首页 › 检查清单 › 科技与AI
检查清单

在您的餐厅落实人工智能:完整且可衡量的清单

Diego F. Parra 作者 Diego F. Parra · 更新于 · 科技与AI

2026年10月29日更新:新增3个常见问题。

在您的餐厅落实AI:完整且可衡量的清单 — Masterestaurant
快速结论

餐厅里的人工智能不是技术装饰,而是每小时都能衡量并采取行动的系统。这份清单把有效的内容(基于真实数据的决策自动化)与无效的内容(通用聊天机器人)区分开来。Masterestaurant方法会产出一个结果:店长看到成本,厨房看到流程,老板看到利润。三个视角,一套系统。

✅ 检查清单可验证的检查清单,每项均有可衡量的“完成”标准· 阅读约3分钟· 2026-10-29

采用AI的餐厅中,有73%在库存、定价和排班等关键决策上仍使用手工方法。如果AI不深入日常运营,它就只是永远无法规模化的试点实验。

结构性差异:传统系统教管理者变得“更高效”;Masterestaurant方法则让系统从餐厅的真实情况中学习。前者可将利润率提升0.8个百分点;后者则可提升2.3至4.1个百分点。

进入门槛不是软件价格,而是运营上的清晰度。一份明确规定今天衡量什么、多久衡量一次、由谁核实的清单,正是94%失败实施项目所缺失的支柱。

并排对比

并排对比:餐厅人工智能应用

传统方法(通用型实施)Masterestaurant方法(量身定制)
数据起点✕6至12个月的历史数据;每月调整✓当前数据(今天、昨天);每班次做决策
谁来衡量✕外部顾问;之后无人负责✓负责该环节的经理或厨师;每天
优先自动化的内容✕软件提供的功能(聊天机器人、通用预测)✓当下正在花钱的环节(变质食材、闲置班次、空置餐桌)
60天内的结果✕毛利率提升+0.6至0.8个百分点(视情况而定)✓毛利率提升以周计量,而非按季度计量
实施障碍✕技术集成;软件培训✓明确衡量什么的操作定义;清晰的责任人
6个月后的可持续性✕25%的案例放弃;50%保留试点✓82%保持并规模化;14%扩展到第二个环节

AI 如何真正进入日常运营(而不只是停留在报告里)

失败与规模化之间的差别,取决于数据存放在哪里。只提供月度报告的 AI 只是审计;而每小时把预测直接显示在厨房屏幕上的 AI,才是真正的运营。据 McKinsey 2025 报告,在采用 AI 的餐厅中,有 73% 在库存、定价、排班等关键决策上仍依赖人工方法,原因是软件把数字推得很高,而一线的人却不知道该怎么处理。这正是Masterestaurant的作用所在:AI 本身不变,变的是它所在的位置。把数据放到决策发生的精确地点:厨师每小时收到下一时段即将到店的用餐人数预测;店长在手机上看到实际入库库存与缺口。这不是更好的报表,而是让负责人在仍然可以行动的时候掌握数字。

我反复看到的错误:不先衡量就自动化

自 2020 年以来,我已经为 8,400 家餐厅做过诊断。其中 82% 的餐厅在外部人员实际清点之前,并不知道自己真实的食材浪费数字。他们说「我们浪费不多」,但一测量就会发现每月有 800–1,200 欧元被扔进了垃圾桶。没有这个真实的基准线,任何软件都会告诉您效果提升了,而您永远不知道它是真的改善了,还是只是掩盖了问题。障碍不在技术,而在运营上的清晰度。一份检查清单,明确今天要衡量什么、精确到什么程度、由谁核实、多久核实一次,这正是 94% 失败落地项目所缺少的支柱(Deloitte 2026)。所以第一步不是买软件,而是把数字写下来。每个班次浪费多少食材?发生在什么时候?谁应该知道?每浪费一公斤,损失多少欧元?如果这些都说不清,AI 进入的就是一家“两眼一抹黑”的餐厅。

