1. 项目概述

「冷面星球」是一个面向烤冷面外卖店铺的智能网站系统，通过 AI 口味定制、智能拼单、直播点餐、私域会员等能力，帮助商家摆脱外卖平台高抽成依赖，实现用户数据自有与复购增长。

1.1 项目定位

维度	说明
目标用户	校园周边、社区、夜市、连锁烤冷面店
核心价值	去平台化 + AI 个性化 + 私域运营
交付形态	响应式 Web + 小程序 + App
商业模式	自建站省抽成 + 会员储值 + 增值服务

1.2 核心指标一览

指标	目标值	当前行业均值
平台抽成节省	15%+	18%~25%
复购率提升	30%	12%~18%
出餐效率提升	25%	—
会员转化率	>40%	15%~20%
用户满意度	>4.5/5	4.0/5

---

2. 选题背景

2.1 2027 年餐饮外卖趋势

趋势	影响
外卖平台抽成高，商家自建站成趋势	商家利润被压缩，自建站可省 15%+ 成本
端侧 AI 与智能推荐成熟	千人千面口味推荐成为可能
私域流量与会员经济兴起	用户数据自有化，复购率提升 30%
短视频/直播点餐常态化	即点即做，转化率提升 40%
即时配送网络高度发达	30 分钟达成为标配

2.2 核心痛点

痛点	现状	影响
平台抽成高	18%~25% 抽成	利润被严重压缩
用户数据不属于商家	数据归平台	无法做私域运营
点餐流程繁琐	选择困难	转化率低
烤冷面品类特殊	口味组合多、现做时效强	出餐效率低
复购依赖平台	缺乏私域沉淀	复购率仅 12%~18%

2.3 创新点

创新点	说明
AI 口味定制	千人千面烤冷面，辣度/酸甜/加料智能推荐
智能拼单与社交点餐	好友拼单，降低配送成本
直播/短视频即点即做	边看边点，后厨同步备餐
私域会员与积分体系	储值卡、积分、等级，沉淀用户
后厨协同与出餐预测	AI 预测出餐时间，效率提升 25%

---

3. 系统角色设计

3.1 角色总览

3.2 顾客功能矩阵

模块	功能	说明
点餐	AI 口味推荐	辣度/酸甜/加料智能匹配
点餐	历史订单一键复购	1 秒完成复购
点餐	自定义配方	自由搭配烤冷面
点餐	套餐组合与拼单	好友拼单更优惠
下单	多支付方式	微信/支付宝/数字人民币
下单	预约取餐/配送	灵活选择
下单	实时进度追踪	订单状态可视化
会员	积分累计与兑换	消费即积分
会员	等级与专属折扣	等级越高折扣越大
社交	拼单分享	邀请好友得返利
互动	直播点餐与弹幕	边看边点

3.3 店主功能矩阵

模块	功能	说明
订单管理	实时订单看板	全渠道订单聚合
订单管理	自动接单/拒单规则	自定义规则引擎
菜品管理	菜品上下架	一键管理
菜品管理	配方与加料管理	灵活配置
会员管理	会员数据看板	用户画像可视化
营销	优惠券与满减	自定义活动
数据	销售报表	多维度分析
数据	热销菜品分析	智能选品

3.4 后厨 / 配送员功能矩阵

角色	模块	功能
后厨	出餐管理	订单排队与优先级
后厨	库存	原料监控与自动补货
后厨	协作	任务分配与交接班
配送员	接单	附近订单推送与路线规划
配送员	配送	导航与送达确认
配送员	收益	配送费结算与收入看板

---

4. 技术架构

4.1 架构总览

4.2 技术选型

层级	技术栈	说明
前端	Vue 3 + TypeScript + Vite	响应式 Web
前端	uni-app	小程序 + App 跨端
前端	WebRTC + HLS	直播/短视频组件
后端	Spring Boot 3 + MyBatis-Plus	微服务
后端	Redis + RabbitMQ	缓存与消息队列
AI	Python + PyTorch	推荐引擎与预测
数据	MySQL + ClickHouse	业务与分析库
安全	HTTPS + JWT + 国密 SM2	支付与隐私合规

4.3 核心代码示例

4.3.1 AI 口味推荐引擎（Python）

import numpy as np
from sklearn.neighbors import NearestNeighbors

class TasteRecommender:
    def __init__(self):
        # 口味特征: [辣度, 酸甜, 加料丰富度, 酱料浓度]
        self.features = np.array([
            [5, 2, 3, 4],  # 经典香辣
            [2, 5, 2, 3],  # 酸甜口味
            [4, 3, 5, 4],  # 豪华加料
            [1, 1, 2, 2],  # 清淡口味
        ])
        self.model = NearestNeighbors(n_neighbors=2)
        self.model.fit(self.features)

    def recommend(self, user_profile):
        """根据用户画像推荐口味"""
        distances, indices = self.model.kneighbors([user_profile])
        return indices[0].tolist()

# 示例：用户偏好中辣、偏甜、加料多
recommender = TasteRecommender()
result = recommender.recommend([3, 4, 4, 3])
print(f"推荐口味索引: {result}")

4.3.2 订单系统（Java / Spring Boot）

@Service
public class OrderService {

    @Autowired
    private OrderMapper orderMapper;

    @Autowired
    private KitchenQueueService kitchenQueueService;

