2026.4.10 AI助手订外卖：原理+代码+面试要点

小编产品中心 2026-04-14 8

北京时间：2026年4月10日｜目标读者：技术进阶者、学生、面试备考者、开发工程师
定位：技术科普 + 原理讲解 + 代码示例 + 面试要点｜风格：由浅入深、通俗易懂

一、开篇引入

2026.4.10 AI助手订外卖：原理+代码+面试要点-第1张图片

ai助手订外卖正成为智能生活与对话式AI落地的典型场景——用户只需对手机说“帮我点份宫保鸡丁”，系统就能自动完成选店、下单、支付。许多学习者只会调用现成接口，不懂背后的意图识别、实体抽取与流程编排，面试时被问到“如何设计一个订外卖对话系统”便无从下手。本文将从痛点出发，讲解核心概念、代码示例、底层原理，并附高频面试题，帮你建立完整的知识链路。

本文为「对话式AI实战」系列第一篇，后续将深入多轮对话状态机与微调技巧。

2026.4.10 AI助手订外卖：原理+代码+面试要点-第2张图片

二、痛点切入：为什么需要AI助手订外卖？

传统订外卖流程需要用户手动打开App、、筛选、加购、填写地址、支付，共7～8步。代码上通常用硬编码分支实现：

 传统方式：if-else堆砌
def order_food(user_input):
    if "宫保鸡丁" in user_input:
        search("宫保鸡丁")
        if "辣" in user_input:
            filter_spicy()
        if "便宜" in user_input:
            filter_price()
         ... 无穷无尽的规则

缺点：

耦合高：业务规则与代码逻辑揉在一起，改一个条件要改多处。
扩展性差：新增“少糖”“加急配送”等需求需大量修改if-else。
维护困难：规则组合爆炸，易遗漏边界情况。

因此需要基于AI的智能助手，用自然语言理解（NLU）和对话管理（DM）替代硬编码规则。

三、核心概念讲解：意图识别（Intent Recognition）

定义：Intent Recognition（意图识别）是判断用户一句话背后“想做什么”的任务。在ai助手订外卖中，意图可以是 order_food（点餐）、track_order（查单）、cancel_order（取消）等。

关键词拆解：

意图：用户的目的，而非字面内容。如“帮我整个盖浇饭”意图仍是点餐。
识别：从自然语言中分类，通常转化为多分类问题。

生活化类比：你去餐厅对服务员说“来份炒饭”，服务员立刻知道你是“点菜”而不是“结账”或“投诉”——这就是意图识别。

作用与价值：将无限的自由文本映射到有限的业务动作，是对话系统入口的“交通指挥员”。

四、关联概念讲解：实体抽取（Entity Extraction）

定义：Entity Extraction（实体抽取）是从用户话术中提取关键信息片段，如菜品名、数量、口味、地址等。

与意图识别的关系：

意图识别决定“做什么”（Action）。
实体抽取决定“对谁做、怎么做”（Parameter）。二者共同构成自然语言理解（NLU）的核心。

对比差异：

维度	意图识别	实体抽取
输出	一个类别标签	多个键值对
示例	`order_food`	`{"dish":"宫保鸡丁", "spicy":"微辣"}`
技术	文本分类	序列标注（BERT+CRF）

简单示例：用户说“两份不辣的麻婆豆腐，送科技园B座”

意图：order_food
实体：{quantity:2, dish:"麻婆豆腐", spice:"不辣", address:"科技园B座"}

五、概念关系与区别总结

一句话记忆：意图识别决定“路由器”的出口，实体抽取负责“打包数据包”。

逻辑关系：意图是“整体目标”，实体是“局部参数”；意图识别先定方向，实体抽取再填细节。
协作流程：用户输入 → 意图识别（分类）→ 根据意图调用对应的实体抽取模板 → 得到结构化指令。

