🚀 投资人展示 · 2026
Agent Network
餐厅推荐篇
让每一次选餐都有"懂你的人"帮你做决策
基于相似用户的智能餐厅推荐 · 连接品味相同的人 · 让选择不再困难
智能味觉匹配
场景化推荐
反馈闭环优化
Agent Network 驱动
01
目标用户及旅程分析
目标用户总览
核心市场
一线城市 · 25-38岁
聚焦一线城市年轻人，两大核心客群驱动产品价值，覆盖高频用餐决策场景
🎉
社交型美食探索者
25-35岁 · 白领 · 社交活跃
每周外出2-3次，经常是组局决策者，追求"大家都满意"的餐厅
"每次聚餐选餐厅翻半天点评，看了评论还是不确定适不适合这个场合"
典型场景
  • 朋友聚会 — 需要满足不同口味偏好
  • 同事团建 — 要考虑预算和包间
  • 接待外地朋友 — 要有特色又不出错
决策痛点
信息过载、众口难调、害怕踩雷、耗时过长。点评评分不能反映场景适配度
💕
品质生活情侣
22-38岁 · 注重仪式感
愿意为体验多花钱，追求新鲜感和环境品质，需要"靠谱不出错"的推荐
"约会餐厅翻来覆去就那几家，想找新鲜感但怕踩雷，环境很重要但点评看不出来"
典型场景
  • 纪念日 / 生日 — 必须特别，不能将就
  • 日常约会 — 想要新鲜感和品质
  • 初次约会 — 安全不出错是底线
决策痛点
环境难判断、新鲜感不足、害怕翻车、缺乏同类人参考。评分体系不重视氛围
4.2亿
中国餐饮市场规模
78%
用户选餐厅时感到困扰
3.5次
目标用户周均外出用餐
45min
平均选餐厅耗时
01
目标用户及旅程分析
社交探索者用户旅程
从"被推举选餐厅"到"满意忠诚"的完整体验路径，核心目标是降低决策焦虑、提升选餐厅效率
触发
朋友群里说"周末聚聚吧"
被推举为选餐厅的人，面对众人不同口味偏好，压力来袭
😰 焦虑 · 负担
进入
打开产品 → 绑定大众点评 → 完成偏好Quiz
30秒快速了解口味偏好，绑定历史数据建立初始画像
😊 好奇 · 期待
探索
选择"朋友聚会6人"场景 → 匹配3个相似用户
发现同样爱组局、口味相近的"味觉知己"，看他们的真实推荐和理由
🤩 有趣 · 被理解
决策
查看推荐理由 → 选定餐厅
"他带了8个人都说好" — 有依据的信任决策，不再凭感觉
🤝 信任 · 安心
反馈
标记"去过了" → 评价推荐准确度 → 算法优化
闭环反馈持续提升匹配质量，下次推荐更精准
😍 满意 · 忠诚
📊 用户旅程关键指标
目标进入时间 < 2分钟 · 首次推荐到决策 < 5分钟
推荐采纳率目标 > 50% · 反馈完成率 > 60%
🎯 核心痛点 vs 解决方案
痛点：众口难调 → 方案：基于相似用户的群组偏好聚合
痛点：信息过载 → 方案：场景化精准推荐，只推3-5家
痛点：缺乏信任 → 方案：推荐理由透明可理解
痛点：耗时过长 → 方案：从打开到决策 < 5分钟
🔄 Aha Moment 触发点
当用户看到"3个和你口味相似的人，都推荐了这家店，其中2人带过6人以上聚餐"时，从"搜索"变成"信任决策"，这是产品核心价值体验的转折点
01
目标用户及旅程分析
品质情侣用户旅程
从"期待特别时刻"到"形成依赖"的体验升级，核心价值是让每次约会都有新鲜感且不翻车
触发
纪念日快到了 / 周末想找个好地方约会
不想将就，需要一个靠谱且有意外的推荐
✨ 期待 · 紧张
进入
打开产品 → 绑定大众点评 → Quiz侧重氛围和体验
偏好设置更关注环境、氛围、仪式感、灯光、私密性
🌟 惊喜 · 期待
探索
选择"纪念日约会"场景 → 匹配品味相似用户
发现和自己审美品味一致的人推荐的餐厅，看到真实环境照
🥰 共鸣 · 欣喜
决策
查看推荐理由 → 查看环境图 → 选定
"和你品味相似的人都说这里约会氛围满分，环境4.8/5.0"
💪 信赖 · 安心
反馈
用餐后回来打分 → 画像更新
每次反馈让推荐更懂你，形成持续依赖
💜 依赖 · 忠诚
💕 情侣用户特殊需求
环境优先 > 口味 > 价格 · 私密性是硬需求
