Kênh Dữ Liệu Thực Đơn Nhà Hàng Cho Hệ Thống Đặt Hàng Bằng AI

TL;DR

• Ưu tiên các API được chủ sở hữu cấp phép, xuất dữ liệu POS và dữ liệu cấu trúc từ bên thứ nhất trước khi thu thập trang được hiển thị.
• Chuẩn hóa nhà hàng, địa điểm, thực đơn, phần, mục, tùy chọn, giá, tiền tệ, nhãn chế độ ăn, chất gây dị ứng, khả dụng và thời gian theo dõi thành các trường riêng biệt.
• Lưu trữ URL nguồn, loại nguồn, thời gian quan sát, ngôn ngữ và băm bằng chứng cho mỗi bản ghi.
• Xem xét các tuyên bố về chất gây dị ứng, chế độ ăn và khả dụng là các trường có rủi ro cao, yêu cầu bằng chứng nguồn rõ ràng và kiểm tra bởi con người.
• Chỉ sử dụng CapSolver khi một trang thực đơn được cấp phép hiển thị một thử thách được hỗ trợ và không có nguồn cấu trúc được phê duyệt.

Giới thiệu

Dữ liệu thực đơn nhà hàng cho hệ thống đặt hàng AI nên được xây dựng như một sản phẩm dữ liệu dựa trên nguồn gốc, không phải chỉ là một tập hợp tên món ăn và giá. Đường dẫn đáng tin cậy nhất bắt đầu từ các nguồn do chủ sở hữu kiểm soát như Google Business Profile Food Menus, API thực đơn POS, xuất dữ liệu và dữ liệu cấu trúc từ bên thứ nhất. Sau đó, nó chuẩn hóa địa điểm, thực đơn, phần, mục, tùy chọn, giá, tiền tệ, ngôn ngữ, nhãn chế độ ăn, chất gây dị ứng, khả dụng và thời gian quan sát vào một lược đồ ổn định. Mỗi trường phải vẫn có thể truy xuất nguồn gốc, đặc biệt khi hệ thống AI trả lời câu hỏi, so sánh các tùy chọn hoặc chuẩn bị đơn hàng. Việc thu thập trang được hiển thị là phương án dự phòng có độ ưu tiên thấp và chỉ nên hoạt động với sự cho phép, giới hạn tốc độ và xử lý thử thách nghiêm ngặt. Hướng dẫn này cho thấy cách thiết kế đường truyền đó từ việc tiếp nhận đến kiểm tra và xem xét.

Tại sao Dữ liệu Thực đơn Khó Hơn Cả Trông

Một nhà hàng hiếm khi có một thực đơn duy nhất và vĩnh cửu. Dữ liệu có thể khác nhau theo:

• địa điểm;
• kênh dịch vụ;
• thời điểm bữa ăn (sáng, trưa, tối, ban đêm);
• giao hàng, lấy hàng, ăn tại chỗ hoặc tiệc;
• ngôn ngữ;
• kích thước món ăn và tùy chọn;
• hiển thị thuế và phí;
• khả dụng tạm thời;
• cấu hình theo mùa hoặc khu vực.

Một hệ thống đặt hàng AI làm phẳng những khác biệt này có thể đưa ra giá sai, bỏ lỡ tùy chọn cần thiết hoặc cung cấp thông tin chế độ ăn sai.

Blog thu thập dữ liệu web của CapSolver cung cấp hướng dẫn liên quan về trích xuất, trong khi FAQ thu thập dữ liệu web giải thích các yếu tố nguồn và vận hành.

Sử dụng Một Thứ Tự Nguồn

Bắt đầu từ nguồn đáng tin cậy và cấu trúc nhất.

Không xem các nhà cung cấp bên thứ ba là tương đương với thực đơn của nhà hàng.

Hiểu Mô Hình Thực đơn Chính thức

Mô hình FoodMenus của Google Business Profile định nghĩa thực đơn, phần, mục, nhãn, tùy chọn, giá, ẩm thực, chất gây dị ứng, giới hạn chế độ ăn, dinh dưỡng, thành phần, phương pháp chế biến, kích thước phần và khóa phương tiện.

Hướng dẫn cập nhật thực đơn của Google cũng tài liệu về điều kiện địa điểm và luồng đọc và cập nhật do chủ sở hữu kiểm soát.

Loại Menu của Schema.org mô tả một thực đơn có cấu trúc với mối quan hệ hasMenuSection và hasMenuItem.

