MenuKit.AI 诞生于一个年轻的互联网餐饮 SaaS 团队。
在为餐饮独立门店提供数字化工具的过程中，我们发现，能在激烈竞争中生存并成功扩张的门店，往往都有一个共同点——他们找到了属于自己的“爆款商品”。
当我们把这个观察放到产品思考中，我们在问自己：
能否通过我们的工具，让商家和顾客都更清晰地看见门店的核心竞争力——菜单上的商品？
又如何帮助顾客基于菜单商品，获得更符合个人喜好的消费体验？
商品，是餐饮门店价值的载体。
它在商家与顾客之间流转，构成了在地消费体验的核心一环。
而商品信息的丰富度及准确度，决定了这份价值能否被理解、被传递。
于是，我们聚焦于商品信息流转的起点——信息的准确呈现。
01 / 那些“看不明白还不好意思纠错”的菜单们
在许多独立门店或传统餐厅里，菜单往往以纸质、手写、打印等形式存在。
我们常见到拼写不规范、标点混乱、排版错乱等问题——这些细节虽小，却足以影响顾客的第一印象及点单决策。
“信息的准确呈现”，不仅是技术指标，更是信任的起点。
当我们开始构建 MenuKit.AI 时，目标其实很简单：
让菜单看得懂，让顾客点得明白。
对我们而言，这意味着：
- 要提供一套稳定、可靠的菜单识别与翻译工具；
- 要能识别手写粘连、装饰字体、模糊图片；
- 要能理解菜单文字背后的食材、做法与文化语境；
- 并最终生成一份新的菜单，它保留原有风格，让每位顾客都能轻松理解。
02 / 提升识别准确率：让 OCR 看懂真实世界的菜单
“上传菜单 → 识别+翻译 → 核对 → 输出”
看似只需四步的操作，背后却是多模型协同的复杂过程。
菜单从来不是标准化文档。字体、排版、印刷方式乃至拍照反光，都让传统 OCR（光学字符识别）算法难以准确识别。
为了解决这些问题，我们构建了一套融合 计算机视觉、深度学习与NLP分词的视觉理解模型，让 OCR 识别准确率达到97%以上。
图示｜MenuKit.AI OCR 识别效果测试
我们选取了 20 张不同类型的菜单样本进行模型验证，包括规则菜单、不规则布局菜单、反光及低分辨率拍摄图片。
MenuKit.AI 的视觉理解模型在文本检测与识别任务中取得 97%+ 的整体识别准确率，对手写粘连、打印装饰字体及光照不均样本均能稳定输出结构化结果。
核心技术：
菜单专用 OCR 模型：
- 基于真实门店样本训练，结合对比度增强、分辨率提升、去噪等图像预处理技术；
- 可准确识别手写、打印、光照不均及多语种混排的菜单。
交叉检验与自动纠错：
- 模型对识别文本与上下文图像进行比对，自动修正错误字符与缺漏字段。
语义检测与结构提取：
- 精准检测文字区域，并通过语义分析，对商品名、价格、描述、标签等信息进行结构化分类；
- 为后续翻译和菜单生成提供标准化数据。
结果是：
MenuKit.AI 不仅“看得见”菜单上的文字，更能“理解”文字所处的语义位置与分类关系。
03 / 提升翻译准确率：从直译到语义理解
传统翻译工具在面对商品名称、地方方言或文化典故时，往往陷入“直译”陷阱——像典型的福建名菜“佛跳墙”，如果缺乏语境支持，很难翻译出准确含义。
为此，我们构建了基于 检索增强生成 + 大语言模型（RAG + LLM）的翻译架构，并以 餐饮知识库（F&B Knowledge Base， KB） 为核心支撑，让模型在“有依据、有规则”的框架中进行语义理解与翻译生成。
在菜单翻译中，我们保留商品名称和文化的多样性，不做实体归一化处理，以免丢失品牌/商品特色，仅使用 KB 提供的字段作为参考进行组合翻译：
KB 包含 name， main_ingredients， flavor_profile， cooking_method， description， notes 等标签。
翻译规则：
-
自定义标签优先：优先使用源语自定义标签，不足部分用 KB 或 LLM 补齐；
-
自定义描述优先：翻译源语中的描述，若无则用 KB 或 LLM 补齐；
-
输出字段：商品名、标签（自定义/主料/口味）、描述；
-
商品名模糊匹配规则：
- 命中 → 取 KB 译文；
- 部分命中 → 取 KB 字段并保留品牌前缀；
- 未命中 → 参考翻译规则，由 LLM 生成。
这种方式既保证了翻译的一致性，又保留了餐饮文化的多样性。
无论是“黎记海南鸡饭”还是“加东叻沙”，AI 都能在语义层面理解其含义与文化背景，输出地道且可信的译文。
核心组件：
餐饮知识库（F&B Knowledge Base）：
-
包含商品名、食材、烹饪方式、风味、文化注释等中英对照内容（一期覆盖东南亚菜系与部分咖啡饮品词典）；
-
为 AI 翻译提供专业领域知识支撑。
翻译规则与提示词体系：
-
六大类翻译规则覆盖商品名、烹饪法、风味、文化背景、大小写与风格一致性；
-
参考《外事办菜单英文译法》白皮书标准。
RAG+LLM 流程编排：
-
翻译前先模糊匹配检索知识库中相关条目，再由模型生成翻译结果；
-
通过结构化规则约束，显著降低 AI 幻觉与翻译术语不一致问题。
最终实现95%以上翻译准确率，并在人工校对与模型测试中得到验证。
图示｜MenuKit.AI 翻译准确率测试对比
我们选取了 106 个来自真实餐厅菜单的商品名称，分别通过传统机器翻译（MT）、国际通用大模型（GPT 系列）、国内通用大模型，以及 MenuKit.AI 翻译流程（RAG + LLM + F&B 知识库）进行对比测试。
测试结果显示：传统机器翻译在文化语境和食材识别方面准确率不足 60%，通用大模型在食材做法与地方菜名上表现不稳定；而 MenuKit.AI 在语义理解与文化还原场景下实现了 95%+ 的翻译准确率。
04 / 一张“有菜单样子”的菜单
多数翻译工具通过“贴片式”展示翻译内容，虽然能保留原图布局，但用户体验不佳。
我们希望翻译结果不仅准确，还优雅、美观、可用。
在输出阶段，MenuKit.AI 会基于标签与结构信息自动生成排版，通过字号、色彩、分栏等方式展示不同层级的菜单信息。
最终输出的结果，是一张结构清晰、布局合理的双语菜单，既能交付打印，还有一个可分享的线上连接。
在商品名称展示上，我们特别保留了原文对照，让本地顾客与异地访客都能轻松阅读，同时保留文化特色与语言魅力。
上传一张菜单，得到的依然是一张“菜单”—— 熟悉的样子，更清晰的表达。
结语：让可靠成为一种工程能力
在MenuKit.AI我们追求的是看得见的准确性。
从 97% 的 OCR 识别准确率，到 95% 的翻译准确率，再到有菜单样式的菜单输出，每一个环节都旨在为餐饮门店提供稳定、可靠的工具服务。
我们希望通过这份“菜单”服务，让商家看见菜单背后的商品，看见自己服务价值载体的传递，同时也让顾客看见菜单背后的信息。
当信息变得透明，信任就会自然发生。