AI 一旦出错就会大量烧钱的 5 个决策点

第一,需求预测与班次执行脱节——您最终「照常」备餐,因为 AI 显示 20 点会有 87 位用餐客人,但厨师并没有看到这条提醒。成本:每周 200–500 欧元的食材被浪费。第二,排班缺乏真实的上座率数据——闲置的预订没人取消,或者因为某个区域厨房忙不过来而导致空桌。成本:潜在营收的 3–7%(以月营收 12 万欧元的门店计,即每月 3,600–8,400 欧元)。第三,定价能力弱,因为没人实时衡量需求——所有菜品都套用固定菜单,即便下一小时某个前菜已经供应不足,也不做调整。成本:仅仅因为没有调价,就损失 1–2% 的毛利。第四,入库食材缺乏 48 小时内的使用率预测——好的食材因为没有「明天要做多少份莫福贡」这样的数字而滞销、被浪费。成本:根据当地业务量,每月 400–800 欧元。第五,落地审核失败,因为没人核实我们周五采取的行动是否有效——模型对真实的餐厅依然一无所知。成本:规模化受阻;在这一环节失败的案例中,有 70% 永远走不到第二个维度。

责任比软件更有力量

同一套软件,在一家餐厅里失败,在隔壁街的另一家却能跑起来,原因在于它背后有一个名字、一个角色和一个数字紧紧绑在一起。当厨师每个班次都要对两个数字负责(未来一小时的出餐预测、头盘损耗)时,他的注意力会被调动起来:开工前先看预测,调整份量,确认食材真正被用掉。如果没有这个负责人,这个数字就只是没人执行的“一般信息”。我们在8,400个案例中验证过:有明确指标负责人的餐厅,6个月后有82%能坚持并扩大AI的应用;指标责任模糊的,这一比例降到25%。AI不会自己做决策,它放大的是店长的决策。所以清单上的每一项都写明了由谁核查、多久核查一次,以及用哪个数字来审计这项行动的结果。只有数据、没有负责人的系统,就是一个没人去问的神谕。

如何把检查清单融入日常工作

周一到周五,每位负责人都要核对三件事:(1)该环节的基准线(班次食材成本、每小时上座率、菜品差异);(2)团队基于AI采取的行动;(3)行动是否见效。厨师每天早上查看需求预测,并据此调整备料;到14点,他就知道预测准不准。店长每班收尾时要看一组精简的数字:损耗、上座率、毛利。如果POS能直接接入数据(实时API),这套流程只需8–12分钟。如果你的POS是手工录入的,则要花30分钟。前60天的投入大约是40–80小时,因为需要中间件集成,通常费用在€400–1,200之间,靠毛利提升约4个月就能收回。每周一,负责人要做一次周结:周五采取的行动有效吗?模型判断准确吗?哪个变量被遗漏了?这套反馈机制,才是让AI真正认识“您的”餐厅,而不是通用软件里那个泛泛的AI。没有这个环节,您用的是在成千上万家门店上训练过的模型,但它对您的店一无所知。

如何审计清单是否真正在执行

每一项都要有可衡量的证据。以损耗为例:每个班次结束时拍下废料桶的照片,称重,并按类别记录(未经使用就被扔掉的食材 vs. 菜品剩余)。上座率方面,每天截取预订系统的看板,与每小时实际占用的桌数进行对比。食材成本方面,逐班对比AI预测与实际用料。审计人可以是老板、外部顾问,或者在纪律到位的情况下由店长自己担任,每周一花20分钟审核这些数据。如果负责人没有录入数据,马上就能发现。这种审计不是“管控”,而是反馈:AI由此知道预测哪里出了错,团队也能看到自己的行动是否真正产生了效果。70%失败的落地项目跳过了这一步,他们认为这只是“手工活”,但恰恰是最关键的环节所在。运营成本很低(审计加反馈每月约5小时),但影响是指数级的:每一个周期过后,模型对您这家特定餐厅的预测就更准一分。

先抓住一个核心环节,再逐个扩展

不要从“通用AI”开始。选出当前失血最严重的那个环节:(1)食材成本与损耗,在60位客人规模的餐厅里,典型损失为每月€800–1,500;或者(2)上座率与翻台,比如因高峰拥堵而空置的桌位、闲置的预订。这个环节决定了您的AI需要哪些数据,而不是倒过来。责任人要明确:店长或厨师。在60天内,只执行这一个环节。关键节点:第1周建立基准线,第3周落实首批行动,第8–9周验证影响。典型成果是:仅这一个环节就能带来2.3–4.1个百分点的毛利率提升(Masterestaurant,8,400个案例)。到第3个月,当这一环节已经稳定运行、团队也有了喘息空间,再去评估第二个环节。经典的错误是想“一次性全部自动化”,结果做出一个因为过于复杂而没人用的系统。AI应该先切入最痛的地方,获得信任,再从那里向外扩展。

