AI 互动推荐看哪几个维度：冷热、浓淡、甜度是怎么定下来的

1顾客说的是形容词，菜单给的是名词

菜单是一份名词清单：拿铁、奶茶、果汁、茶饮、草本茶饮。而顾客站在设备前时，脑子里想的往往是形容词：想喝热的、要淡一点、别太甜。这两套语言对不上，就会出现最常见的一幕——盯着屏幕看了十几秒，最后还是点了最眼熟的那一个。

补上这中间的翻译，就是互动推荐要解决的唯一问题。而翻译的质量，取决于选了哪几个维度：维度选得准，三问就能收敛到一杯；维度选得散，问五句还是推荐不到点子上。

设备侧目前使用的核心维度是三个：冷热、浓淡、甜度。它们有一个共同特征——顾客自己就说得清楚，不需要被解释一遍才明白怎么选。

2三个核心维度，各自影响哪一段出品

维度不是问卷题目，它必须能直接落到设备的某一段参数上，否则推荐就只是一句安慰。三个维度的分工大致如下：

把这张表竖着看，会发现它覆盖的正好是一杯现制饮品里最容易被「做错」的三件事：温度不对、太淡或太浓、太甜或不甜。三个维度各管一段，互不重叠，这是维度设计的基本要求。

需要说明的是，不同机型可用的档位可能不同，菜单里开几个档位也可以按点位调整。上表的档位是示范口径，具体以产品资料与现场设置为准。

三个维度的提问顺序也有讲究。冷热通常放第一问，因为它对出品的区分度最大、顾客自己的偏好也最明确；浓淡放第二，甜度放第三——这样的顺序让前两问就能筛掉大部分不符合的选项，第三问往往只起到确认作用。

3维度怎么落到参数：能不能复用，全看这一步

推荐之所以能稳定复现，靠的不是推荐本身，而是每一档都对应一组固定参数。同一杯饮品，在「浓 + 少糖 + 热」这个组合下，两次出杯应该得到可预期的结果。

1. 档位先定义：每一档写清楚它对应的水量、时长、投加量区间，而不是只写「浓一些」。
2. 组合要先验证：跨档位的组合（例如无糖 + 浓）在验证过后再放进推荐范围，避免出现设备执行不了或结果明显不合理的组合。
3. 改动要留痕：调过参数的饮品，后续再推荐时要按新参数走，否则「同一次选择、两次不同结果」会直接损伤信任。

这也是为什么配方参数化和互动推荐是同一件事的两面：没有参数化，推荐就只能凭手感；参数化了，推荐才可复制、可交接、可解释。站内《配方参数化与出品一致性》那篇里有参数表的样式，可以直接拿来用。

参数化还有一个附带好处：它让出品问题可以被定位。同一杯饮品出现差异时，只要看当次选择的档位与设备记录，就能判断是参数没有按档位执行，还是原料批次本身发生了变化。没有参数化，这类问题只能靠回忆。

4维度默认值可以按点位配

同一个菜单，放在不同点位，第一屏的默认档位没必要一样。这是运营层面的一个实用口子：维度是全局的，默认值可以分点位。

这张表不是结论，而是一种配置思路：先用默认档位减少一次选择，再让顾客有地方改。默认值定得好，第一屏的完成率会明显不同——因为它把「三个问题」压缩成了「一个默认 + 两次确认」。

需要提醒的是，默认值的调整属于运营方的现场决策，任何调整都建议先在小范围内试运行一段时间，再看数据。

默认值调整完之后，建议保留一份简单记录：改了什么、什么时候改的、改之前与改之后各是什么样。这份记录不必给别人看，它解决的是「过一段时间想不起来当初为什么改」这个问题。参数的可追溯性，长期看比单次调优更值钱。

5为什么不把更多维度放进第一屏

常见的建议是：既然容量、温度、加不加冰、要不要杯子都会影响结果，为什么不做成六问？答案是选择成本。

每增加一个维度，可能的组合就成倍增长。顾客在设备前停留的时间通常以秒计，维度越多，越容易出现两种情况：一是随便点一个，二是退出重来。两者都让推荐失去了意义。

比较务实的结构是分层：第一屏只放冷热、浓淡、甜度这三个高区分度维度，其余变量放到确认页作为可选项。需要细调的人找得到入口，不需要的人可以一路点下去。这也让互动时长能控制在十几秒的量级。

最后补一句边界：推荐只到口味偏好建议这一层，不涉及任何身体层面的判断，也不构成任何专业建议。顾客调整档位、或者干脆不用推荐直接点选，都是完全正常的用法——推荐的作用是降低第一次选择的难度，不是替顾客做决定。