AI驱动的虚拟侍酒师：面向餐饮服务行业的员工自动化培训、评估及酒食搭配

《International Journal of Gastronomy and Food Science》：AI-Powered Virtual Sommelier: Automated employee training, assessment and wine pairing for the foodservice industry

　　

## 摘要

餐饮业的高人员流动性和专业知识要求使得维持一致且高质量的葡萄酒服务变得困难。本研究探讨了一个基于精选酿酒学知识的AI框架能否在单一工作流程中支持员工培训、能力评估和面向客户的葡萄酒咨询。我们提出了"AI驱动虚拟侍酒师"系统，这是一个集成了辅导教学、评估、咨询支持和绩效报告的综合系统。其主要技术贡献是一套固定的多阶段检索增强生成（RAG）咨询架构，该架构在模块化设计中结合了结构化元数据过滤、语义检索、基于大语言模型（LLM）的有界候选选择，以及基于专家知识的响应生成。加那利群岛葡萄酒知识库作为区域性测试平台，因其提供精选的感官特征和配餐指南，能够在通用消费者葡萄酒数据集之外实现可审计的知识溯源，同时保留向其他葡萄酒产区迁移的能力。概念验证评估包含108次结构化的人机协同（HITL）交互。在该样本中，教学检索（10/10）、题目生成（9/9）和自动评分（9/9）均未观察到失败案例。在咨询套件中，语义推荐和范围外处理各通过了9/10例，而歧义消解仍然较弱（1/10），延迟协议未达到其实时目标。总体而言，本研究表明，一个集成的、基于知识溯源的工作流程可以为餐饮业实现专业知识的应用，但澄清行为和响应速度仍需改进。

## 引言

葡萄酒服务和食物配餐是高端用餐体验的核心组成部分，因为它们影响着客户满意度、感知价值和餐饮服务企业的盈利能力（Paulsen等，2015；Oliveira-Brochado和da Silva，2014）。随着葡萄酒文化在全球范围内持续发展，食客越来越期待知识渊博、个性化且高效的推荐，这使得侍酒师在注重品质的餐厅中尤为宝贵。专业侍酒师结合了酿酒学、感官分析和配餐理论方面的专业知识，既丰富了宾客体验，又通过明智的升级销售和增强客户忠诚度来支持营收（Harrington，2007；Spence，2020；Ben Dewald，2008）。

在食品服务行业中，维持这一标准在运营上极具挑战性。认证侍酒师人才稀缺，传统的员工培训既耗时又昂贵，且由于高员工流动率而往往不一致。因此，前台人员可能会提供犹豫不决的服务或笼统且不准确的海酒建议，既降低了服务质量，也减少了商业机会。当人类侍酒师需要在庞大且多样的库存中快速提供个性化推荐时，也会面临实际的扩展限制，这可能促使他们更多地依赖主观偏好而非结构化的、经专家验证的配餐原则（Gultek等，2006；Chung和D'Annunzio-Green，2018；Sheridan和Dressler，2025；Redelinghuys和?ebnem，2023）。

人工智能（AI）的最新进展，特别是大语言模型（LLM）和检索增强生成（RAG），为许多领域的智能自动化打开了新的可能性（Vaswani等，2017；Lewis等，2021）。在食品饮料领域，AI已被探索用于客户建模、推荐、需求预测和服务自动化（Knani等，2022；Huang和Rust，2020）。现有的商业葡萄酒应用（如Vivino或CellarTracker）主要面向消费者，已发表的研究则更多关注终端用户的推荐质量，而非集成的员工培训和组织能力监控（Redelinghuys和?ebnem，2023；de Azambuja等，2023）。

这一差距揭示了一个明确的研究缺口：文献中仍然缺乏一个集成的AI框架，能够在同一运营工作流程中同时支持员工技能提升、能力评估和面向客户的葡萄酒咨询。此外，尚不清楚如何将区域特定的专业知识融入对话式AI中，以使推荐结果可审计、可更新并在真实服务场景中实用。

