EasyOrder — WhatsApp AI 落單助理 · 技術對齊版

與 IT／後台負責人對齊用；老闆版見 首頁
真實模式：將呼叫 DashScope 已決策：Meta API（全面遷移） 已決策：過往訂單學習迴圈 v0.4 · 2026-08-24

① 實際體驗——這到底會是怎麼樣

介面為規劃示意（E06 實作），訊息經 Meta WhatsApp Cloud API 商業帳號發送
① 客戶照舊講嘢WhatsApp 語音／文字／手寫單相，零新操作、零新 App
② AI 秒速整理轉錄＋結構化；唔肯定即問，絕不靜默猜測
③ 一鍵確認落單核對頁確認後先寫入正式訂單並拋轉後台
客戶的 WhatsApp（iPhone／Android 通用）
🥬
萬利龍生鮮 · AI 助理商業帳號（Meta WhatsApp Cloud API）
🎤
0:12
12:04 ✓✓
🤖 語音轉錄：「菜心五斤、牛肉兩斤，聽日朝早送到」
收到！已幫你整理訂單：
菜心 5 斤｜牛肉 2 斤
備註：聽日朝早送到
請核對後確認落單 👇📋 核對訂單12:04
客戶照舊講一句 WhatsApp 語音；AI 秒速轉錄＋整理，並以按鈕訊息回覆（經 Meta Cloud API 發送）。
點擊按鈕後——訂單核對頁（網頁，毋須登入）
https://easyorder.jimsbond007.workers.dev/confirm/••••

📋 訂單核對

廚房 852-9123-4567 · 2026-08-25 送貨 · 由 WhatsApp 語音生成
菜心5 斤✏️ 改
牛肉2 斤✏️ 改
備註聽日朝早送到✏️ 改
✏️ 修改品項➕ 新增品項❌ 刪除訂單
確認後即時拋轉後台 Operation MS；未確認前不會落正式訂單
金額由後台報價為準（客戶口頭落單不涉即時金額）；一鍵確認＝落單，修改／新增／刪除即時操作。

② 系統圖像——背後怎樣做到

實線＝已實作並通過測試；虛線＝已決策·規劃中
客戶（餐廳／廚房）WhatsApp：文字／語音／圖像 CloudWAPI（現行·將遷 Meta） POST /webhook/cloudwapi（冪等去重鍵＝data.id） EasyOrder Worker（Cloudflare Workers · TypeScript） 乾跑閘門：AI_DRY_RUN ≠ false → 零網絡請求 模態路由 webhook.tstext／voice／image 分流 語音 文字 圖像 ASR 轉錄 asr.ts主 qwen3-asr-flash · 備 fun-asrsystem 詞表偏置＋enable_itn空轉錄＝無法判讀（不編造） LLM 訂單解析 parseText文字訊息直達此管線語音轉錄後共用同一解析（B2）供應商抽象：主／備切換 視覺解析 vision.tsextractRawText 統一介面qwen-vl-max（QWEN_MODEL 可調）圖像 data URL 直傳 轉錄文字 空轉錄＝無法判讀 → 直接低信心 normalizeExtraction 欄位驗證JSON 圍欄剝離 · null 保持 null（嚴禁填 0） 信心評估 evaluateConfidence自報×欄位完整度 · 門檻 0.8（CONFIDENCE_THRESHOLD） 低信心 ＜ 門檻 高信心 ≥ 門檻 阿里雲百煉 DashScopeqwen-vl-max（vision）qwen3-asr-flash／fun-asr（asr）真實模式才呼叫（E05 待開閘） HTTPS Cloudflare D1 資料庫inbound_messagesparse_results（含 asr 欄位）order_draftsmanual_review_queueprovider_config（供應商配置）正式訂單表＝AlertSystem 冪等入庫＋解析落檔（含失敗列） 低信心／無法判讀主動要求澄清：請重講／提供原圖未判讀欄位保持 null（絕不猜測）連續兩次未達標 → 人工覆核佇列 高信心（≥門檻）每次解析皆落檔 parse_results（D1）→ 進入雙向確認流程（右下） ◆ 雙向確認流程（已決策 · 規劃中）→ 見右下 Meta WhatsApp Cloud API（官方）發送訂單確認訊息（含按鈕）· 已決策號碼全面遷移 Meta（Captain 已決策） 客戶 WhatsApp 收到訊息點擊按鈕 → 開啟訂單核對頁 訂單核對頁 /confirm/{token}（雲端網頁 · 訂單明細核對）✅ 確認　✏️ 修改　➕ 新增　❌ 刪除 確認後落實訂單order_drafts → confirmed拋轉 Operation MS（現 mock）同步 AlertSystem 健康度 ◆ 自我學習迴圈（已決策 · 規劃中） 學習迴圈模組（過往訂單訓練）① 品項詞表更新 → ASR 偏置② 修正字典（聽錯→確認映射）③ few-shot 範例 → LLM 提取 prompt利用客戶過往訂單持續學習，越用越準 數據源（D1 累積）parse_results 轉錄＋提取order_drafts 確認結果manual_review_queue 人工修正（過往訂單＝客戶已確認草稿） 餵數據 回饋：ASR 詞表＋LLM prompt（越用越準）
Worker 內部管線 外部 AI 供應商 D1 資料庫 低信心分支 高信心分支 學習迴圈（規劃） 虛線＝規劃中／繞道