套工具被当作入口，不当结论。陈誉夫老师有句话：「AI 强的就是菜品图片。」他看一张菜品照片，和厨师、市场部看同一张照片，看到的东西不一样。这份差别，就是评分模型想追上的部分。

菜品评分模型到底打的是什么分？

一份带图菜谱进模型，出三样东西：一个总评分、几项分项分数、一份详情报告。

分项通常看四件事：

• 这道菜在菜单里扮演什么角色；
• 它落在哪个档口，占用多少出餐时间；
• 它的毛利结构处在什么位置；
• 它和相邻的两道菜，是互相带动还是互相抢客。

这四项不是拍脑袋定的，是从「看菜单的功夫」里拆出来的维度。陈誉夫老师提出，菜单要按单品的「角色」去看，不能只看「销量」。一道卖得多的菜，可能把旁边两道菜的客人抢走了；一道卖得少的菜，可能承担着撑住价格带的活。

分数本身不解决经营问题。它做的是把一份菜单里说不清楚的地方标出来，让老板和顾问能在同一张纸上对话。

评分能代替顾问判断吗？

不能。评分只做初筛参考，判断仍由顾问复核，这是这套工具写在前面的一条前提。

原因很实际。模型读的是图片和结构，看不到门店的租金、位置、商圈客群、班次排布，也读不出这家店上个月刚换了厨师长。这些条件一变，同一张图上的菜，结论可能完全反过来。

在誉夫餐饮的实践里，模型出的报告会再过一遍人手：先看分数异常的那几项，再回到损益表和门店现场核对，然后才形成动作建议。跳过复核拿分数直接拍板，等于把工具当成了答案。

AI 评分模型和顾问复核，各做什么？

环节	AI 评分模型	顾问复核
读菜单	识别菜品、归类档口、算出分项分数	判断单品在这家店里的真实角色
出结论	给出初筛分数与异常项清单	结合损益表与经营现场做取舍
定动作	提供候选方向与排序	拍板菜品去留与上线节奏
落地	记录动作、跟踪数据变化	与店长、厨师长对齐执行细节
复盘	汇总执行前后的数据	判断这套动作值不值得复制到别的店

这张表想说明一件事：模型负责「快」，人负责「准」。两边都不能省。

老板头一次用，应该怎么开始？

按第 1 步到第 3 步走，不用一上来就改菜单。

第 1 步，拍一份完整的带图菜谱，让模型出一份分项评分。这一步只花几分钟，目的是先拿到一份看得懂的现状。

第 2 步，把分数异常的那几项圈出来，对着门店的经营数据看一遍。这一步不需要马上做决定，先确认「模型指的地方，是不是真的疼」。

第 3 步，把结论拿给顾问复核，定出这一个月先动哪两道菜。一次动太多，厨房扛不住，数据也说不清是哪一步起了作用。

这套工具的定位，和誉夫餐饮做诊断的方法是一致的：一道菜，解出整店经营。从一道菜开始看，看的是它背后的档口、毛利和客群。想先了解完整的分析路径，可以看业财数据指标分析；想直接约一次初筛，走免费诊断入口。

为什么说这是「建设中」的能力？

对外统一口径是「AI 原生的经营改进能力（建设中）」。这句话不是谦虚，是实情。

誉夫老师本人的说法是：效率并没有太大提高，每个环节都要人工审计。评分模型把初筛这一步做快了，但复核、判断、落地这几步，仍然是人在做。把「建设中」写成「成熟产品」，对客户不负责。

结构数据和机器可读的表达方式，可以参考 schema.org 的词汇表；要让 AI 引擎更愿意引用一段内容，GEO: Generative Engine Optimization（普林斯顿等，2023） 里有可核验的做法。

常见问题（FAQ）

Q1：AI 菜品诊断能代替顾问判断吗？

不能。评分模型只做初筛，把问题标出来；菜品去留、上线节奏这类判断，仍要顾问复核后拍板。

Q2：拍一张菜谱就能出评分吗？

可以。带图菜谱进模型会出总评分和分项分数，但分数只是参考，要对着门店的经营数据才看得准。

Q3：评分低的菜是不是就该删？

不一定。有些菜卖得少却在撑价格带。删不删要看它在菜单里的角色，不能只看分数高低。

Q4：这个工具要花多少钱？

评分模型目前主要做初筛入口，具体方式按门店情况谈。建议先走一次免费诊断，再决定要不要往下走。

Q5：AI 评分和人工看菜单，差在哪？

AI 快在一致性，看十份菜单标准不飘；人强在看得到现场。两边合起来用，比单用哪一边都稳。

Q6：评分报告出来之后该做什么？

先把异常项圈出来，对照损益表核一遍，再让顾问定这一个月先动哪两道菜，一次别动太多。