在此场景下，检索增强生成范式是一个比传统推荐系统或仅靠模型微调更为合适的起点。协同过滤和基于内容的推荐系统在偏好预测方面有效，但它们严重依赖历史用户信号，不太适合解释性的员工培训或即席的专业查询（Bobadilla等，2013；Redelinghuys和?ebnem，2023；de Azambuja等，2023）。纯规则驱动或本体驱动的系统提供了控制性和可追溯性，但在开放式对话和细微的配餐理由方面相对僵化。仅靠微调也会使专业知识更新和溯源管理比检索外部精选库更为困难（Lewis等，2021）。

在本文中，我们提出了"AI驱动虚拟侍酒师"——一个旨在解决这些挑战的综合系统。它通过将对话式LLM与加那利群岛葡萄酒的结构化知识库相结合，集中管理酿酒学专业知识。与纯化学数据库不同，该库包含由侍酒师、酿酒师和餐厅管理者精选的感官描述和配餐指南。加那利群岛语料库作为区域性测试平台，因为它允许在通用葡萄酒数据集中代表性不足的特定酿酒学情境中进行直接专家策划。尽管当前实现具有区域局限性，但该架构可以通过替换语料库和元数据模式来复制到其他葡萄酒产区和餐厅情境。该框架由四个主要模块组成：职业培训、评估、葡萄酒咨询以及绩效分析和报告。在高流动率和参差不齐的前置专业知识水平的餐饮环境中，这种集成有助于在同一环境中连接快速入职、日常决策支持和主管跟进。

本研究通过探讨单一专业知识溯源系统能否在餐饮工作流程中同时支持咨询、培训和评估，填补了通用葡萄酒推荐工具与脱节的辅导平台之间的空白。在实际应用方面，目标是为快速入职、员工培训、面向客户的葡萄酒推荐以及内部进度监控提供支持。在科学研究方面，目标是评估一个基于精选酿酒学知识的固定多阶段RAG架构能否在保持对专家来源可追溯性的同时，实现可靠的模块特定性能。该系统通过一个包含108次查询的人机协同（HITL）概念验证评估进行了测试，采用模块特定的标准。本工作的主要贡献如下：

- 一个集成的AI架构，在单一餐饮工作流程中统一了快速入职、目标导向培训、能力评估、面向客户的葡萄酒咨询、绩效分析和报告。
- 一个固定的多阶段RAG咨询流水线，结合了查询分类、结构化元数据提取、确定性过滤、语义排序，以及基于精选葡萄酒数据库的有界短名单选择。
- 基于专家策划的加那利群岛葡萄酒知识的区域性酿酒学测试平台，展示了如何将本地化的侍酒师专业知识转化为可查询和可审计的库。
- 一个结构化闭环教学工作流程，通过结合目标范围上下文注入、动态题目生成、限时评估、评分标准评分和导师反馈，区别于通用的LLM辅导系统。
- 一个管理层报告层，将评估历史转化为餐厅培训情境中的内部主管文档，用于纵向跟进。
- 一个包含108次查询的人机协同评估，采用模块特定的操作标准，为教学检索、题目生成、自动评分、明确约束下的推荐成功率和边界处理提供了初步证据。

这些贡献代表了一种集成系统设计和对现有LLM与检索技术的领域特定适配，而非一种新的RAG算法或基准比较优越性的声明。由于未评估比较基准，本研究在定义的区域情境内评估了原型的可行性和可追溯性。

本文其余部分组织如下。在"相关工作"子节中进行文献综述后，"材料与方法"一节描述了架构、四个功能模块和实验设置。"结果"一节按模块展示结果。"讨论"一节解释研究发现并概述未来研究方向（"未来工作"子节）。最后，"结论"一节总结主要结论。

