卷體驗讓用戶“不踩坑”，美團春節前給大家做了一個AI小管家

美團AI管過年，吃喝玩樂全安排。

采寫/萬天南編輯/陳紀英

“春節比工作還累，幸好我搶到了加班的名額”。

“在年味和班味之間，我選擇了班味”。

“最疲憊的班味兒，原來是年味兒，過年比上班還累啊。”

年輕人的戲謔之言，道出了一個扎心真相——“過年也很累”。永遠訂不到的年夜飯，排隊到紅溫的熱門景點，置辦年貨的辛苦勞累，特種兵一般的走親拜友，一票難求的電影院等等，省時、省力的過年，是大眾的底層訴求。

想輕松過年的大眾，如今迎來了一個可以省時省力、自動規劃、自動領券的AI小管家——2月12日，美團升級“問小團”AI管家。

省錢、省時間、不踩坑，是美團AI智能體“小團”的追求，這一特性尤其體現在對于復雜、模糊需求的處理上。

“麻煩定個年夜飯，全家八口人，不吃辣，有小孩，能停車，口味不能拉胯，還要喝酒”，聽到這個指令后，小團快速識別出關鍵信息——“全家八口（桌子要大）+有小孩（需要寶寶椅）+口味不能拉胯（好評多）+喝酒（要有下酒小菜）+能停車（免費停車）+不吃辣（口味清淡的江浙粵菜最適合）”。

按照上述指令，小團推薦了滿足上述條件的三家餐廳，甚至還貼心提醒上述餐廳“除夕正常營業”。

這些吃喝玩樂訴求雖不高大上，但卻是大眾高頻剛需。

不炫技不撒紅包的美團，只想做自己，在春節這場AI亂斗中，接棒為大眾規劃吃喝玩樂的重任。

有了小團的助力，這個春節可以多點純粹的年味，少點疲憊的班味兒了。

一

服務用戶剛需，美團AI在吃喝玩樂中創造價值

這個春節，迎來了前所未有的AI大亂斗，大廠集體入場。

阿里千問狂撒30億補貼卷流量，騰訊元寶靠10億紅包撬動拉新，豆包官宣合作春晚卷咖位。

與這些大廠的高調不同，美團AI“問小團”只是悶聲搞體驗，看似一點也不高大上。但其實，這種接地氣的玩法，才是讓大眾也能享受AI紅利的普惠普及路徑——紅包是一次性的狂歡，高頻剛需的吃喝玩樂，才是普羅大眾的煙火日場。

最近，一張中美AI大戰對比的截圖流傳網絡——國外的ChatGPT上線新版本，忙著秀參數、寫代碼。反觀國內AI大模型，放著“高大上”的路線不走，美團AI專注搞信息篩選，幫用戶規劃吃喝玩樂，似乎是開著坦克拉磚頭。

這個價值觀的分野在于，如何認識AI的價值，到底是高端大氣上檔次的精英特權，還是普惠大眾滲透日常的基礎設施？

如果認為AI是水電煤，答案顯然是后者——從小眾到大眾，從前沿到日常，從對話到解決用戶痛點，AI應用的盡頭，就是成為大眾剛需。

大規模調用，才是衡量AI價值的關鍵標準。 一是吸引更多人用，二是提升使用頻次。剛剛發布的第57次《中國互聯網絡發展狀況統計報告》披露，截至2025年12月，中國網民規模11.25億，生成式AI用戶達6.02億，這意味著每兩個網民，就有一個是AI用戶。

基于精準的信息篩選，給快速可交易的服務推薦，為6億用戶省時省力省錢規劃吃喝玩樂，是底層剛需。美團AI的子彈，瞄準的正是普羅大眾的AI真需求。唯有如此，AI紅利才能普惠釋放。

事實上，大眾春節吃喝玩樂的痛點不是辦事也不是花錢，而是信息獲取困難，很多商家春節期間的營業狀態都會發生變更，比如可能閉店歇業。

這種非常態的供應狀態，疊加井噴的吃喝玩樂需求，導致的供給相對短缺，以及供需匹配難度陡然升高，用戶的決策變量和成本也在變高。如前文所述，用戶要訂年夜飯，起碼要考慮七八個因素。

而植根在美團App內的小團，可以一攬子的精準解決上述問題。自2月12至整個春節假期，用戶在美團APP使用“問小團”，提出吃喝玩樂問題后，其便能高效搜集美團上準確及時的商戶與服務信息，并進行二次校驗，結合真實用戶評價，提供精準匹配需求且可交易的選擇。

春節是全年吃喝玩樂的最高峰，也是壓力測試場，美團小團這個時候切入，天時地利人和。

二

不口嗨卷紅包，沒幻覺拼真實

用AI規劃吃喝玩樂，看似接地氣，但做好不容易。

本地生活的供給端，具有高度的復雜性和不確定性。目前，美團平臺上的超千萬家商家，它們的經營狀態在實時變動中。

用戶對試錯的容忍度也很低。用戶對于需求的描述通常相當模糊，且吃喝玩樂的變量信息很多，AI要精準解析出真實需求絕非易事。況且，用戶向小團提問，目的是輔助消費決策。用戶可以容忍AI“胡言亂語”，但無法寬容被AI誤導引發的消費決策錯誤。