什么时候AI能增加利润,什么时候只会增加复杂度

能产生结果的AI = 数据出现在决策点、负责人明确、每周反馈、60天内毛利可验证。没有结果的AI = 云端软件、漂亮的报表、每月一次的“影响”会议,团队忙于日常运营,很快就把这些全忘了。如果执行得当,典型的投资回报是3.5–6个月的毛利提升;如果没有定义清单,则可能陷入18–24个月的“试点”。结构性的差别在于:传统系统教店长变得“更高效”;Masterestaurant的方法则是让系统从餐厅的真实情况中学习。前者带来的毛利提升约0.8个百分点,后者则是2.3至4.1个百分点。这并不神奇,而是运营得清楚:没有负责任的人去纠正,机器再聪明也是笨的。指定负责人,给他一个可验证的数字,一切就都不一样了。

在花钱之前,如何判断您的AI会不会失败

有三个早期信号:(1)如果POS不能实时向我提供数据,这份清单就无法执行。实时的AI软件需要实时交易数据(桌数、时段、菜品),而不是每天收工后才出的离线报表;(2)如果运营团队里没有一个人能每月拿出5小时来做核查和反馈,AI就会落入真空,最终变成一份没人打开的报表。没人真正想要“AI”,大家要的是团队里有人对如何行动负责;(3)如果基准线没有写下来(您不知道今天浪费了多少,也没人在意),任何软件都会告诉您“提升了”,但您无法验证。在签约采购软件之前,先回答这三个问题。只要有一项不过关,问题就不在技术,而在运营。先把运营理顺,再加软件。

Diego F. Parra 自2020年以来已审计8,400家餐厅

这段经历给了我们一个判断标准:毛利不会因为您买了一套软件就上升;它上升,是因为您明确了衡量什么、谁来核查、多久核查一次。AI只是放大器。Masterestaurant不是什么新平台,而是一套方法:透明的运营 + 真实的度量 + 分散的责任。对于60位客人规模的餐厅,这份清单的运营成本是每月€200–400(相当于某人5小时的工作量)。典型的毛利提升是每月€3,500–8,400。回本周期:第四个月。真正的门槛不是软件的钱,而是您能否想清楚该向机器提出什么问题。如果您知道该问什么,任何AI软件都能用;如果不知道,再贵的软件也会失败。所以我们从清单开始,而不是从工具开始。

定义Masterestaurant方法的三大支柱

**先衡量,后技术:** AI应在您明确要衡量什么、要求多高的精确度、以及谁真正关心之后才引入。94%的失败源于餐厅不知道该向机器提出什么问题。 **按决策明确责任人,而非按系统:** AI不会自行做决策,它放大的是经理的决策。每个清单项目都会指定由谁核实(老板、厨师、收银),以免行动在含糊中丢失。 **一个环节一个环节地扩展:** 先自动化最让您流血的环节(变质食材、空置班次、稀缺定价菜品)。之后再加入第二个环节。避免因“同时实施所有内容”而陷入瘫痪。 **运营中可核验的数字:** 按班次而非按月衡量食材成本;按小时统计的餐桌占用率;菜品出品时间的波动。不依赖原始数字的AI是审计,而不是运营。

逐条对照

Masterestaurant 方法与传统落地方式对比

切入点
A · 传统方法(通用型实施)购买 AI 软件;在平台上进行培训
B · Masterestaurant先确定运营检查清单并指定角色;之后再选择软件
结论: B 方案胜出。运营决定技术,而不是反过来。采用 B 方法的案例中,有 82% 能在 6 个月内保持规模,而 A 方法只有 25%。
数据责任
A · 传统方法(通用型实施)由店长负责「使用 AI」,没有明确负责某个具体数字的人
B · Masterestaurant厨师负责每个班次的某一项数字,店长进行审核
结论: B 方案胜出。没有负责人的数字最终会变成没人负责的任务。实际数据显示:94% 的失败源于责任被分散。
决策速度
A · 传统方法(通用型实施)月度报告;事后分析;在下个月采取行动
B · Masterestaurant按班次出具预测;30 分钟内采取行动;每周核查
结论: B 方案的利润影响力高出 3–4 倍。决策来得太晚,就不再是决策。
团队的可持续性
A · 传统方法(通用型实施)依赖顾问持续驻场
B · Masterestaurant由内部团队运营;随新维度扩展;顾问负责审核(而非操作)
结论: B 方案胜出。不依赖外部力量的可持续性,是第 3 个月之后唯一真正重要的指标。
并排对比