开发AI驱动虚拟侍酒师需要结合几个研究领域：酿酒学知识表示、餐饮业人工智能、葡萄酒推荐系统，以及基于大语言模型的自适应学习技术。本节综述了这些领域的相关文献，并以一个对比分析收尾，定位所提出的系统并阐明其科学贡献。

理解食物与葡萄酒的配餐原则需要将感官科学与侍酒师实践中使用的专家启发式方法相结合。先前的研究从化学/网络视角和感官评估方法两个维度分析了配餐，表明配餐质量取决于超越单一匹配规则的多维因素（Ahn等，2011；Galmarini，2020；Kustos等，2020）。我们在这一方向上的贡献是将定性的、区域特定的专家知识（加那利群岛）结构化为一个可查询的数据库，以支持可解释的、上下文感知的配餐理由。

人工智能在酒店和餐饮服务中的采用正在加速，当前部署主要集中在服务自动化、预测、个性化和运营优化上（Knani等，2022；Gursoy等，2019）。尽管如此，文献中仍然相对较少关注在同一架构中结合员工技能提升、正式评估和面向客户的决策支持的领域特定系统，特别是在酿酒学这样狭窄的专家领域。

葡萄酒推荐系统通常结合协同过滤（CF）、基于内容的（CB）和混合方法，如推荐系统文献所记载的（Bobadilla等，2013）。在葡萄酒特定应用中，近期研究同样报告CF在相关性方面有效，而CB特征提高了可解释性（Redelinghuys和?ebnem，2023；de Azambuja等，2023）。然而，这些范式主要是为用户偏好估计而优化的，通常依赖历史交互数据，而这些数据在员工培训和餐厅内部咨询场景中往往稀疏或缺失。因此，我们的方法从基于用户历史的推荐转向基于知识的检索和解释，服务于专业的B2B工作流程，同时保留结构化元数据约束以处理配餐和价格查询。

现代LLM的基础架构是Transformer模型（Vaswani等，2017）。在酿酒学和营养学等事实性领域，幻觉仍然是主要的可靠性挑战（Ji等，2023）。近期的研究还记录了谄媚现象，即模型倾向于迎合用户信念，即使那些信念是错误的（Sharma等，2025）。检索增强生成（RAG）通过将响应建立在外部知识来源之上，有助于减轻这些风险（Lewis等，2021）。

近期的比较工作区分了传统RAG——遵循固定的"检索-生成"流水线——和代理式RAG，后者引入了规划器/控制代理、迭代查询重构、工具编排和中间验证（Neha和Bhati，2025）。由于该比较并未正式定义一个独立的混合类别，本文将咨询引擎直接定位在传统/代理式设计空间内。咨询模块更接近传统RAG而非代理式RAG，因为其控制流是固定的、非迭代的，这是由餐厅端延迟约束所决定的有意选择。同时，它比基本的"检索-生成"流水线更具选择性，因为LLM在有界阶段介入：检索前的结构化元数据提取，以及恢复前k短名单后的最终候选选择。

由此产生的流水线结合了查询分类、结构化元数据提取、确定性过滤、语义排序、基于LLM的有界短名单选择、基于会话的引用消解和回退行为，不存在自主规划循环或反思式检索。这种设计适合基于稳定专家策划语料库的受限领域，其中可控延迟和可预测执行是优先考虑的。我们的系统通过将军生成限制在加那利群岛葡萄酒与酒庄指南及精选葡萄酒数据库上来应用这一策略。表1总结了该系统在传统/代理式设计空间中的定位。

传统酒店培训通常是手工进行的，难以长期监控。教育研究表明，自适应辅导系统在改善学习成果方面优于几种传统教学基准（Ma等，2014；Steenbergen-Hu和Cooper，2013）。近期基于LLM的辅导系统同样表明，经教学引导的对话代理可以支持比自由形式聊天助手更丰富的教学对话（Chowdhury等，2024；Kwon等，2024）。然而，这些系统主要强调解释、对话策略或对话支架，而非受控的测试管理、类型感知评分、持久分析和管理层报告。从领域特定角度来看，Wine Trainer表明数字工具可以支持葡萄酒相关的培训和评估，但其范围集中于嗅觉训练式自学和能力测试，而非开放式对话辅导、基于语料库的题目生成或推荐支持（Miglino等，2020）。基于这些研究方向，我们的贡献将自适应AI辅导应用于专业葡萄酒知识，同时将评估框架化为一种独立的发展性工作流程，与绩效分析和报告相耦合。