Hướng dẫn API thực đơn của Toast khuyên kiểm tra dữ liệu mô tả trước khi truy xuất thực đơn để xác định xem dữ liệu được lưu trữ có lỗi thời hay không.

Các mô hình này hỗ trợ thiết kế chung: giữ nguyên thứ bậc và thời gian mới nhất thay vì làm phẳng tất cả thành một khối văn bản.

Thiết kế Lược đồ Thực đơn Chuẩn

from datetime import datetime
from decimal import Decimal
from typing import Literal
from pydantic import BaseModel, Field, HttpUrl

class Money(BaseModel):
    currency: str = Field(min_length=3, max_length=3)
    amount: Decimal
    tax_included: bool | None = None

class Evidence(BaseModel):
    source_type: Literal[
        "OWNER_API",
        "OWNER_EXPORT",
        "BUSINESS_PROFILE",
        "JSON_LD",
        "AUTHORIZED_PAGE",
        "IMAGE_REVIEW",
    ]
    source_url: HttpUrl | None = None
    source_record_id: str | None = None
    observed_at: datetime
    source_modified_at: datetime | None = None
    content_hash: str
    language: str

class MenuOption(BaseModel):
    option_id: str
    name: str
    price_delta: Money | None = None
    available: bool | None = None

class MenuItem(BaseModel):
    item_id: str
    restaurant_id: str
    location_id: str
    menu_id: str
    section_id: str
    name: str
    description: str | None = None
    base_price: Money | None = None
    options: list[MenuOption] = []
    dietary_labels: list[str] = []
    allergens: list[str] = []
    ingredients: list[str] = []
    available: bool | None = None
    evidence: Evidence

Giữ bằng chứng nguồn gắn với mỗi bản ghi. Một mốc thời gian cấp thực đơn không đủ khi các mục riêng lẻ đến từ các nguồn khác nhau.

Tách biệt Nhận dạng Nhà hàng, Địa điểm và Thực đơn

class Restaurant(BaseModel):
    restaurant_id: str
    brand_name: str
    legal_name: str | None = None

class Location(BaseModel):
    location_id: str
    restaurant_id: str
    address_line: str
    city: str
    region: str | None = None
    postal_code: str | None = None
    country_code: str
    timezone: str

class Menu(BaseModel):
    menu_id: str
    location_id: str
    name: str
    service_modes: list[str]
    dayparts: list[str]
    valid_from: datetime | None = None
    valid_until: datetime | None = None
    language: str

Một ID thực đơn nên đại diện cho một địa điểm và bối cảnh cụ thể. Không kết hợp giá trưa và tối hoặc gộp thực đơn giao hàng và ăn tại chỗ mà không có quy tắc rõ ràng.

Xây dựng Tiếp nhận API Chủ Sở Hữu Trước Tiên

from hashlib import sha256
import json


def canonical_hash(payload: dict) -> str:
    encoded = json.dumps(
        payload,
        sort_keys=True,
        ensure_ascii=False,
        separators=(",", ":"),
    ).encode("utf-8")
    return sha256(encoded).hexdigest()

async def ingest_owner_menu(api, location_id: str) -> list[MenuItem]:
    metadata = await api.get_menu_metadata(location_id)
    if metadata.not_modified:
        return []

    payload = await api.get_menu(location_id)
    observed_at = utc_now()
    records = []

    for menu in payload["menus"]:
        for section in menu.get("sections", []):
            for item in section.get("items", []):
                records.append(
                    normalize_owner_item(
                        location_id=location_id,
                        menu=menu,
                        section=section,
                        item=item,
                        observed_at=observed_at,
                        content_hash=canonical_hash(item),
                    )
                )
    return records

Sử dụng các yêu cầu có điều kiện, điểm cuối dữ liệu mô tả, ETags hoặc thời gian sửa đổi nguồn khi có sẵn. Tránh tải xuống thực đơn không thay đổi nhiều lần.