"新鲜感"和"安全感"要同时满足 · 翻车成本极高
决策周期短（当天/提前1-2天）· 愿意为品质付费
🎯 与社交型用户的核心差异
社交型：群体偏好聚合 → 需要"大家都满意"
情侣型：个人品味匹配 → 需要"懂我的审美"
社交型决策链更长 → 情侣型决策更感性更快速
两者都需要：信任感 + 推荐理由可理解
💡 高价值场景：初次约会
初次约会是最高价值场景：翻车成本最高、用户焦虑感最强、对"靠谱推荐"的需求最迫切。产品设计要特别优化此场景的推荐质量和信任展示
02
MVP功能模块
MVP 功能全景图
六大核心模块，构建"相似用户 → 场景推荐"的完整闭环，Agent Network 架构驱动智能匹配
1
🔐 账号与数据接入
大众点评绑定，自动拉取历史数据，一键建立数据基础
2
🧩 用户画像
趣味Quiz建立偏好画像，8-12题快速勾勒味觉DNA
3
🔗 智能匹配引擎
多维度匹配相似用户，Agent协同推荐决策
4
🎬 场景化推荐
基于场景的精准餐厅推荐，千人千面
5
📋 餐厅详情与决策辅助
沉浸式信息展示，对比/导航/预订一站式
6
🔄 反馈闭环
评价驱动画像优化与匹配升级，越用越懂你
🔗 Agent Network 架构
每个功能模块由独立Agent负责，Agent之间通过消息总线协同：数据Agent负责接入清洗 → 画像Agent负责偏好建模 → 匹配Agent负责相似度计算 → 推荐Agent负责场景排序 → 决策Agent负责信息聚合 → 反馈Agent负责闭环优化
数据接入
→
用户画像
→
智能匹配
→
场景推荐
→
决策辅助
→
反馈闭环
↩
用户价值
选餐厅 < 5分钟
匹配精度
推荐采纳率 > 50%
核心壁垒
相似用户网络效应
02
MVP功能模块
账号接入 + 用户画像
一键绑定建立数据基础，趣味Quiz勾勒味觉DNA，Agent Network 自动完成数据清洗与画像初始化
🔐
账号与数据接入
1️⃣
绑定ID
大众点评账号OAuth授权
2️⃣
拉取数据
去过/评分/评论/收藏全量
3️⃣
标签化
NLP清洗与结构化处理
接入数据维度：评论文本（情感+关键词）· 评分分布（口味/环境/服务）· 收藏列表 · 去过标记 · 人均消费 · 浏览行为
🧩
用户画像 Quiz（8-12题）
口味偏好 菜系偏好 价格敏感度 用餐场景 环境偏好 饮食限制 距离容忍度
设计原则：
✦ 趣味性优先 — 非问卷表单，互动式卡片选择体验
✦ 渐进式 — 逐步深入，先宽后窄，不一步到位
✦ 可跳过 — 但明确提示影响匹配精度
✦ Agent辅助 — 根据已拉取数据智能推荐默认选项
⚡ 冷启动优化：数据接入 + Quiz 联动
已绑定大众点评的用户，Quiz题目会根据历史数据自动预填选项，平均完成时间从3分钟缩短至90秒。数据Agent自动识别口味倾向，为Quiz推荐合理默认值，降低用户操作负担
02
MVP功能模块
智能匹配 + 场景推荐
找到和你味觉最像的人，看他们怎么选。匹配Agent与推荐Agent协同工作，实现精准场景化推荐
🔗
智能匹配引擎
匹配维度权重
Quiz偏好
40%
历史行为
35%
场景匹配
25%
推荐 3-5个"味觉知己"（相似用户），展示匹配维度和理由
🎬
场景化推荐
推荐理由示例
🏆 「川味小馆」
"3个和你口味相似的用户都推荐了这里，其中2人带过6人以上的聚餐，评价都很高"
✨ 「隐泉日料」
"和你品味相似的人都说这里约会氛围满分，环境评分 4.8/5.0"
每次推荐3-5家，避免信息过载，聚焦决策
🤖 Agent Network 协同机制
匹配Agent计算用户相似度矩阵 → 推荐Agent根据场景约束（人数/预算/距离）排序 → 决策Agent聚合推荐理由和信任信号 → 输出最终3-5家推荐。各Agent独立迭代优化，整体系统持续进化
02
MVP功能模块
详情展示 + 反馈闭环
沉浸式信息辅助决策，评价驱动持续优化。从"推荐"到"决策"到"反馈"形成完整数据闭环
📋
餐厅详情 & 决策辅助
基本信息 相似用户评价 环境实拍 场景适配标签