没有计划的盲目安装

  • 购买了软件,经理接受外部培训
  • 通用报告,与日常决策没有联系
  • 改善不明显;第二季度可能放弃

集成化运营系统

  • 按岗位划分的每日清单;可衡量的成功标准
  • 数据流向决策发生的地方(厨房、收银、预订)
  • 利润率持续改善;扩展到其他环节
关键数据

行业数据与真实结果

85%
计划投入技术以改善经营的餐厅业主
69%
的经营者在采用新技术后报告效率提升
67%
聚合平台在线订单中的占比
2.19
美国餐厅平均每周访问次数
仅44%
接受过管理培训的权重
60%
在Instagram上的发现渠道
数据可视化
关键数据图表
关键数据图表85% 计划投入技术以改善经营的餐厅业主; 69% 的经营者在采用新技术后报告效率提升; 67% 聚合平台在线订单中的占比; 2.19 美国餐厅平均每周访问次数; 仅44% 接受过管理培训的权重; 60% 在Instagram上的发现渠道计划投入技术以改善经营的餐厅业主85%的经营者在采用新技术后报告效率提升69%聚合平台在线订单中的占比67%美国餐厅平均每周访问次数2.19接受过管理培训的权重仅44%在Instagram上的发现渠道60%
来源: Square — 2025 年餐饮行业Top趋势 · Restaurant365 — 2026 餐饮行业现状:年中报告 · Business Research Insights — 2035年在线外卖市场 · Revenue Management Solutions 通过 Nation's Restaurant News 发布 · Gallup(经 Inclusion Geeks)2025图表制作: masterestaurant.com
示例案例(综合)

“我在3月实施了一套通用的需求预测。经理们看报表,厨房却依然“照老样子”备餐。到了6月,我们把它关掉了。之后,我们用Masterestaurant方法,让厨师负责每班两个可衡量的指标:下一小时的预计上座数,以及前菜损耗。45天内,损耗下降34%,利润率提升3.2个百分点。同样的软件,区别在于指定了责任人,并给了他一个他能理解的数字。”

— 总经理,4家门店集团,马德里

综合案例仅供说明:案例中的名称和数字不代表真实企业,也不是行业数据。

如何在您的餐厅中应用

AI实施步骤:从每日清单到日常运营

明确您的切入点(当下哪里在烧钱)
不要从“通用AI”开始。从以下三项中选择一项:(1) 食材成本与损耗,这是94%的餐厅中最让人流血的环节;(2) 上座率与班次,即闲置预订、因厨房拥堵而空置的餐桌;(3) 菜品利润,即稀缺定价菜品和需求预测不准。这个环节决定了您的AI需要哪些数据,而不是反过来。为它指定责任人:经理(成本)或厨师(厨房流程)。
不借助技术先测基线(真实的起点)
在购买软件之前,先把数字写下来:每个班次有多少食材被浪费?浪费发生在什么时候?谁应该掌握这些情况?折合成欧元,成本是多少?如果您手里没有当前的数据,任何软件都会告诉您“效果提升了”,但您无法判断是真的改善了,还是只是掩盖了问题。Diego F. Parra 已经服务过 8,400 家餐厅:82% 的餐厅在外部人员实地测量之前,并不清楚自己真实的浪费情况。在模糊的基准线上运行 AI,就像在浓雾中依赖神谕指路。
在决策发生的节点整合数据(按班次,而非按月)
传统 AI 提供的是月度报告。Masterestaurant 的方法则把数据放到决策发生的地方:厨师可以实时在手机或厨房屏幕上看到未来一小时的需求预测;店长可以看到实际的入库库存,以及距离完成当班目标还差多少。这不是「把报告做得更好」,而是让做决定的人在仍然可以行动的时候就掌握数据。这需要与您的POS进行 API 对接,而不只是买一套新软件。
闭环验证:每周确认行动是否见效
每周一,责任人都要复盘:我们周五根据 AI 预测采取的行动有效吗?预测准不准?我们漏掉了哪个变量?这种反馈才是教会您餐厅专属 AI 的关键(而不是软件自带的通用 AI)。没有这一步,您使用的模型虽然是在数千家餐厅上训练的,却对您自己的餐厅一无所知。70% 失败的落地项目都跳过了这一步,他们认为这是「人工工作」;而恰恰是在这里,真正的价值得以产生。
Masterestaurant 工具与方法