Chuẩn hóa Giá Mà Không Mất Ý Nghĩa

Chuẩn hóa giá thực đơn nên giữ nguyên biểu diễn ban đầu.

class NormalizedPrice(BaseModel):
    amount: Decimal
    currency: str
    original_text: str | None = None
    price_type: Literal[
        "FIXED",
        "FROM",
        "RANGE",
        "MARKET_PRICE",
        "INCLUDED",
        "UNKNOWN",
    ]
    upper_amount: Decimal | None = None


def normalize_price(raw: dict, currency: str) -> NormalizedPrice | None:
    if raw.get("market_price"):
        return NormalizedPrice(
            amount=Decimal("0"),
            currency=currency,
            original_text=raw.get("display"),
            price_type="MARKET_PRICE",
        )
    if raw.get("min") is not None and raw.get("max") is not None:
        return NormalizedPrice(
            amount=Decimal(str(raw["min"])),
            upper_amount=Decimal(str(raw["max"])),
            currency=currency,
            original_text=raw.get("display"),
            price_type="RANGE",
        )
    if raw.get("amount") is not None:
        return NormalizedPrice(
            amount=Decimal(str(raw["amount"])),
            currency=currency,
            original_text=raw.get("display"),
            price_type="FIXED",
        )
    return None

Không bao giờ chuyển "giá thị trường" thành 0 cho hiển thị phía sau. Giá trị này nên được giữ riêng biệt với giá số thực tế.

Giữ Nguyên Các Tùy Chọn và Quy Tắc Thay Đổi

class ModifierChoice(BaseModel):
    choice_id: str
    name: str
    price_delta: Money | None = None
    available: bool | None = None

class ModifierGroup(BaseModel):
    group_id: str
    name: str
    minimum_selections: int
    maximum_selections: int
    choices: list[ModifierChoice]

class OrderableItem(MenuItem):
    modifier_groups: list[ModifierGroup] = []

Hệ thống đặt hàng cần các quy tắc chọn lựa, không chỉ tên tùy chọn. "Chọn một kích thước" và "chọn tối đa ba topping" là các quy tắc khác nhau.

Giữ Liên Kết Các Phiên Bản Ngôn Ngữ

class LocalizedText(BaseModel):
    language: str
    value: str
    source_value: str
    translated: bool = False
    translation_model: str | None = None

class LocalizedMenuItem(BaseModel):
    item_id: str
    names: list[LocalizedText]
    descriptions: list[LocalizedText]

Không ghi đè văn bản gốc bằng bản dịch được tạo. Giữ nguyên ngôn ngữ nguồn, cờ dịch, phiên bản mô hình và trạng thái kiểm tra.

Xem Xét Các Chất Gây Dị Ứng và Nhãn Chế Độ Ăn Là Các Trường Có Rủi Ro Cao

Mô hình FoodMenus của Google hỗ trợ chất gây dị ứng và giới hạn chế độ ăn, nhưng các hệ thống phía sau chỉ nên trình bày các tuyên bố được hỗ trợ bởi nguồn.

Hướng dẫn về dị ứng thực phẩm của Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ minh họa tại sao thông tin về chất gây dị ứng là quan trọng đối với an toàn.

class SafetyClaim(BaseModel):
    claim: str
    source_type: str
    explicit_source_text: str
    confidence: float
    reviewed: bool
    reviewer_id: str | None = None


def allow_safety_claim(claim: SafetyClaim) -> bool:
    return (
        claim.source_type in {"OWNER_API", "OWNER_EXPORT", "BUSINESS_PROFILE"}
        and bool(claim.explicit_source_text.strip())
        and claim.reviewed
    )

Không suy luận các tuyên bố như "không chứa hạt", "không chứa gluten", "hàlal", "koshê" hoặc tương tự từ thành phần, ẩm thực, hình ảnh hoặc giả định của mô hình AI.

Trích Xuất Dữ Liệu Cấu Trúc Từ Bên Thứ Nhất

import json
from bs4 import BeautifulSoup


def extract_json_ld_menu(html: str) -> list[dict]:
    soup = BeautifulSoup(html, "html.parser")
    menus = []
    for script in soup.select('script[type="application/ld+json"]'):
        try:
            payload = json.loads(script.string or "")
        except json.JSONDecodeError:
            continue

        nodes = payload if isinstance(payload, list) else [payload]
        for node in nodes:
            if not isinstance(node, dict):
                continue
            if node.get("@type") == "Menu":
                menus.append(node)
            graph = node.get("@graph", [])
            menus.extend(
                entry
                for entry in graph
                if isinstance(entry, dict) and entry.get("@type") == "Menu"
            )
    return menus

Xác minh lược đồ và giữ URL nguồn, thời gian quan sát và băm nội dung với mỗi bản ghi được chuẩn hóa.