六、代码/流程示例：极简AI助手订外卖核心逻辑

以下示例使用规则+轻量模型（为突出核心，用正则模拟意图识别，真实场景可用BERT）。展示从输入到执行的全流程。

import re

 模拟意图识别（实际可用分类模型）
def recognize_intent(text):
    if re.search(r'点|来份|要个|订', text):
        return "order_food"
    elif re.search(r'查|订单|到哪了', text):
        return "track_order"
    else:
        return "unknown"

 模拟实体抽取（正则+关键词）
def extract_entities(text, intent):
    entities = {}
    if intent == "order_food":
         提取菜品（简单匹配预设列表）
        dish_match = re.search(r'(宫保鸡丁|麻婆豆腐|盖浇饭)', text)
        if dish_match:
            entities["dish"] = dish_match.group(1)
         提取数量
        num_match = re.search(r'(\d+)份', text)
        if num_match:
            entities["quantity"] = int(num_match.group(1))
        else:
            entities["quantity"] = 1
         提取口味
        if "不辣" in text:
            entities["spice"] = "不辣"
        elif "微辣" in text:
            entities["spice"] = "微辣"
    return entities

 执行订外卖（模拟API调用）
def execute_order(entities):
    print(f"📦 正在订餐：{entities.get('quantity',1)}份 {entities.get('dish')}，口味：{entities.get('spice','默认')}")
     实际此处调用外卖平台开放API（美团/饿了么）
    return {"order_id": "202604100001", "status": "success"}

 主流程
user_input = "帮我点两份微辣的宫保鸡丁"
intent = recognize_intent(user_input)
if intent == "order_food":
    entities = extract_entities(user_input, intent)
    result = execute_order(entities)
    print(f"✅ 下单成功，订单号：{result['order_id']}")
else:
    print("暂不支持该意图")

执行输出：

📦 正在订餐：2份 宫保鸡丁，口味：微辣
✅ 下单成功，订单号：202604100001

新旧对比：传统if-else需要为每个菜品、每个口味写分支；而AI方式只需维护意图列表和实体抽取规则（或模型），扩展新菜品只需更新菜品词表，改进效果显著。

七、底层原理/技术支撑

ai助手订外卖背后依赖两大基础技术：

自然语言处理中的预训练模型（如BERT、GPT）
- 意图识别本质是文本分类，BERT通过[CLS]向量接softmax即可得到意图概率。
- 实体抽取采用BERT+CRF：BERT提供上下文相关的字向量，CRF学习标签间的转移约束（如“B-dish”后不能直接跟“I-address”）。
对话状态机与API编排
- 多轮对话需要维护状态图（例如：缺菜品→追问菜品；缺地址→询问地址）。
- 底层使用Redis缓存会话状态，通过RESTful API调用外卖平台（美团/饿了么开放接口）。

深度原理（如Transformer注意力机制、CRF损失函数）将在系列后续文章中展开，本文先做定位。

八、高频面试题与参考答案

Q1：请简述AI助手订外卖系统中，意图识别和实体抽取的区别与联系。

参考答案：

区别：意图识别是文本分类任务，输出单个标签（如order_food）；实体抽取是序列标注任务，输出多个键值对（如菜品、数量）。
联系：两者共同构成NLU模块；意图识别为实体抽取提供上下文约束（例如order_food意图下才抽取菜品实体），实体抽取的结果又用于执行具体业务逻辑。
踩分点：任务类型不同 + 协作流程 + 举例说明。

Q2：如何应对用户输入中“缺实体”的情况（比如只说“点个菜”）？

参考答案：采用对话状态机 + 槽位填充。系统先定义必填槽位（菜品、地址等），当识别到order_food意图后检查槽位，缺失则主动反问：“您想点什么菜？”。使用Redis存储当前会话的已填充槽位，直到所有必填槽位完整再调用下单API。

Q3：在实际ai助手订外卖中，如何保证实体抽取的准确率？

参考答案：