信息架构（三层）：
🖼️ 第一层：沉浸式环境大图 + 核心评分
📊 第二层：关键决策信息（人均/距离/场景适配度/相似用户评价）
🔍 第三层：详细菜单/营业信息/用户评论/预订入口
决策辅助工具：
📊 对比功能 — 多餐厅并排比较关键维度
🧭 一键导航 — 直接到店，无需切换APP
📞 预订入口 — 快速订位，减少等待
🔄
反馈闭环
用餐评价
→
标记准确度
→
更新画像
→
提升精度
↩
✦ 用餐后简单评价推荐准确度（3秒完成）
✦ 评价动态更新用户画像标签权重
✦ 匹配精度随数据积累持续提升
✦ 形成越用越懂你的正向循环
✦ 反馈Agent自动识别异常评价，防止作弊
📈 数据飞轮效应
更多用户 → 更多评价数据 → 更精准匹配 → 更高采纳率 → 更强口碑 → 更多用户。Agent Network 架构确保每个环节的数据都自动流入下游Agent，无需人工干预即可持续优化
03
数据与算法支持
数据体系
三大数据维度构建推荐基础，数据Agent自动完成采集、清洗、标注、更新全流程
👤
用户数据
大众点评历史 Quiz偏好
· 评论与评分记录（文本+星级）
· 收藏与去过标记
· Quiz偏好数据（7维度标签）
· 行为数据（浏览、点击、决策路径）
· 用餐后评价与反馈
· 社交关系数据（好友/组局）
🍽️
餐厅数据
UGC标签 场景标签
· 基本信息（位置/价格/菜系/营业时间）
· 用户UGC标签（"适合约会"/"包间"）
· 场景标签（聚会/约会/商务/独食）
· 环境标签（氛围/装修/采光/噪音）
· 菜品标签（招牌菜/必点菜/避雷菜）
· 时效标签（排队时长/等位情况）
🕸️
关系数据
相似度矩阵 关联图
· 用户-餐厅评价矩阵
· 用户-用户相似度矩阵
· 场景-餐厅关联图
· 评价时序数据（偏好变迁）
· 社交传播路径（推荐扩散）
· Agent决策日志与可解释数据
📡 数据来源与获取方式
大众点评开放平台
用户授权后获取历史评价、收藏、去过数据。OAuth2.0授权，数据脱敏处理，合规使用
用户主动输入
Quiz偏好数据、用餐后评价、场景标签投票、环境实拍上传。激励体系驱动高质量UGC
行为埋点
浏览路径、点击偏好、停留时长、决策链路。Agent自动分析行为模式，反哺画像更新
03
数据与算法支持
算法架构
三阶段渐进式算法升级，从规则到深度学习。Agent Network 架构支持算法模块独立迭代
1
阶段一（MVP）— 规则匹配 + 余弦相似度
基于用户标签体系，计算Quiz偏好向量余弦相似度 + 历史餐厅重合度加权，快速实现可用匹配。开发周期2周，优先验证核心假设
2
阶段二 — 协同过滤 + NLP评论分析
构建用户-餐厅评价矩阵，使用协同过滤挖掘隐式偏好；NLP分析评论文本提取情感和场景特征。匹配精度预计提升30%
3
阶段三 — 深度学习 Embedding + 实时个性化
用户和餐厅统一Embedding空间，实时捕捉行为变化，动态调整推荐策略，实现千人千面。支持Agent自主学习和策略优化
❄️ 冷启动策略
新用户：仅靠Quiz偏好匹配 → 行为积累后混合匹配 → 数据充足后深度匹配
渐进式精度提升，从Day 1就有可用推荐。Quiz完成即获得初始匹配，无需等待数据积累
📊 算法评估指标
匹配精度 推荐多样性 惊喜度 可解释性
不仅追求准确，更关注惊喜感 — 让用户发现意料之外的好餐厅。可解释性是信任基石，每个推荐都有理由
🤖 Agent Network 算法优势
传统推荐系统：统一模型 → 更新慢 → 冷启动难。Agent Network：每个Agent独立优化 → 实时迭代 → 模块可替换。算法升级不影响线上服务，新算法可在影子模式下A/B测试后无缝切换
04
产品界面设计
设计原则与风格
温暖有人情味的设计，区别于工具型产品。Agent Network 赋予产品"有温度的智能"感
品牌色：蓝+橙暖色系
字体：PingFang SC / SF Pro · 圆角：8-12px · 留白充分