    @Transactional
    public Order createOrder(OrderRequest request) {
        // 1. 校验库存
        if (!stockService.checkStock(request.getItems())) {
            throw new BusinessException("库存不足");
        }
        // 2. 创建订单
        Order order = new Order();
        order.setUserId(request.getUserId());
        order.setItems(request.getItems());
        order.setStatus(OrderStatus.CREATED);
        order.setCreateTime(LocalDateTime.now());
        orderMapper.insert(order);
        // 3. 加入后厨队列
        kitchenQueueService.enqueue(order.getId(), request.getPriority());
        return order;
    }
}

4.3.3 出餐时间预测（Python）

import pandas as pd
from sklearn.ensemble import RandomForestRegressor

class CookTimePredictor:
    def __init__(self):
        self.model = RandomForestRegressor(n_estimators=100)

    def train(self, history_data):
        """训练出餐时间预测模型"""
        X = history_data[['item_count', 'complexity', 'queue_length', 'staff_count']]
        y = history_data['cook_time_minutes']
        self.model.fit(X, y)

    def predict(self, order):
        """预测出餐时间"""
        features = [[order['item_count'], order['complexity'],
                     order['queue_length'], order['staff_count']]]
        return self.model.predict(features)[0]

4.3.4 智能拼单（Java）

@Service
public class GroupOrderService {

    @Autowired
    private RedisTemplate<String, String> redisTemplate;

    public GroupOrder createGroupOrder(Long userId, List<Long> itemIds) {
        String groupId = UUID.randomUUID().toString();
        GroupOrder groupOrder = new GroupOrder();
        groupOrder.setGroupId(groupId);
        groupOrder.setOwnerId(userId);
        groupOrder.setItemIds(itemIds);
        groupOrder.setStatus(GroupStatus.WAITING);
        // 存入 Redis，设置 30 分钟有效期
        redisTemplate.opsForValue().set(
            "group:" + groupId,
            JSON.toJSONString(groupOrder),
            30, TimeUnit.MINUTES
        );
        return groupOrder;
    }
}

4.3.5 库存自动补货提醒（Java）

@Component
public class StockMonitor {

    @Scheduled(cron = "0 */5 * * * ?")
    public void checkStockLevels() {
        List<Ingredient> lowStock = stockMapper.findLowStock();
        for (Ingredient item : lowStock) {
            if (item.getStock() < item.getThreshold()) {
                // 发送补货提醒
                notifyService.sendRestockAlert(item);
                // 自动生成采购单
                purchaseService.createPurchaseOrder(item);
            }
        }
    }
}

4.3.6 销量预测与备货（Python）

import numpy as np
from statsmodels.tsa.holtwinters import ExponentialSmoothing

class SalesForecaster:
    def __init__(self, sales_history):
        self.model = ExponentialSmoothing(
            sales_history,
            trend='add',
            seasonal='add',
            seasonal_periods=7
        ).fit()

    def forecast(self, days=3):
        """预测未来 3 天销量"""
        return self.model.forecast(days)

# 示例：过去 30 天销量
sales = [120, 135, 142, 158, 165, 172, 180, 175, 168, 190,
         210, 225, 240, 235, 250, 268, 275, 290, 310, 325,
         340, 355, 370, 385, 400, 420, 435, 450, 470, 490]
forecaster = SalesForecaster(sales)
print(f"未来 3 天预测销量: {forecaster.forecast()}")

---

5. 数据库设计

5.1 核心表结构

表名	说明	关键字段
user	用户表	id, phone, level, points
order	订单表	id, user_id, status, amount
order_item	订单明细	id, order_id, item_id, qty
menu_item	菜品表	id, name, price, stock
ingredient	原料表	id, name, stock, threshold
member_card	会员卡	id, user_id, balance, level
coupon	优惠券	id, user_id, type, value

5.2 订单状态流转

状态	说明	下一状态
CREATED	已创建	PAID
PAID	已支付	COOKING
COOKING	制作中	DELIVERING / READY
DELIVERING	配送中	COMPLETED
READY	待取餐	COMPLETED
COMPLETED	已完成	—
CANCELLED	已取消	—

---

6. 预期成果与指标

指标	目标值	实现路径
平台抽成节省	15%+	自建站去平台化
复购率提升	30%	私域会员 + 积分体系
出餐效率提升	25%	AI 出餐预测 + 后厨协同
会员转化率	>40%	储值卡 + 等级权益
用户满意度	>4.5/5	个性化推荐 + 实时追踪

---

7. 应用场景

场景	特点	适配功能
校园周边烤冷面店	学生群体、拼单需求强	智能拼单、社交点餐
社区小吃店	复购率高、家庭用户	会员储值、预约取餐
连锁烤冷面品牌	多门店、统一管理	平台运营、数据看板
夜市摊位	高峰集中、出餐快	直播点餐、出餐预测
外卖专营店	纯外卖、配送依赖	配送调度、路线规划

---

8. 总结

「冷面星球」通过 AI 口味定制、智能拼单、直播点餐、私域会员四大创新，帮助烤冷面商家实现去平台化、数据自有化、复购增长化。系统覆盖顾客、店主、后厨、配送员、平台运营五类角色，技术架构兼顾前端跨端、后端微服务、AI 预测与数据安全，是一套完整可落地的智能外卖解决方案。