What to Order：用AI帮你在餐厅菜单上找到想吃的菜

面对一份331道菜的菜单，你会怎么办？大多数人翻了半天，最后还是点了和上次一样的东西。这种「选择困难症」几乎是每个人在餐厅都遇到过的场景。Product Hunt 上一款名为 What to Order 的 AI 工具，试图从相反的方向解决这个问题——不是让你从菜单里挑，而是让 AI 替你把整份菜单筛一遍。

反向查菜单的思路

传统的点餐流程是「翻菜单 → 逐项判断 → 做选择」，信息量越大，决策成本越高。The Cheesecake Factory 这类以菜单冗长著称的连锁餐厅（多达 331 个条目），恰恰把这个痛点放大到了极致。

What to Order 的核心逻辑是把这个过程倒过来：你只需要用自然语言描述当下的需求，工具就会遍历整份菜单，替你逐一比对每道菜是否符合。开发者 Nicolas Grenié 在介绍中给出了几个例子——输入「spicy（辣的）」可以，「spicy vegetarian（辣的素食）」也能识别，甚至可以下达更复杂的复合指令。

这本质上是把大语言模型的语义理解能力，套用在了一个极其具体且高频的生活场景上。它不需要用户学习任何筛选语法，用日常口语表达偏好即可。

大语言模型（LLM）的语义理解能力，指的是模型能够理解词语背后的含义与关联，而不仅仅是字符串的精确匹配。传统的数据库搜索依赖关键词命中，比如搜「辣」只能找到菜名里带「辣」字的条目；而语义搜索则能理解「spicy」与「麻辣」「香辣」在语义上的关联，甚至能推断「素食」意味着排除肉类与海鲜。这类能力原本需要复杂的知识图谱或规则系统才能实现，LLM 的出现让它变成了一个几乎开箱即用的基础能力。What to Order 的创新之处不在于技术本身，而在于找到了一个高度契合这一能力的垂直场景——菜单的结构化程度刚好适合逐条遍历，用户需求又天然是模糊的自然语言，两者之间的鸿沟正好是语义理解所擅长填补的。

从「找一道菜」到「配一整桌」

What to Order 更有意思的地方在于，它不止能筛单品，还能组合成套餐。产品介绍里举了一个典型例子：输入「Thanksgiving dinner for 2（两人份的感恩节晚餐）」，工具会直接返回一整套点单方案，连南瓜芝士蛋糕这样的应景甜点都替你安排好了。

这一步把工具的定位从「搜索过滤器」抬升到了「点餐助手」。它开始理解场景背后的意图——节日、人数、餐食结构，而不仅仅是匹配关键词。对于纠结「一桌菜怎么搭配才合理」的用户来说，这种成套推荐比单纯筛菜更有实用价值。

覆盖范围与拍照兜底

目前 What to Order 已经接入了 7 家美国连锁餐厅的菜单数据，这意味着在这些品牌的门店，用户可以直接查询。但连锁店终究是少数，餐厅长尾极其庞大，预置数据库不可能覆盖所有场景。

开发者给出的解法是拍照识别：如果你在的餐厅不在支持列表里，直接拍一张菜单照片，工具就能就地解析并提供同样的服务。这套「预置数据 + 拍照 OCR」的组合，既保证了热门连锁的响应速度，又用图像识别兜住了长尾场景。这种设计思路在实用型 AI 工具里越来越常见——先做好高频头部，再用通用能力覆盖剩余部分。

目前该产品完全免费。

拍照识别菜单依赖的核心技术是 OCR（Optical Character Recognition，光学字符识别），即从图片中提取文字内容。传统 OCR 对字体、排版、光线条件较为敏感，在餐厅实际场景中（手写菜单、装饰性字体、反光纸张）往往表现不稳定。近年来，多模态大模型（如 GPT-4o、Gemini 等）将图像理解与文本理解融为一体，使得从照片中提取并理解菜单内容变得更加鲁棒——模型不仅能认出文字，还能同时理解菜品描述的语义，省去了「先 OCR 提取、再语义分析」的两步流程。What to Order 的拍照兜底策略，实际上是借助这一多模态能力，以极低的开发成本将产品的适用范围从有限的预置数据库扩展到几乎任意餐厅。

一个小而具体的 AI 落地样本

What to Order 在 Product Hunt 上的数据并不算亮眼（7 票、1 条评论、当日排名 #15），它也没有宏大的技术叙事。但它代表了一类值得关注的产品方向：把大模型的能力精准嵌入一个人人都懂、天天都会遇到的小痛点里。

从产品形态看，它同时踩中了 Artificial Intelligence、Search、Food & Drink 三个分类，本质上是「AI 语义搜索」在餐饮场景的一次具体应用。它不追求解决什么复杂问题，而是把「点菜纠结」这件小事做得足够顺手。

对开发者的启示或许在于：AI 产品未必要追求技术上限，找到一个足够具体、足够高频的使用场景，用自然语言交互降低门槛，配合合理的数据兜底策略，就能做出一个有实际价值的小工具。这类「小而美」的落地样本，可能比宏大的通用助手更能验证 AI 在日常生活中的真实需求。