🧑 人格化

相似用户要有"人味"，不是冷冰冰的算法结果。展示推荐者的真实体验故事和品味标签，让推荐有温度、可感知

🎬 场景驱动

首页不是搜索框，是场景选择。用户先选"和谁、什么场合"，再进入推荐。Agent自动识别场景上下文

🔍 信任感

推荐理由透明可理解。不是"猜你喜欢"，而是"和你品味相似的人都爱"。每个推荐都有依据，建立用户信任

⚡ 轻决策

减少信息过载，聚焦关键决策因素。每次只推3-5家，少即是多，帮助快速做选择。决策辅助工具一站式

🎨 设计风格关键词
温暖 有人情味 非工具感 场景化 信任透明 智能感知
📐 交互设计原则
✦ 首选推荐 > 搜索 — 被动发现优于主动查找
✦ 一次决策 > 多步操作 — 减少决策步骤
✦ 展示理由 > 展示分数 — 信任建立靠故事
✦ 渐进详情 — 先概览后深入，不一步到位
04
产品界面设计
关键页面框架
五大核心页面的设计思路与信息架构，Agent Network 驱动每个页面的智能交互
🏠 首页 — 场景选择入口
卡片式场景入口，根据时间/位置/历史智能排序。Agent自动推荐最可能场景
🎉 朋友聚会
💕 约会
💼 商务用餐
🍜 一个人吃
🤝 匹配结果页 — 味觉知己 + 推荐餐厅
相似用户卡片（头像+标签+相似度）+ 其推荐的餐厅列表，含推荐理由
😊
92%
😎
87%
🤓
83%
🍽️ 餐厅详情页 — 沉浸式体验
大图环境展示 + 关键决策信息 + 相似用户评价。三层信息架构渐进展示
🖼️ 沉浸式环境图
⭐ 4.6 · 💰 人均¥128 📍 1.2km · 场景适配 94%
🎯 Quiz页面 & 反馈页
趣味互动式Quiz（卡片选择）+ 简单快速滑动评分，3秒完成反馈
🎲
互动式Quiz
👍👎
滑动评分
🤖 Agent Network 页面智能联动
首页：场景Agent根据时间/位置/历史智能推荐场景 → 匹配页：匹配Agent实时计算相似度 → 详情页：决策Agent聚合关键信息 → 反馈页：反馈Agent设计最短评价路径。页面之间数据自动流转，用户无感知
05
MVP验证指标
MVP 验证指标体系
以推荐采纳率为北极星，多维度验证产品价值。Agent Network 内置指标监控，实时追踪每个环节转化
⭐ 北极星指标
推荐采纳率
用户最终选择了推荐餐厅的比例 · 目标 > 50%
>70%
Quiz完成率
获客指标 · 衡量产品吸引力
>50%
大众点评绑定率
获客指标 · 衡量数据接入意愿
>30%
7日留存率
留存指标 · 衡量产品粘性
>4天
月活跃天数
留存指标 · 衡量使用频次
>40%
推荐点击率
推荐质量 · 衡量推荐吸引力
>4.0
推荐满意度
推荐质量 /5.0 · 衡量用户满意
>40
用户推荐NPS
增长指标 · 衡量口碑传播力
>15%
自然分享率
增长指标 · 衡量自传播能力
📈
采纳率趋势
北极星监控 · 周度追踪
📊 指标体系设计逻辑
获客（完成率/绑定率）→ 留存（7日/月活）→ 推荐质量（点击率/满意度）→ 增长（NPS/分享率）→ 北极星（采纳率）。每个环节都有Agent监控异常，自动触发预警和优化策略
05
MVP验证指标
验证里程碑
12周三阶段递进验证，从种子用户到增长飞轮。Agent Network 支持快速迭代和数据驱动决策
Phase 1 · 0-4周
🌱 种子验证
100人
种子用户获取与核心假设验证
✦ 验证Quiz完成率（目标 >70%）
✦ 验证匹配准确度（定性反馈）
✦ 收集定性反馈与改进方向
✦ 迭代Quiz题目和交互设计
✦ 验证数据接入流程可用性
核心验证：产品假设成立？用户愿意用？
Phase 2 · 4-8周
🌿 扩展验证
500人
扩展用户规模与深度验证
✦ 验证推荐采纳率（目标 >40%）
✦ 验证7日/30日留存（>30%/>15%）
✦ 优化匹配算法至阶段二
✦ A/B测试推荐策略与UI方案
✦ 验证Agent Network稳定性
核心验证：推荐真的有用？用户会回来？
Phase 3 · 8-12周
🌳 增长验证
1000+
千级用户增长飞轮验证
✦ 验证增长飞轮（NPS > 40）
✦ 验证口碑传播与自然增长
✦ 验证商业化假设（C端付费/B端合作）
✦ 准备规模化投放方案
✦ Agent Network 全模块上线
核心验证：能自增长？能赚钱？
🎯 终极验证目标
推荐采纳率 > 50% · 7日留存 > 30% · NPS > 40 → 证明"基于相似用户推荐"模式成立，Agent Network 架构可规模化，进入增长阶段