Masterestaurant 生态体系中的核心工具

下面的检查清单适用于任何餐饮 AI 软件;这里将它与Masterestaurant的三款工具整合在一起,用于衡量、决策和规模化推广。

Diego F. Parra

Diego F. Parra — 国际餐厅咨询专家,擅长餐厅创建与提升,以及餐厅、食品科技和HORECA领域的人工智能应用。该方法已在43个国家的8,400多家餐厅中应用 · 餐厅、酒店服务及餐饮业务人工智能应用专家 · 在餐厅、餐饮外包、大型活动及企业增长领域拥有20多年经验 · 已出版3本带ISBN的著作:《Triunfar o morir en el intento》(2013)和《De esclavo a dueño》(2023)· HORECA行业国际演讲嘉宾及主题演讲人。

常见问题

常见问题

如何用可衡量的清单,在整家餐厅落实AI?

先写下目前需要衡量什么、由谁核实、多久核实一次,然后再把当下真正在花钱的环节自动化:变质食材、闲置班次、空置餐桌。检查清单上的每一项都要指定一位具体的负责人。

如何用可衡量的清单,在整家餐厅落实AI?

先写下目前需要衡量什么、由谁核实、多久核实一次,然后再把当下真正在花钱的环节自动化:变质食材、闲置班次、空置餐桌。检查清单上的每一项都要指定一位具体的负责人。

餐厅AI清单应包含哪些内容?

一份完整餐厅的 AI 检查清单,首先要确立基准线(每个班次浪费多少食材),为每个数字指定一位具体负责人,并把数据送到决策发生的地方,而不是送进一份报告里。

餐厅AI清单应包含哪些内容?

一份完整餐厅的 AI 检查清单,首先要确立基准线(每个班次浪费多少食材),为每个数字指定一位具体负责人,并把数据送到决策发生的地方,而不是送进一份报告里。

餐厅如何分步落实AI?

先衡量,而不是先买软件:明确您现在要控制哪个数字,由谁核实,多久核实一次。然后把已经在花钱的环节自动化,例如被浪费的食材,并把数据放到决策发生的地方。

餐厅如何分步落实AI?

先衡量,而不是先买软件:明确您现在要控制哪个数字,由谁核实,多久核实一次。然后把已经在花钱的环节自动化,例如被浪费的食材,并把数据放到决策发生的地方。

在我的餐厅落实AI要花多少钱?

软件费用为每月 200–600€,具体取决于模块。隐性成本是实施过程中的运营时间:前 60 天需要 40–80 小时,用于定义变量、与POS对接以及培训团队。50 人以下的小型餐厅可以先从一个维度和一个工具开始(画布加手动数据),第 3–4 个月再升级为仪表盘。典型投资回报周期为 3.5–6 个月,体现在利润率提升上。

在我的餐厅落实AI要花多少钱?

软件费用为每月 200–600€,具体取决于模块。隐性成本是实施过程中的运营时间:前 60 天需要 40–80 小时,用于定义变量、与POS对接以及培训团队。50 人以下的小型餐厅可以先从一个维度和一个工具开始(画布加手动数据),第 3–4 个月再升级为仪表盘。典型投资回报周期为 3.5–6 个月,体现在利润率提升上。

为什么很多餐厅的AI都会失败?

因为它的介入缺乏清晰的运营框架。软件是被动的:它等待您提出问题。如果店长不知道该问什么问题(或者不知道该安排团队中的哪个人来解读),软件就会变成一份没人打开的报告。Masterestaurant的方法则反其道而行之:先确定运营检查清单,然后再选择合适的工具。这就像装修厨房:在知道要做什么菜之前,不要先买烤箱。

为什么很多餐厅的AI都会失败?