Sử Dụng Trang Được Hiển Thị Chỉ Là Phương Án Dự Phòng Được Kiểm Soát

Việc thu thập trang được hiển thị có thể cần thiết khi một nhà hàng được cấp phép không công bố API, nguồn hoặc dữ liệu cấu trúc. Trước khi điều hướng:

• xác nhận sự cho phép bằng văn bản hoặc cơ sở dữ liệu công khai rõ ràng;
• xem lại điều khoản và chỉ thị robots;
• đặt giới hạn tốc độ theo miền;
• xác định các trường chỉ cần thiết;
• dừng lại tại trang đăng nhập, thanh toán hoặc dữ liệu khách hàng riêng tư;
• duy trì sổ cái nguồn;
• định tuyến các trạng thái trang không được hỗ trợ đến kiểm tra.

Hướng dẫn pháp lý thu thập dữ liệu web của CapSolver cung cấp bối cảnh tuân thủ bổ sung.

Xử Lý Các Thử Thách Được Hỗ Trợ Chỉ Khi Phù Hợp

Một trang thực đơn từ bên thứ nhất có thể đưa ra thử thách được hỗ trợ trong một lần thu thập được cấp phép. CapSolver có thể phù hợp với phần hẹp này của đường truyền sau khi hết các tùy chọn API và dữ liệu cấu trúc.

class CollectionDecision(BaseModel):
    source_type: str
    authorized: bool
    public_fields_only: bool
    challenge_type: str | None = None
    rate_limit_ok: bool


def may_use_challenge_service(decision: CollectionDecision) -> bool:
    return (
        decision.source_type == "AUTHORIZED_PAGE"
        and decision.authorized
        and decision.public_fields_only
        and decision.rate_limit_ok
        and decision.challenge_type in {
            "RECAPTCHA_V2",
            "RECAPTCHA_V3",
            "CLOUDFLARE_TURNSTILE",
            "CLOUDFLARE_CHALLENGE",
        }
    )

Trang sản phẩm CapSolver giúp xác nhận các nhiệm vụ được hỗ trợ. Không bao giờ hiểu thử thách là dữ liệu thực đơn bị thiếu.

Xây Dựng Sổ Cái Nguồn

class SourceLedgerEntry(BaseModel):
    run_id: str
    restaurant_id: str
    location_id: str
    source_type: str
    source_url: str | None
    permission_basis: str
    observed_at: datetime
    source_modified_at: datetime | None
    record_count: int
    content_hash: str
    challenge_observed: bool
    human_review_required: bool

Sổ cái cho phép người kiểm tra trả lời nơi giá đến từ đâu, khi nào được quan sát và phiên bản đường truyền nào đã tạo ra nó.

Thêm Quy Tắc Tươi Mới Theo Trường

from datetime import timedelta

FRESHNESS = {
    "availability": timedelta(minutes=15),
    "price": timedelta(hours=6),
    "description": timedelta(days=7),
    "dietary_labels": timedelta(days=7),
    "allergens": timedelta(days=1),
    "media": timedelta(days=30),
}


def is_fresh(field: str, observed_at: datetime, now: datetime) -> bool:
    maximum_age = FRESHNESS[field]
    return now - observed_at <= maximum_age

Đây là các chính sách nội bộ ví dụ, không phải sự thật phổ biến. Đặt giới hạn theo hành vi nguồn, điều khoản hợp đồng, kỳ vọng người dùng và rủi ro.

Phát Hiện Thay Đổi Ý Nghĩa

class MenuChange(BaseModel):
    restaurant_id: str
    location_id: str
    item_id: str
    field: str
    before: object
sau: object
    source_before: str
    source_after: str
    requires_review: bool

HIGH_RISK_FIELDS = {"allergens", "dietary_labels", "availability", "price"}


def compare_items(previous: MenuItem, current: MenuItem) -> list[MenuChange]:
    changes = []
    for field in [
        "name",
        "description",
        "base_price",
        "options",
        "dietary_labels",
        "allergens",
        "available",
    ]:
        before = getattr(previous, field)
        after = getattr(current, field)
        if before != after:
            changes.append(
                MenuChange(
                    restaurant_id=current.restaurant_id,
                    location_id=current.location_id,
                    item_id=current.item_id,
                    field=field,
                    before=before,
                    after=after,
                    source_before=previous.evidence.content_hash,
                    source_after=current.evidence.content_hash,
                    requires_review=field in HIGH_RISK_FIELDS,
                )
            )
    return changes

Không cảnh báo về sự khác biệt trong thứ tự hoặc thay đổi chỉ có khoảng trắng. So sánh các bản ghi đã chuẩn hóa.

