个人私有餐厅打卡 × 可解释算法推荐 × 好友分享 × 零商业化。
一个属于自己的美食外脑 — 把每一次吃饭变成可回忆、可检索、可分享的美食记忆。
不是大众点评的替代品，而是你的私人美食外脑。真实 · 私域 · 可信 · 永久 — 3 个月后能精准推荐今天吃什么，10 年后有一份完整的美食人生。
项目启动前做了 23 个来源的市场痛点调研：懂吃切中 3 个高置信度真痛点（推荐失真、朋友推荐未结构化、数据归属感缺失），并填补 1 个真实市场空白 — 还没有一款成功的"个人美食知识库"产品。
| 真实痛点 | 调研证据 | 懂吃的解法 |
|---|---|---|
| 平台推荐失真 | 央视/澎湃/凤凰均报道过点评平台"刷单控评"黑产；2021 年小红书"滤镜景点"事件中 78% 投票用户表示被网图伤害过 | 100% 私域真实评价档案，零算法干预 — 每条记录都是"写给未来的我"的非表演评价 |
| 朋友推荐未被结构化 | 学术数据：90% 的用户相信朋友的推荐；但推荐发生在微信里，"存了找不到"是普遍痛点 | ShareLink 卡片分享 + 好友推荐反向沉淀进个人库，把信任溢价变成可检索的资产 |
| 个人数据归属感缺失 | 评价、收藏、打卡数据被平台锁定，账号失效即丢失；超 40% 消费者遭遇过大数据差异化营销 | 数据仅存本人 CloudKit 私有库，零账号、零画像，一键导出 JSON 永久备份 |
| "个人美食外脑"市场空白 | 竞品定位图显示：大众点评是公开+商业化，Beli 仍是社交平台，"私域 + 工具化"象限无人 | 以完整产品形态填补蓝海 — 不是点评的替代品，而是私人美食外脑 |
| 热门榜单 ≠ 适合你 | 学术研究已证明：场景化推荐比热门排序更准 | 5 维口味向量可解释推荐，每条推荐附"为什么推荐它" |
从一顿饭后 30 秒的打卡，到三个月后"今天吃什么"的精准回答 — 每一步都来自项目宪章与功能矩阵定义的真实流程。
可解释推荐模拟器：选一个场景、定个预算，算法从你的真实打卡记录里算出 Top 3 — 每条推荐都附带理由。数据来自 App 内置的 7 张种子卡片。
算法逻辑：场景匹配筛选 → 时间衰减加权 1/(距今天数+1)^0.5 → 评分排序。与 App 内 algorithm-v1 一致。
懂吃把"我喜欢吃什么"从主观感受变成可计算的向量：TasteVector = (C, S, V, E, T)。算法必须可解释 — 这条写进了项目宪章；推荐结果永远不被任何付费推广干扰。
| 维度 | 量化什么 | 怎么算 | 示例（源文档真实数据） |
|---|---|---|---|
| C · Cuisine 菜系 | 我吃什么菜系 | 该菜系历史打卡的时间衰减加权平均，0–5 分；没去过的菜系为 null，不推荐 | 粤菜 4.7（8 次）· 日料 4.5（12 次，最高频）· 火锅 3.8 |
| S · Scene 场景 | 我在什么场景下吃 | 每种场景下的平均评分；查询时按场景筛选再排序 | 约会 4.7 · 商务 4.6 · 工作餐 3.9 |
| V · Value 价格 | 我的预算区间 | 主消费区间 + 弹性区间，作为推荐的硬约束 | 主区间 ¥80–250 · 弹性区间 ¥40–500 · 历史人均 ¥150 |
| E · Experience 体验 | 我追求什么体验 | 每个三级体验标签一个偏好分，支持"想要仪式感""避开网红店"式筛选 | 仪式感 4.8 · 氛围好 4.6 · 排队王 2.5 · 网红 3.0 |
| T · Time 时间 | 什么时候去的、多久没去 | 打卡频率画像 + 时间衰减，越近权重越高 | 权重 = 1 / (距今天数 + 1)^0.5；距上次 < 7 天的餐厅降权 |
| 模块 | 状态 | 说明 |
|---|---|---|
| 阶段 1 · 工程化启动 | 已完成 | 12 份核心文档 + iOS App v0.1 骨架 |
| v0.2 架构重塑 | 已完成 | SwiftData + CloudKit + MapKit + ShareLink |
| v0.2.1 – v0.2.6 打磨 | 已完成 | Dark mode / JSON 导出 / 隐私政策，22/22 测试通过 |
| 阶段 2 · 三十天 MVP 验证 | 进行中 | 真机打卡 ≥20 家、≥1 次分享、跨设备同步 |
| 阶段 3 · v0.3 演进 | 待启动 | Widget / Siri Intents / 朋友网络 |