从“接入了模型”到“接入了决策”：DeepSeek 在餐饮智能分析中的工程定位

餐饮 AI 渗透率仅 15%，但头部企业机器学习渗透率已达 43.5%，库存浪费减少 53%，人力成本降低 18%。这组数据揭示的并非技术不可用，而是大量企业把 AI 用错了位置——停在文案生成和自动客服层面，未能嵌入真正影响利润的决策节点。DeepSeek 在餐饮云平台中的合理角色，不是通用问答入口，而是一个受 schema 严格约束的结构化决策组件，嵌入成本核算、供应链补货、排班生成等具体业务链路。

为什么是 DeepSeek，而不是“随便一个模型”

DeepSeek-R1 采用混合专家架构，总参数 6710 亿，推理时仅激活 370 亿，上下文长度 128K。对于餐饮场景，这一组合的工程意义在于：单次分析可以吞下整张菜品成本表或数周的销量流水，而稀疏激活把推理成本控制在可规模化调用的区间。更关键的是 2026 年 API 侧的演进——strict mode 允许模型严格按照调用方提供的 JSON Schema 输出 tool call 参数，从根源上消除“模型返回了一段漂亮但无法入库的自然语言”这一集成顽疾。

成本核算：把“每道菜到底赚不赚钱”变成可查询字段

餐饮亏损最隐蔽的来源，是一道畅销菜在分摊隐性成本后实际毛利远低于账面。传统 SaaS 只记录原料出库价，不回答“这道菜该不该继续卖”。DeepSeek 的分析必须输出严格结构化的结果，以下代码使用 tool calls 的 strict schema：

tools = [{
    "type": "function",
    "function": {
        "name": "report_dish_margin",
        "strict": True,
        "parameters": {
            "type": "object",
            "properties": {
                "dishes": {
                    "type": "array",
                    "items": {
                        "type": "object",
                        "properties": {
                            "name": {"type": "string"},
                            "true_gm": {"type": "number"},
                            "action": {"type": "string",
                                       "enum": ["keep", "reprice", "delist"]}
                        },
                        "required": ["name", "true_gm", "action"],
                        "additionalProperties": False
                    }
                }
            },
            "required": ["dishes"],
            "additionalProperties": False
        }
    }
}]

当 action 被枚举约束为 reprice 或 delist 时，模型输出不再是“建议关注这道菜”，而是可直接触发定价工作流的指令。毛利数值本身由代码计算，模型只负责归因与分类决策——这是防止 LLM 在金额上产生幻觉的基本纪律。

供应链：确定性计算在前，生成式解释在后

供应链是餐饮数智化最薄弱的环节，渗透率不足 14%。DeepSeek 不应替代库存阈值判断，而应承接阈值触发之后的“下一步做什么”。补货量的数值运算留给 Python，模型负责把 SKU 级缺口转化为考虑在途、保质期和促销计划的采购清单：

def check_reorder(stock, safety, lead_days):
    return stock <= safety * lead_days

shortage = {sku: safety*lead - stock for sku, stock, safety, lead
            in skus if check_reorder(stock, safety, lead)}

# 仅在确定性判断输出缺口后，调用 DeepSeek 生成结构化补货方案
if shortage:
    # input: shortage dict + 在途 + 保质期 + 销量趋势
    # output schema: [{"sku": ..., "qty": ..., "priority": 1-3}]
    pass

百胜中国在超 1.9 万家门店落地的智能订补货系统遵循的正是同一逻辑：AI 输出的不是讨论，而是可执行的补货与销量预测。海底捞的实践同样将“有规则可算的工作”交给 AI，把员工释放到情感沟通和个性化服务上。

边界即设计：三个不可让渡的原则

其一，金额、数量、工时合计的运算不交给 LLM。 DeepSeek 的推理能力用于归因和策略生成，数值基准由确定性代码提供并回验。

其二，输出必须是可入库的 schema，而非自然语言报告。 strict mode 下，JSON Schema 的 required 与 additionalProperties: false 共同构成一道类型防火墙。

其三，模型可降级、可替换。 通过 API 网关解耦，当模型服务波动时，业务链路回退到规则引擎，而非整体中断。

餐饮智能化的分水岭，不在于是否接入了 DeepSeek，而在于接入的位置是否正确。当模型被约束在结构化 schema 之内、承担归因与策略生成而非数值计算时，它才从“又一个聊天窗口”变成真正参与利润决策的系统组件。头部企业 43.5% 的渗透率与 53% 的库存浪费降幅之间的因果链，本质上是一条工程纪律链：数据先标准化，计算先确定化，然后才轮到模型说话。