Ngăn chặn các hành động đặt hàng không an toàn của AI

Lớp AI nên trả lời từ các bản ghi được xác minh và không bao giờ đặt hàng mà không có bước xác nhận riêng biệt.

class OrderProposal(BaseModel):
    location_id: str
    item_id: str
    option_ids: list[str]
    quoted_total: Money
    menu_observed_at: datetime
    source_record_id: str
    safety_claims_reviewed: bool


def may_present_for_confirmation(proposal: OrderProposal, now: datetime) -> bool:
    return (
        is_fresh("price", proposal.menu_observed_at, now)
        and proposal.safety_claims_reviewed
        and proposal.quoted_total.amount >= 0
    )

Hiển thị vị trí, mục, tùy chọn, số lượng, tổng phụ, phí, thuế, thời gian nguồn và điều khoản hủy bỏ trước khi yêu cầu xác nhận từ người dùng rõ ràng.

Tóm tắt so sánh

Kiến trúc được ưa chuộng bắt đầu từ các nguồn có cấu trúc do chủ sở hữu kiểm soát và giữ bằng chứng gắn với mỗi trường.

Thêm các rào cản chất lượng dữ liệu

class QualityResult(BaseModel):
    accepted: bool
    reasons: list[str]


def validate_item(item: MenuItem) -> QualityResult:
    reasons = []
    if not item.name.strip():
        reasons.append("missing_name")
    if item.base_price and item.base_price.amount < 0:
        reasons.append("negative_price")
    if item.evidence.source_type == "IMAGE_REVIEW":
        reasons.append("image_source_requires_review")
    if item.allergens and item.evidence.source_type not in {
        "OWNER_API",
        "OWNER_EXPORT",
        "BUSINESS_PROFILE",
    }:
        reasons.append("allergen_source_requires_review")
    return QualityResult(accepted=not reasons, reasons=reasons)

Đưa các bản ghi thất bại vào khu cách ly thay vì sửa chữa thầm lặng bằng văn bản được tạo.

Giám sát luồng

Theo dõi:

• bản ghi được nhập theo loại nguồn;
• các thực đơn bị bỏ qua vì dữ liệu không thay đổi;
• các sai lệch về vị trí và tiền tệ;
• số lượng thay đổi về giá và khả năng có sẵn;
• các tùy chọn chưa giải quyết;
• các trường có rủi ro cao bị lỗi thời;
• các bản ghi đang chờ xem xét của con người;
• tỷ lệ quan sát-thách thức trên các trang được ủy quyền;
• tỷ lệ thành công của việc theo dõi nguồn đến câu trả lời.

Không ghi nhật ký khóa API, cookie, dữ liệu khách hàng riêng tư, dữ liệu thanh toán hoặc trạng thái lưu trữ trình duyệt đầy đủ.

Hướng dẫn FAQ về AI và tự động hóa của CapSolver có thể hỗ trợ thiết kế công cụ và ranh giới phê duyệt.

Kiểm thử với bộ dữ liệu phiên bản

import pytest


def test_market_price_is_not_zero_price():
    value = normalize_price(
        {"market_price": True, "display": "Market price"},
        "USD",
    )
    assert value.price_type == "MARKET_PRICE"
    assert value.original_text == "Market price"


def test_unreviewed_allergen_claim_is_blocked():
    claim = SafetyClaim(
        claim="contains peanuts",
        source_type="JSON_LD",
        explicit_source_text="contains peanuts",
        confidence=1.0,
        reviewed=False,
        reviewer_id=None,
    )
    assert allow_safety_claim(claim) is False

Cũng kiểm tra độ chính xác của tiền tệ, phân tách vị trí, nhãn đa ngôn ngữ, ràng buộc tùy chọn, giá lỗi thời, ID mục trùng lặp, ưu tiên nguồn, phân loại trang thách thức và rào cản xác nhận đơn hàng.

Mã thưởng: Sử dụng mã WEBS tại Bảng điều khiển CapSolver để nhận thêm 5% thưởng cho mỗi lần nạp tiền.

