实验空间/餐饮收银客服
真实 API
RESTAURANT POS · EVALUATION

同一个问题,三种处理路径。

针对餐饮 SaaS 收银软件,对比回答、决策与联合处理。

01 / 实验

正在检查服务配置…

01输入客服问题

L2-01 · 多知识关联
试试

02选择测试模式

同一知识库 · 同一回复规则
⌘ / Ctrl + Enter

测试结果 0 / 3

先运行测试,查看回答与决策之间的差异。

等待测试

检索知识,再生成回答

等待测试

只做判断,不生成回复

等待测试

先判断,再选择处理路径

三模式对比

独立评审待接入 · 仅规则检查

已停用 DeepSeek 自评。新测试自动核对参考标签与引用,展示回答、耗时和用量;正确性、幻觉等语义判断显示“待独立评审”,不以规则分替代。旧自评分仅作历史记录,不用于效果提升统计。

核对依据与评审状态

当前没有独立评审模型。程序只核对明确标签和引用,不判断回复的语义正确性,也不生成质量总分。下方质量指标说明的是评审标准,不表示已完成评审。

依据来自哪里

本平台 30 条餐饮收银演示知识和题库参考标准是核对依据,作答通常只读取检索片段。标准由本项目编写,可展开核查;它们不是厂商认证答案。程序只核对标签与引用 ID,不理解知识与回复是否语义一致。

谁来核对

当前由本平台程序执行规则检查,原始结果保留供人工或独立模型复核。DeepSeek 只参与作答,不再担任评审。历史记录中的“参考标签核对”是当时的程序判定,其他理由来自当时的 DeepSeek 自评。

怎样读结果

“待独立评审”表示尚无语义结论;“不适用”表示该模式没有对应输出。规则命中只表示标签一致,不能证明回答正确或没有幻觉。历史自评分不能用来判断 Jev 是否更好,也不能作为效果提升的统计依据。

当前输入将使用的参考依据 · L2-01

问题:一桌用了现金加微信混合支付,顾客退一道菜,怎样处理部分退款?

参考答复要点:从原订单选菜品,按各原渠道剩余可退金额处理。

业务分类
多知识关联
可用知识回答
是
需要人工
否
风险等级
低风险
需要追问
否
查看知识依据 · 2 条
混合支付与找零payment_003

在「结账 → 混合支付」先录入现金或储值金额,再支付剩余金额。找零只针对现金部分;线上支付和会员储值不直接找现金。已结账订单不能靠重新录一笔付款修改原支付构成。

部分退款与混合支付退款refund_003

有权限的员工在原订单退款页选择菜品和数量,退款总额不得超过订单剩余可退实收。混合支付按原订单各渠道剩余可退金额分别处理,不可把线上款全部改退现金;会员储值退回原会员储值账户。具体分配不清楚时由店长核验。

知识版本:c1047fdd9006 · 状态 / 历史评审版本:independent-review-pending-v1

通用边界:明确无关的问题应说明服务范围,不套用本软件流程、不转本软件人工;模糊业务问题先澄清;相关但知识未覆盖的业务政策应承认未知,并建议官方确认。普通、明确的流程咨询不应无依据要求人工。

参考标准仅用于事后核对,不发送给作答阶段。有结果时,本处依据绑定表中的原问题,不随输入框修改而变化。查看全部规则可打开左侧“知识库”;历史评审理由列出的知识依据仍可在单元格内展开。

评估指标DeepSeek OnlyJev OnlyJev + DeepSeek
独立评分

需接入独立评审后,才能给出质量分。

判定标准 · 待接入

当前未启用。本平台约定的计分方式是通过项数 ÷ 适用项数 × 100,四舍五入。回复模式评四项,Jev Only 只评正确性和风险两项;两类总分不能直接等价比较。有一项证据不足就显示“结论待定”;不适用项不计入分母。100 分只代表本题适用项全部通过,不是模型的总体正确率。

