调料仓与识别
调料身份、批次、余量、保质期、过敏原和防混料结构。
精准控制调料的用量、时机与顺序,用 AI 语音引导烹饪并记忆家庭成员的口味,让成功的味道可以复刻,也让每次调整都有记录。
同样的盐量,在不同食材重量、火候、加入时机和烹饪时间下会产生不同结果。Palate 不是简单的自动撒料器,而是尝试把食材、过程、投料和反馈记录成可复现的烹饪实验。
首个版本应聚焦家庭中高频、可量化、容易清洁的调料和菜式,不追求覆盖所有中西餐或自动替代厨师。
“AI 味蕾”是项目表达,不代表机器拥有与人类相同的味觉。V1 是否使用电子舌等化学传感,需要经过成本、清洁和可靠性评估。
也可服务初学者、饮食管理和家庭协作。
优先验证计量、投放、清洁和防误用。
让“少一点、下次更淡”可以转化为可执行调整。
现有文档为方案,不等于完成样机或市场验证。
系统分为原料、计量执行、过程感知和交互学习四部分。任何 AI 建议都必须受到库存、过敏原、剂量和人工确认约束。
调料身份、批次、余量、保质期、过敏原和防混料结构。
重量/体积测量、堵塞检测、回滴控制、手动确认和易拆洗通路。
时间、温度、食材重量、步骤状态和用户语音输入。
记录家庭成员偏好、限制、每次调整和建议理由,不自动越过安全边界。
系统围绕“准备—确认—投放—品尝—更新”循环工作,关键步骤保留人工确认。
确认人数、食材重量、饮食限制和目标口味版本。
核对调料仓、过敏原、余量、保质期和设备清洁状态。
根据步骤和温度提醒翻炒、等待与即将投料。
展示调料、建议量和原因,用户确认后执行并记录。
记录偏咸、偏淡、香气或辣度反馈,生成下一版本建议。
V1 的核心不是复杂菜谱数量,而是计量、清洁、误投防护和完整记录。AI 能力在基础机电可靠之后逐步加入。
比较粉末、颗粒和液体的计量方式、残留、堵塞和清洁。
加入身份识别、最大剂量、人工确认和可拆洗结构。
建立食材重量、步骤、投料事件和反馈之间的数据模型。
评估易用性、复刻一致性、清洁负担和建议接受度。
Palate 会把机械准确性、卫生安全、烹饪复刻和用户体验分开评估。
不同调料、余量、湿度和连续投放条件下的误差分布。
待建立基线未出料、过量、串料、回滴和仓位识别错误的发现能力。
待建立基线拆洗时间、死角、交叉污染风险和清洁后残留。
待建立基线相同条件下投料记录、成品理化指标和盲评差异。
待建立基线设置、确认、纠错、补充调料和清洁所需步骤与时间。
待建立基线用户能否理解建议来源、修改剂量并发现系统错误。
待建立基线食品接触材料、清洁、过敏原、保质期、最大剂量和人工确认是产品成立的前提。
不同原料的通路、仓位和清洁程序必须清楚区分。系统提示不能替代用户核对。
设置单次和累计最大量、二次确认、机械止流和异常报警。
材料、死角、液体回滴、受潮结块和微生物风险需要专业评估。
低盐、糖尿病或其他饮食建议不应在没有专业依据时自动生成。
文件是当前项目素材,不是终稿。市场数据、预算、性能与时间表在正式对外使用前应完成来源复核、版本统一和工程验证。
名称表达的是对口味数据和烹饪反馈的建模,不应理解为机器拥有人的主观味觉。是否使用电子舌等传感器需要单独验证。
V1 聚焦调料计量、步骤提示和记录,不自动完成备菜、翻炒和全部烹饪动作。
应本地优先、最小采集,明确每位成员的偏好与健康数据权限,并允许查看、导出和删除。