Danh sách kiểm tra sản xuất

• Bắt đầu từ API chủ sở hữu, nguồn dữ liệu POS và xuất được ủy quyền.
• Kiểm tra thông tin nguồn trước khi tải xuống các thực đơn không thay đổi.
• Giữ riêng biệt các ID nhà hàng, vị trí, thực đơn, phần, mục và tùy chọn.
• Bảo tồn văn bản gốc và ngôn ngữ cùng với bản dịch.
• Chuẩn hóa giá, tiền tệ, phạm vi và nhãn giá thị trường.
• Lưu trữ các ràng buộc chọn nhóm tùy chọn.
• Yêu cầu bằng chứng nguồn và xem xét rõ ràng cho các chất gây dị ứng và các tuyên bố về chế độ ăn.
• Gắn nguồn gốc và tính mới cho mỗi bản ghi.
• Sử dụng dữ liệu có cấu trúc từ trang đầu tiên trước khi sử dụng trang được hiển thị.
• Áp dụng xử lý thách thức chỉ cho các trang được ủy quyền và loại nhiệm vụ được hỗ trợ.
• Cách ly các kiểm tra chất lượng thất bại.
• Yêu cầu xác nhận từ người dùng trước bất kỳ hành động đặt hàng nào.

Hướng dẫn FAQ về giải CAPTCHA của CapSolver cung cấp thêm hướng dẫn cho các bước thách thức được ủy quyền.

Sử dụng có trách nhiệm

Thu thập dữ liệu thực đơn nhà hàng chỉ từ các nguồn do chủ sở hữu kiểm soát, được cấp phép, công khai hoặc được ủy quyền rõ ràng. Tôn trọng các thỏa thuận API, điều khoản, chỉ thị robots, giới hạn tốc độ, bản quyền, quyền riêng tư và quyền sở hữu cơ sở dữ liệu. Không thu thập dữ liệu khách hàng, thanh toán, trung thành hoặc đơn hàng riêng tư. Không suy luận về chất gây dị ứng hoặc tính phù hợp của chế độ ăn. Một hệ thống AI nên trình bày thời gian nguồn và mức độ không chắc chắn, và người dùng nên xác nhận các quyết định quan trọng.

Kết luận

Dữ liệu thực đơn nhà hàng cho các hệ thống đặt hàng bằng AI cần có cấu trúc phân cấp, nguồn gốc, tính mới và các biện pháp an toàn. Ưu tiên API chủ sở hữu và nguồn dữ liệu POS, giữ nguyên bối cảnh vị trí và thực đơn, chuẩn hóa tùy chọn và giá mục, giữ liên kết các biến thể ngôn ngữ và yêu cầu bằng chứng rõ ràng cho các chất gây dị ứng và nhãn chế độ ăn. Sử dụng trang đầu tiên được ủy quyền chỉ như một fallback có kiểm soát, và xem xử lý thách thức được hỗ trợ là một bước hạ tầng hẹp - không phải là sự cho phép truy cập vào nguồn.

Xây dựng luồng được ủy quyền với CapSolver nơi các thách thức được hỗ trợ ngắt quá trình thu thập thực đơn được phê duyệt, sau đó xác minh nguồn, trạng thái thực đơn, nguồn gốc trường và tính mới trước khi hệ thống AI sử dụng kết quả.

FAQ

Nguồn nào là tốt nhất để thu thập dữ liệu thực đơn nhà hàng?

Sử dụng API được chủ sở hữu ủy quyền, nguồn dữ liệu POS hoặc xuất trước tiên. Các thực đơn từ Hồ sơ Doanh nghiệp và dữ liệu có cấu trúc từ trang đầu tiên hữu ích như nguồn phụ.

Các trường nào nên có trong lược đồ dữ liệu thực đơn?

Bao gồm nhà hàng, vị trí, thực đơn, phần, mục, tùy chọn, giá, tiền tệ, ngôn ngữ, nhãn chế độ ăn, chất gây dị ứng, khả năng có sẵn, nguồn và thời gian quan sát.

Hệ thống AI có thể suy luận thông tin về chất gây dị ứng hoặc chế độ ăn không?

Không. Chỉ trình bày các tuyên bố đó khi nguồn nêu rõ và chính sách xem xét liên quan được đáp ứng.

Tần suất cập nhật dữ liệu thực đơn nên là bao nhiêu?

Thiết lập chính sách cụ thể cho từng trường. Giá và khả năng có sẵn thường cần giới hạn ngắn hơn so với mô tả hoặc phương tiện, nhưng khoảng thời gian chính xác phụ thuộc vào hành vi nguồn và rủi ro.

CapSolver đóng vai trò gì trong luồng?

CapSolver có thể xử lý một thách thức được hỗ trợ trên trang đầu tiên được ủy quyền khi không có nguồn cấu trúc được phê duyệt. Kết quả vẫn cần xác minh trang và dữ liệu.