———
正确性

是否答对问题,或作出恰当的处理判断。

判定标准 · 待接入

回复模式核对回答是否解决问题、关键步骤是否正确,以及可回答性和人工建议是否合理;Jev Only 核对意图、检索需求、可回答性和人工判断。依据完整知识库与匹配题目的参考标准。人工、可回答标记和引用问题可由下方规则检查直接发现,但当前不据此给本项语义结论。合理的主意图分类差异不会单独导致 AI 正确性不通过。

———
无幻觉

是否没有编造知识库不支持的事实或承诺。

判定标准 · 待接入

逐项核对操作步骤、功能、金额、时限、政策和“已经处理”等说法。缺乏依据却作确定承诺判为存在问题;明确说明未知且未编造,可以通过。引用 ID 有效不等于内容正确,未提供的引用 ID 会在下方规则检查标记;当前尚未执行本项语义评审。Jev Only 不生成客服回复,此项不适用。

———
追问能力

缺少必要信息时是否问对问题。

判定标准 · 待接入

依据问题、知识库和题目参考标准判断是否确实需要补充信息。模糊业务问题应问到真正缺失的内容;清晰问题直接回答也可以通过。完全无关问题应说明服务范围,无需追问无关细节。Jev Only 没有回复文本,此项不适用。

———
风险判断

风险等级、人工建议和回复行为是否合适。

判定标准 · 待接入

核对资金、权限、隐私和审计等风险,既不能漏报,也不能无依据一律升高风险或转人工。风险等级或人工标记与参考值不符,规则检查会标记;回复行为仍需独立评审。低、中、高由本题知识和参考标签约定,不是统一行业评级。当前不把标签偏差直接转换为本项分数。

———
规则检查

结构化标签与参考值的直接匹配比例。

说明与依据

命中检查数 ÷ 检查总数 × 100,四舍五入。核对人工、风险、可回答性;有 Jev 决策时另核对意图;有回复时另核对追问信号和引用 ID 是否来自检索结果。各模式检查项数不同;无引用也会通过引用 ID 检查。只对完全匹配的题库题执行,自由问题没有此分数。它不阅读回复的事实含义,不等于正确率,也不另计入自动总分。

———
回答 / 判断耗时

服务器完成原模式处理所花的时间。

说明与依据

由服务器计时,包含该模式的判断、检索、生成及上游请求等待;联合模式包含 Jev 和 DeepSeek 两个顺序阶段。单位 ms 为毫秒、s 为秒。不包含后续自动评审及浏览器到服务器的往返,页面实际等待通常更长。用于比较速度,不参与质量评分。

———
回答 / 判断 Token

原模式实际消耗的输入与输出用量。

说明与依据

来自供应商响应:in 是输入 Token,包含提示词、问题及知识等;out 是模型生成的输出 Token。Token 是模型处理文本的单位,不等于字数。联合模式分别列出两家用量;不包含额外评审。未返回的用量显示未知,不当作零。

———
回答 / 判断成本

按实际用量和配置单价估算的美元费用。

说明与依据

按(未缓存输入 × 输入单价 + 缓存输入 × 缓存单价 + 输出 × 输出单价)÷ 1,000,000 计算,单价单位为 USD / 百万 Token;联合模式汇总两家费用。只计算原模式,评审另列。缺少必要单价或用量时显示未知;实际扣费以供应商账单为准,不参与质量评分。

———
额外自动评审

为给这份结果评分而增加的时间和用量。

说明与依据

当前已停用模型自评,也尚未接入独立评审,因此新测试没有额外评审请求和费用。历史记录会继续显示当时 DeepSeek 自评的耗时、输入 / 输出 Token 和成本估算;历史用量未知不能视为免费。作答本身的用量仍在上方单列。

———

当前不调用评审模型,不产生额外评审费用。历史记录中已产生的 DeepSeek 自评用量仍保留。接入独立评审前,不能据此宣称某个模式的正确性或幻觉表现更优。