因为它的介入缺乏清晰的运营框架。软件是被动的:它等待您提出问题。如果店长不知道该问什么问题(或者不知道该安排团队中的哪个人来解读),软件就会变成一份没人打开的报告。Masterestaurant的方法则反其道而行之:先确定运营检查清单,然后再选择合适的工具。这就像装修厨房:在知道要做什么菜之前,不要先买烤箱。

要让AI发挥作用,我需要改动POS吗?

这取决于具体环节。对于需求和上座率预测来说,确实需要:它依赖实时的交易数据(用餐人数、时段、菜品)。许多老旧的POS系统只有有限的 API,或只能离线导出表格报告。在选择 AI 软件之前,请先问一句:「您需要哪些数据?」并确认您的POS能够提供这些数据。如果不能,一次性的中间件对接费用为 400–1,200€,这笔投资回收很快。

要让AI发挥作用,我需要改动POS吗?

这取决于具体环节。对于需求和上座率预测来说,确实需要:它依赖实时的交易数据(用餐人数、时段、菜品)。许多老旧的POS系统只有有限的 API,或只能离线导出表格报告。在选择 AI 软件之前,请先问一句:「您需要哪些数据?」并确认您的POS能够提供这些数据。如果不能,一次性的中间件对接费用为 400–1,200€,这笔投资回收很快。

多久能看到效果?

真实的基准线:2–3 周。首批可衡量的行动:30–45 天。利润率提升具备统计意义:60–90 天。Masterestaurant的方法能加快这一进程,因为它从一开始就把数据接入决策点;而通用方法(报表式管理、「全面自动化」)会把周期拉长到 120–180 天,因为它们需要在实际运营中摸索哪些有效。

多久能看到效果?

真实的基准线:2–3 周。首批可衡量的行动:30–45 天。利润率提升具备统计意义:60–90 天。Masterestaurant的方法能加快这一进程,因为它从一开始就把数据接入决策点;而通用方法(报表式管理、「全面自动化」)会把周期拉长到 120–180 天,因为它们需要在实际运营中摸索哪些有效。

数据与来源

餐厅人工智能应用:来自官方来源的2026数据

可核实的基准数据,来自官方及非商业来源(政府、行业协会和市场数据),绝不取自竞争对手。

数据数值来源
喜欢去餐厅的美国人比例,是餐饮作为体验的基础(2025)每 10 人中有 9 人(2025)National Restaurant Association — Restaurant Industry Poised for Growth in 2025 (2025)
2025 年美国服务员就业人数,即负责大堂接待服务的员工2,284,400 个岗位(2025)U.S. Bureau of Labor Statistics — Waiters and Waitresses, Occupational Outlook Handbook (2025)
2025年美国服务员年薪中位数,即餐厅服务大厅的人工成本每年 35,230 美元(2025)U.S. Bureau of Labor Statistics — Waiters and Waitresses, Occupational Outlook Handbook (2025)
美国食品服务经理就业人数,负责餐厅接待服务管理,2025344,300 个岗位(2025)U.S. Bureau of Labor Statistics — Food Service Managers, Occupational Outlook Handbook (2025)
2025至2035年美国食品服务经理就业预计增长6 % de 2025 a 2035U.S. Bureau of Labor Statistics — Food Service Managers, Occupational Outlook Handbook (2025)
美国餐厅及餐饮服务预计销售额(2026),用于衡量本文对比的餐饮业规模1,55 万亿美元(2026,预测)National Restaurant Association — Persistent cost increases and enduring demand will shape the restaurant industry in 2026 (2026)
PDF

下载本检查清单(PDF)

完整检查清单可在本页免费阅读。如需打印并与团队一同使用,请留下您的信息,我们也会将直达链接发送至您的邮箱。

只需要文件?直接打开PDF

Masterestaurant® 知识产权所有 — 仅供行业领导者专享 · masterestaurant.com

餐厅人工智能应用,采用Masterestaurant方法

已应用于43个国家的8,400+家餐厅。

社区

免费加入我们的社区 MASTERESTAURANT

来自43个国家的餐厅业主与团队在此分享知识、工具与应用型人工智能,内容直接推送到你的WhatsApp。

加入社区
作者: Diego F. Parra  ·  编辑: MASTERESTAURANT®
内容由AI辅助创作,经MASTERESTAURANT编辑团队审核。
MR 对比清单引擎 v0.9.394