CrumbDesk：AI读懂蛋糕订单，却不越权管烘焙店

在定制烘焙行业，订单变更几乎是日常。客户从500克蛋糕改成1公斤，看似只是数字调整，却可能让已经备料的师傅白忙一场。开发者Rishabh Raj在Dev.to上发布了一个名为CrumbDesk的实验项目，用本地Gemma AI加确定性规则引擎，试图回答一个现实问题：AI该在订单流程中扮演什么角色？

问题拆解：改单背后是信任与权限的取舍

传统订单系统面对改单，要么全盘接受、要么人工审核。Raj的出发点很具体：蛋糕制作一旦开始，原料和人工已经投入，此时改单涉及成本重算、库存核对、交付时间调整。如果让AI直接拍板，风险不可控；如果纯靠人工，效率又上不去。

他在Hacktoberfest开源AI挑战赛第二周提交了CrumbDesk，定位是“Side Hustle”类项目。核心矛盾在于：AI擅长理解自然语言订单，但商业决策必须由人把关。

Hacktoberfest 开源 AI 挑战赛背景

Hacktoberfest 是 DigitalOcean 每年十月举办的开源贡献活动，参与者通过提交 Pull Request 获得奖励。近年来新增的 AI 挑战赛要求参赛者在数周内按主题（如 Side Hustle、开发者工具、可持续性等）交付可运行的开源项目。CrumbDesk 属于第二周的 "Side Hustle" 赛道，主题聚焦于"用 AI 解决个体经营者或小生意的真实痛点"。

这一背景解释了 CrumbDesk 的设计取向：它不追求通用能力或技术炫技，而是要求项目在有限时间内可运行、可复现、对真实用户有用。因此 Raj 选择了成熟的开源模型加轻量规则库组合，而非自研模型或复杂架构——这也让项目更具参考价值，其他开发者可以直接照搬这套模式。

架构设计：Gemma负责读，规则负责判

CrumbDesk采用双轨机制。本地Gemma模型只做一件事：把客户发来的自然语言订单解析成结构化字段，比如蛋糕重量、口味、取货时间、特殊要求。它不直接修改订单状态，也不触发任何生产动作。

真正决定“能不能改、怎么改”的是一套确定性规则引擎。Raj把它描述为“让烘焙师保持控制权”。规则里预置了改单窗口、原料损耗阈值、产能上限等硬性约束，AI解析结果必须经过这些规则校验才能进入下一步。

这种设计意味着：AI可以理解“把500克换成1公斤”，但最终是否接受，取决于烘焙师设定的业务规则，而不是模型的判断。

什么是确定性规则引擎？

确定性规则引擎（Deterministic Rule Engine）是一类把业务决策逻辑从代码中抽离出来、以显式规则表达的系统。它的核心特征是：给定相同输入，永远产出相同输出，不存在概率性判断。常见实现方式包括决策表、条件-动作规则（if-then）、以及像 Drools、JSON Logic 这样的轻量库。

在 CrumbDesk 中，规则引擎承载的是"改单窗口是否已过""原料损耗是否超过阈值""当前产能是否允许插入新订单"这类硬性约束。与机器学习模型不同，规则引擎的每条判断都可以被逐条审阅、单元测试和审计。对中小商家而言，这意味着当客户质疑"为什么我的改单被拒"时，店主能直接指出触发了哪一条规则，而不是面对一个黑箱模型。这也是 Raj 选择把决策权交给规则的核心理由。

为什么不用大模型直接决策

Raj在文中坦承，他刻意限制了AI的权限。原因有三层：本地Gemma保证数据不出设备，适合小商家对隐私的敏感需求；确定性规则让每次决策可追溯、可解释；职责分离后，模型升级或替换不会影响业务流程的稳定性。

这引出一个更广泛的讨论：在中小商业场景里，AI的价值往往不是替代决策，而是降低信息录入和理解的摩擦。CrumbDesk的取舍是，把智能用在“读”上，把权威留在“规则”里。

本地小模型与云端大模型的取舍

Gemma 是 Google 发布的开源模型家族，提供从 2B 到 27B 等不同参数规模的版本，可借助 Ollama、llama.cpp 等工具在普通笔记本甚至单板计算机上离线运行。与调用云端 API 的大模型相比，本地部署牺牲了一部分推理能力和上下文长度，换来的是三方面收益：数据不出设备、无按 token 计费的成本、断网可用。

对于烘焙店、花店这类小商家，订单文本通常只有几十到几百字，字段也相对固定（重量、口味、时间、备注），因此 2B-9B 级别的量化模型足以完成结构化抽取任务。Raj 的选择正是基于这一判断：任务难度不高，隐私和成本才是真正的约束条件。这一取舍模式在边缘 AI 场景中正变得越来越普遍。

实验收获：AI与规则的分工边界

从项目复盘看，Raj验证了一个可行模式——本地小模型加轻量规则引擎，足以处理订单解析这类中等复杂度任务。Gemma的本地部署降低了API成本，也让离线场景成为可能。规则引擎则用极低的代码量覆盖了业务风控需求。

这个思路可以迁移到其他小生意场景：花店改配送地址、餐饮改菜单数量、手作改定制尺寸。凡是“理解客户意图”和“决定是否执行”可以分离的地方，都适用同一套架构。

CrumbDesk的代码已在Dev.to文章关联的仓库中开源，对想尝试本地AI加规则引擎的开发者来说，是一个务实的参考起点。