AI驱动虚拟侍酒师提出了一种集成的方法，涵盖员工专业知识、持续评估和面向客户的咨询。这种集成对于那些受到快速入职周期和不均衡的认证侍酒师监管可及性影响的餐饮服务环境尤为相关。表2将该系统与当前商业和学术方法进行了比较。现有解决方案通常仅在某一方面的表现突出，且往往缺乏领域特定的知识溯源。我们的方法通过在同一工作流程中结合以下四个模块而具有差异化特征：

- 基于LLM的职业培训
- 自动评估引擎
- 基于专家知识的咨询引擎
- 绩效分析与报告

该集成工作流程通过结构化的人机协同（HITL）（Rojas Contreras等，2025；Kapoor，2025）概念验证协议进行了评估。

## 材料与方法

所提出的系统——AI驱动虚拟侍酒师——是一个模块化对话代理，设计用于通过不同的功能模式协助用户。

其架构基于检索增强生成（RAG）框架编排的大语言模型（LLMs），以提升领域知识接地能力并降低生成缺乏依据内容的风险（Lewis 等，2021；Ji 等，2023）。

**结果**

本节报告概念验证（PoC）方案所获得的实证证据。为便于理解，结果按直接通过指定方案进行压力测试的三个模块进行组织：咨询引擎、职业培训引擎和评估引擎。未单独设置定量子章节来报告报告/分析模块，因为该模块虽已实施并进行功能性检查，但未在独立方案中单独测试。咨询结果按模块呈现。

**讨论**

本节解读实证发现，识别测试期间观察到的主要架构与行为局限性，并概述系统未来迭代版本的技术优先事项。

多项优势可直接由本次概念验证所支持。该架构将入职导向辅导、评估、咨询支持及管理报告统一整合，契合高员工流动率的餐饮服务场景。加那利群岛语料库也展示了……的价值。

**结论**

本研究提出了AI驱动虚拟侍酒师，作为一个整合了酒店业辅导、评估、葡萄酒咨询及内部报告的原型系统。证据支持以下三个谨慎的结论。第一，单一的专家知识架构可以在同一工作流中实现入职导向辅导、受控评估和咨询支持。第二，当用户约束条件明确时，咨询引擎表现出色，尤其是在语义推荐方面。

**CRediT作者贡献声明**

Miguel Mu?oz-Blat：撰写–审阅与编辑，撰写–初稿，可视化，形式化分析。Pablo Vicente-Martínez：软件，方法论，研究，概念化。Emilio Soria-Olivas：监督，项目管理。Manuel Sánchez-Monta?és：撰写–审阅与编辑。María ángeles García-Escrivà：项目管理。Eduardo William-Secín：项目管理，资金获取。

**生成式AI及AI辅助技术声明**

在准备本文过程中，作者使用了Prism和Google Gemini辅助研究任务并提升文本的清晰度和可读性。使用这些工具后，作者按需审阅并编辑了内容，并对已发表文章的全文内容承担全部责任。

**利益冲突声明**

作者声明以下可能被视为潜在利益冲突的经济利益/人际关系：Miguel Mu?oz-Blat声明获得了SPV Scala的财务支持。Pablo Vicente-Martínez声明获得了SPV Scala的财务支持。其他作者声明不存在已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

Miguel Mu?oz-Blat | Pablo Vicente-Martínez | Emilio Soria-Olivas | Manuel Sánchez-Monta?és | María ángeles García-Escrivà | Eduardo William-Secín

SPV Scala，西班牙大加那利岛