客户背景
行业
餐饮 · 茶饮连锁
规模
20 家门店 · 加盟为主
现状
人工巡店 + 纸质检查表
期望
统一标准、管控加盟
客户痛点
1
标准难统一
加盟门店各自为政，出品与服务标准参差不齐。
2
巡店成本高
总部督导一家家跑，20 家店一圈下来人力成本高、周期长。
3
问题发现滞后
门店问题往往等到客诉或差评才暴露，整改被动。
演示案例
实时演示 · 门店自检
就绪
输入
门店上传自检照片 12 张（卫生 / 陈列 / 出品）
Consolelogs · stdout
$ 初始化演示管线…
✓ 标准问答即时
✓ 照片 AI 识别置信度 0.89
✓ 异常预警自动派单
技术方案
01
标准作业问答
门店遇到流程问题，随时向 AI 助手提问，即时给标准答案。
02
拍照自检识别
门店按标准拍照上传，AI 自动识别卫生、陈列等是否达标。
03
异常自动预警
监控门店数据，异常时自动预警并派单督导。
不是赌某一种 AI，而是组合最合适的几种
面对真实业务场景，我们不会一上来就选定某条技术路线，而是对多条候选路径做同口径评估，再据此设计融合方案，让每条路径都做它最擅长的那部分。
通用大模型 API
GPT-4o / Qwen / DeepSeek 等公有云模型
- ✓开箱即用、接入成本极低、业务初期成本可控
- ✕对垂直行业场景泛化有限、字段级准确率不稳、数据合规需单独设计
适合冷启动与快速验证
行业模型微调
基于行业语料对开源模型做领域微调
- ✓结合行业语义、准确率显著提升、可私有化部署
- ✕需要标注数据、训练与维护有一定投入
适合作为主链路承担高频流量
检索增强 + 规则校验
RAG 知识库与业务规则引擎的组合
- ✓针对性强、可解释、延迟与成本最优
- ✕需要持续的数据闭环投入
适合兜底与高确定性场景
融合而不是选择
我们最终交付的不是某一个模型，而是一条「主链路 + 语义校正 + 兜底降级」的融合管线：高频场景由行业模型在秒级内完成；置信度低于阈值的字段自动转大模型做二次理解；服务异常时自动降级到通用 API 并标记人工复核，让准确率、成本、延迟、可控性这几个互相牵扯的目标同时达成。
一条可解释、可降级、可演进的 AI 管线
我们把 AI 工程当作「管线」而不是「黑盒」：每一步都有明确的职责、输入输出与兜底策略。下面这条五步管线 + 四层系统架构，是方案的技术骨架。
L1
采集与接入层
支持多渠道接入，统一做鉴权、幂等与脱敏
业务系统 API移动端 / 小程序文件上传 / 扫码API 网关 · 脱敏
L2
AI 推理层
多链路推理 + 置信度路由器，按样本特征自动切换
行业微调模型多模态大模型RAG 知识检索置信度路由
L3
业务编排层
把识别结果对接到真实业务流，做规则校验与闭环
业务规则校验实体 / 主数据匹配金额 / 逻辑闭环人工复核工单
L4
数据闭环层
线上每一次误差自动回流，模型按月自动迭代
样本仓在线标注与差错回收月度增量微调漂移监测与告警
技术栈
FastAPIvLLMLangChainRAGQwenGPT-4oTritonKubernetesPostgreSQLRedisMilvusDocker
交付过程
1
标准梳理
把门店 SOP 整理成结构化知识库。
2
自检系统
开发拍照自检与 AI 识别。
3
试点门店
在 3 家门店试运行。
4
全量推广
覆盖全部加盟门店。
5
运营迭代
根据巡店数据优化督导策略。
上线前后对比
指标上线前上线后
标准执行合格率72%91%
巡店人力4 名督导2 名督导
客诉率月均 15 起月均 11 起
“督导不用天天跑店了，门店自检拍照一传，哪里不达标一目了然。”
可复用场景
连锁加盟门店的标准化管控
门店自检的 AI 识别
经营异常的自动预警