DishReactions：小餐馆的本地优先菜品评价追踪应用

从销量迷思到口味真相

小餐馆通常根据销售额判断哪道菜受欢迎，但销量高不等于顾客喜欢——可能只是因为便宜。DishReactions 试图解决这个问题：它是一款完全离线、本地优先的 Web 应用，服务员在订单完成后用 10 秒记录菜品、订单号、1-5 星评分、表情反馈（😍 爱了 / 😋 不错 / 😐 一般 / 😕 不好 / 🤢 差）以及可选评论。应用即时更新排名柱状图、最佳菜品徽章、最近反馈表，并支持导出 CSV 周报。

DishReactions 界面示意

项目作者将其定位为面向小餐馆、路边摊和咖啡馆的副业产品，预计定价每月 2,000 至 5,000 卢比，帮助店主在 7 天内看清该推哪道菜、该改哪道菜。

零成本的技术栈：开源组件即产品

DishReactions 的技术选择围绕“不依赖闭源 API”展开：

Chart.js（MIT 协议）负责实时排名图表，本地运行，无需密钥。
Vanilla JS + HTML/CSS 免去框架锁定和构建步骤，双击 index.html 即可使用。
浏览器 localStorage 存储所有数据，反馈不离开设备。

作者特别提到，未来计划接入本地开源权重模型（如通过 Ollama 运行 Llama 或 Qwen）来自动总结评论，例如“顾客喜欢辣度，但抱怨等待时间”，而无需将数据发送给闭源服务。这种“本地优先”的设计让隐私、离线可用和低价成为可能。

localStorage 是 HTML5 提供的一种浏览器本地存储 API，以键值对形式在用户设备上持久保存数据（通常上限约 5-10 MB），关闭浏览器后数据仍保留。它完全在客户端运行，不涉及网络请求，因此天然满足离线与隐私需求。但 localStorage 是按浏览器和域名隔离的，不同设备间不会同步，且用户清除浏览器数据或使用隐私模式时会丢失。这正是 DishReactions 选择它作为存储方案后，需要面对多设备同步困难与单点数据丢失风险的根本原因。

Ollama 是一个开源的本地大模型运行工具，提供简洁的命令行与 REST 接口，可在普通笔记本上拉取并运行 Llama、Qwen、Mistral 等开放权重模型，无需 GPU 集群或云服务。开发者通过 ollama run 或调用本地 11434 端口即可获得推理能力，数据不出设备。这使“用本地模型自动总结顾客评论”在技术上可行：餐馆的前台电脑就能完成文本归纳，而无需按次付费调用闭源 API，与文章强调的低成本、离线、隐私优先路线完全一致。

开放创新为何让这个生意成立

作者从四个角度论证开源/开放创新对产品的关键作用：

隐私：顾客反馈只留在餐馆的笔记本电脑上，不会被上传到第三方服务器。
成本归零：如果使用按次计费的闭源 AI API（假设每条评论 0.01-0.05 美元），一家繁忙餐馆每月 API 费用可能高达 60-300 美元；而开源方案运行成本为零，使每月 2,000 卢比的定价仍有利润空间。
离线可用：许多本地餐馆网络不稳定，纯云端工具会直接失效。
可定制：店主可以修改菜品、语言（乌尔都语/英语）、品牌，甚至替换模型，不被闭源供应商的定价和规则锁定。

这些论点与作者在 Hacktoberfest 开源 AI 挑战中的“Side Hustle”赛道定位一致：用开源组件搭建一个能实际收费的小工具。

开放创新（Open Innovation） 由 Henry Chesbrough 提出，指企业不再只依赖内部研发，而是有意识地利用外部知识、开源组件与社区成果来创造价值，同时把内部闲置想法开放出去。对独立开发者而言，这意味着可以站在 Chart.js、Ollama 等成熟开源项目之上，把精力集中在场景理解与产品化上，从而以极低研发成本推出可收费工具。DishReactions 正是这种模式的典型：技术积木全部来自开放生态，竞争力来自对“小餐馆十秒记录反馈”这一细分场景的把握。

第一位用户的真实反馈

据作者描述，第一位用户是卡拉奇 Gulistan-e-Jauhar 地区 Safoora 附近的一家小餐馆。应用安装在前台平板电脑上，员工记录了一周的反馈。店主说：“我一直以为 Karahi 是卖得最好的菜，所以它最好。但你的图表显示 Biryani 是 4.8 星，Karahi 只有 3.1 星。现在我知道该推什么了。”

该用户从一周免费试用开始，随后要求继续使用月度报告，下一步是转为每月 2,000 卢比的付费计划。用户还提出了新需求：乌尔都语版本，以及让顾客在餐桌扫码直接评分的二维码功能。

局限与观察

目前 DishReactions 的功能相当基础：评分逻辑是简单的算术平均，没有考虑评论数量差异的置信度，也没有防止刷评的机制。离线存储意味着多设备同步困难，若平板损坏或浏览器数据被清除，历史记录会丢失。作者提到的 AI 评论总结尚未实现，仍处于规划阶段。

不过，这个项目的价值在于验证了一个被忽视的场景：小餐馆需要的不是复杂 POS 系统，而是一个十秒就能录完、打开就能看懂、不依赖网络的轻量工具。开源组件让它以近乎零边际成本运行，这恰好匹配了小本生意的付费能力。

项目代码托管在 GitHub，采用本地优先架构，适合作为小型线下商户数字化工具的参考起点。

置信度 在评分统计中用于衡量一个平均分有多可靠。DishReactions 目前直接对 1-5 星取算术平均，但 3 条评价的 4.8 星与 300 条评价的 4.8 星含义完全不同，前者很可能只是偶然。常见改进是使用贝叶斯平均（如 IMDB 加权评分）或威尔逊下限，把评价数量纳入计算，使少量评价的菜品不会因偶然高分而霸榜。对店主决策而言，这能避免“只卖过两次的菜被误判为招牌菜”，是产品从演示走向可信报告的关键一步。