【吃什么】AI推荐小程序

一、项目背景

"中午吃什么""周末聚餐去哪""今晚夜宵吃点啥"——朋友聚会时的"吃什么"几乎是一个世界级难题。看似简单的选择，却常常因为众口难调、信息不对称、决策疲劳，让一次本应轻松的聚餐在"选店"环节就消耗掉半小时。

我在个人吃饭选择和朋友聚餐选择时都发现了类似的选择困难，并归纳出几个核心痛点：

于是我决定以"AI设计工程师 + 产品经理"的双重角色，做一个真正能解决"吃什么"的小程序：把"选择"交给转盘与 AI意图识别，把"真实可去"交给高德地图 POI，把"懂你"交给收藏夹与评分系统。

二、需求调研与用户画像

2.1 调研方法

在动手设计前，我用一周时间做了轻量级调研，避免凭直觉拍脑袋。调研方式包括：

• 深度访谈：对 10 位有聚会组织经验的朋友做 15 分钟访谈，聚焦"选店环节最难受的瞬间"。
• 问卷验证：回收 30+ 份问卷，验证访谈结论是否具备普遍性，并量化"可接受决策时长"。
• 竞品速览：体验大众点评、美团、若干"随机吃饭"小程序，记录其解决/未解决的痛点。

调研中最有价值的发现是：72% 的受访者表示"可接受决策时长不超过 3 分钟"，超过这一阈值就会直接放弃选择、随便吃。这直接决定了产品必须把"出结果"压缩到一次点击之内。

2.2 用户画像

基于调研，提炼出四类典型用户：

2.3 三大核心需求

综合调研与画像，收敛出三大核心需求，作为后续功能设计的北极星：

三、产品功能设计

围绕三大核心需求，我设计了四个功能模块，分别对应"快速出结果、按场景筛选、解决去哪玩、越用越懂你"四条用户路径。

3.1 店铺转盘：把"选择"交给概率

店铺转盘是产品的"门面功能"。它从高德地图 POI 拉取用户附近的高分真实餐厅填充转盘格子，用户点击"开始旋转"即可获得一个明确答案。区别于普通随机 App 的关键在于：转盘里的每一家店都真实存在、就近可达，不会出现"推荐了一家早倒闭的店"的尴尬。

同时配套"意图搜索"，支持 35 种意图场景识别（详见第四章），用户输入"我想吃点清淡的暖胃的"也能被正确理解并映射到 POI 标签。

3.2 种类选择：用场景收窄选项

种类选择提供早餐、午餐、晚餐、减脂餐、夜宵、下午茶等场景标签。用户先选场景，再由转盘在该场景对应的 POI 子集中随机，既保留了"随机"的趣味，又避免了"早餐抽到烧烤"的违和。

3.3 活动抽抽：从"吃什么"延伸到"去哪玩"

聚会痛点不止"吃什么"，还有"吃完去哪"。活动抽抽内置 50 张活动卡片（密室、电影、KTV、爬山、桌游、看展等），用同样的"抽卡"心智解决周末去哪玩。卡片库可后续按城市/季节动态扩展。

3.4 收藏夹与评分系统：越用越懂你

用户可对去过的店打分（1–5 星）并收藏。系统将评分历史作为个性化权重，影响后续转盘的候选池与排序，让推荐从"纯随机"逐步过渡到"懂你的随机"。

四、从 0 到 1：用 Vibe Coding 完成开发

4.1 MVP定义与快速验证

MVP定义与快速验证：项目采用MVP（最小可行产品）策略，2天内完成第一版上线——核心功能仅保留"店铺转盘+高德POI"，验证"随机推荐真实店铺"这一核心假设是否被用户接受。第一版上线后收集用户反馈，再逐步迭代种类选择、活动抽抽、收藏夹等功能模块。这种"先验证核心假设、再迭代完整功能"的方式，让我避免了在用户不要的功能上投入时间。

4.2 Vibe Coding 的 5 步工作流

整个小程序使用 Coze 进行 Vibe Coding（以自然语言对话驱动 AI 生成代码）完成从 0 到 1 开发。我以产品经理视角描述需求与交互，由 Coze 生成小程序前端与云函数代码，再由我做联调与微调。整体流程如下：

这套流程让一个以设计/产品为主的角色，也能在没有专业开发的情况下，两天内完成小程序从原型到可体验版本的落地。

4.3 实战技巧

这个项目最大的亮点不是某个功能，而是验证了"以产品+设计角色，用 Vibe Coding 独立交付一个小程序"的可行路径。传统开发与 Vibe Coding 的对比：

在这个过程中，我作为"AI设计工程师"承担的核心工作是：

• 需求结构化：把模糊的"做个吃饭小程序"拆成可被 AI 理解的页面、交互、数据流描述。
• Prompt 编排：为 Coze 工作流编写稳定的意图识别 Prompt，保证 35 种场景识别准确率。
• 结果校验：对 AI 生成的代码与 POI 结果做真机校验，过滤幻觉（如编造不存在的店名）。
• 体验把控：转盘动画、过渡反馈、空状态等细节，根据实际体验不断优化迭代。

4.4 高德地图 POI 接入

"真实存在的店"是产品可信度的底线。通过高德地图 POI 接口，按用户当前定位 + 场景关键词检索附近真实店铺，回填到转盘候选池。核心调用逻辑示意：

4.5 35 种意图场景识别

智能搜索的难点在于：用户不会输入规范的菜品名，而是说"清淡点""暖胃""适合带小孩""加班后来一顿"。我梳理了 35 种常见意图场景，映射到高德 POI 的关键词与类型，让自然语言能直接驱动检索。

意图识别本身通过 Coze 的工作流 + 大模型节点实现：用户输入 → 意图分类节点输出场景标签 → 标签驱动 POI 检索 → 结果回填转盘。整套链路在云端完成，前端只负责展示与转盘动画。

• "附近、便宜、吃饱" → 工作餐场景（面食、快餐等）
• "开车、有包间、多人" → 聚餐场景（人均100+等）
• "夜宵、便宜、近" → 夜宵场景（烧烤、小吃、甜品等）
• "不想吃太饱" → 轻食/甜品/烧烤场景（边界case）

意图识别准确率：v2规划中引入自动评测，对35类意图做混淆矩阵量化。当前仅做人工抽样验证，未做系统性统计。

五、项目成果

小程序上线体验后，通过用户回访与小范围问卷，对推荐满意度做了前后对比。核心成果如下：

六、项目复盘与反思

做得好的地方：

• 先调研后设计，用"3 分钟决策阈值"这一量化洞察锚定产品形态，避免功能堆砌。
• 坚持"真实 POI 兜底"，把产品可信度建立在数据质量而非营销话术上。
• 用 Vibe Coding 验证了产品/设计角色独立交付的路径，为后续项目复用。
• 保留了"懂你的随机"这一平衡设计，没有滑向纯推荐或纯随机两个极端。

不足与改进方向：

• 35 种意图场景主要靠人工梳理，覆盖度有限，长尾表达仍可能误识别，后续考虑用few-shot + 历史查询自动扩充。
• 收藏夹评分的个性化权重目前偏简单（线性加权），数据量上来后可换成更稳健的排序模型。
• 活动抽抽的 50 张卡片为静态内置，缺乏与季节/天气/城市的联动，是下一步迭代重点。
• Vibe Coding 生成的代码可维护性一般，需在产品稳定后做一次结构化重构，便于长期演进。