正因如此，用AI優化乃至重構本地生活體驗，門檻其實不低，我們也真刀真槍實測了一把小團。

除了年夜飯之外，我們嘗試向小團請教如何“美白祛斑”。小團直接給出了三條建議——外用淡斑精華、美白淡斑面霜、內服調理方案。同時，精準推薦了平臺商家，且給出送貨上門的時間——30分鐘到50分鐘上門。既幫用戶省去了大量查詢時間，又能直給精準的消費指引。

針對“明天去北京環球影城玩，需要門票，住宿一晚，給個方案吧”，小團除了識別出明確訴求，給出了購買門票的鏈接，還就近推薦了三家可以提供接駁服務的酒店，甚至還識別出了隱藏的就餐需求，并提醒“園區內主題餐廳很多，無需擔心就餐問題”。

經過十多次測試之后，我們發現，小團的服務有較強的普適性——外賣團購、堂食訂桌、買藥，酒旅等，基本都能輕松應對，覆蓋各個行業，且每次都能提供直接可交付的閉環方案，對于復雜模糊問題也能精準解析需求并按需推薦。

這樣的精準服務，呼應了用戶的真需求。眼下，AI幫花錢，并非大眾真實剛需——掏兜容易，但科學決策不易。

在吃喝玩樂上，用戶的真實需求是“找靠譜的店”和“找可立即交付的服務”，小團的增量價值，在于其大幅縮短從決策到消費的中間流程和環節，還能一攬子幫用戶省力、省時、省錢。

這種扎實深耕的作風，是美團在移動互聯網時代的優勢，在AI時代，美團延續了這一“干實事”的基因。

尤為值得一提的是，在十多次的測試中，小團并沒有出現大模型常見的幻覺問題。

幻覺問題，即便OpenAI也難以避免。一篇發布于《Science》的熱文指出，大模型存在先天難解的軟肋——幻覺難以根除。就像學生在考試中蒙答案一樣，急功近利的AI廠商傾向于大模型在不確定性情況下“猜測答案”，也不愿承認自己“不懂不行”。

但小團則對于“AI幻覺”則堅決說不。美團對此有著清晰認知——本地生活領域，要盡量杜絕AI幻覺。與很多AI大模型全網扒數據（質量不高）不同，美團掌握著原始的物理世界真實數據，從而構建了從“信息準”到“AI準”的正循環。

一來，基于準確的信息和精準的推薦，持續吸引用戶使用小團輔助下單，下單后又留下真實評價，評價成為AI語料，同時也是對AI服務的反饋和校正。

二來，精準的AI服務也能幫助美團實現供需兩側的擴容——吸引更多用戶使用AI獲取信息推薦，進而鼓勵商家更愿意主動維護信息，從而持續擴容美團生態內商家供給側數據、騎手履約端數據、用戶交易行為數據（什么時段有人下單、什么菜品被反復購買），最終又反哺于信息校準和算法優化。

三

本地生活AI，離不開信息重基建

在AI這條賽道上，美團不是急于求成的急行軍。其AI護城河不單單在算法的持續優化上，而是線上線下海陸空全線大作戰，尤其是真刀真槍干了很多物理世界數字化的“臟活累活”——先實現信息準，而后達成AI準。

過去十來年，美團一直在構建本地生活商家的基礎信息，包含地理位置信息（經緯度坐標）、基礎屬性（名稱、類別、營業時間、聯系方式）、空間關系（所屬商圈、交通動線）等等。這些物理世界的基礎信息，沒法抄作業，也不能靠外援。

收集完基礎信息，并非一勞永逸。本地生活商家的更新率很高，中國烹飪協會數據顯示，?2025年全國餐飲門店關店率高達48.9%?，常態化的動態數據維護也是必要工作，營業狀態變更（歇業/新開業）、服務能力/環境/設備更新（桌位數、是否有包廂等）等。

為了保證基礎信息和動態信息的準確，美團構建了內外協同的“多重情報網”：地推團隊實地采集 + 騎手交付點反饋 + 用戶核銷行為反推+平臺信息校準。

騎手的交付點信息可以幫助平臺將坐標做得更準；而在營業時間方面，平臺還會根據商家在美團上的核銷情況，挖掘門店休息/閉店線索，例如各類餐廳主題、是否寵物友好、停車場信息、預定信息、包廂信息、環境風格、吸煙政策、有無插座等等；美團、大眾點評還充分利用了外賣，以及到店驗券等美團生態內情報，進行多方核驗校準；此外，美團投入大量資金及成本進行信息核驗，配備專門的工程研發、質量產品、運營等工作團隊，利用自研AI大模型，節假日AI外呼采集技術，提升基礎信息準確率。

正因如此，小團的AI服務能力，競品難以復制——美團的護城河不僅僅是“算法更聰明”，是還在于“物理世界的信息顆粒度更細”。

橫向對比來看，通用大模型廠商沒有地面部隊，無法掌握原始真實信息：流量平臺雖然手握用戶行為數據，但缺乏交易履約數據，數據鏈不完整，準確度不高。述兩類玩家，哪怕寫得了代碼、剪得了視頻，但都無法在本地生活AI領域如魚得水。

此外，美團構建了豐富扎實的服務生態，可以打造AI服務本地生活的內循環。

與之對比的是谷歌、OpenAI等平臺玩家，只能聯手外部消費平臺，構建“松散聯盟”，但這種跨商業主體的利益妥協，很難做到充分的互信與協同，以及無縫的流程體驗。OpenAI就曾因此折戟。去年年初，OpenAI 曾邀請“美版餓了么”DoorDash合作，但DoorDash卻分外糾結，擔心去中介化模式下，“對公司業務絕非好事，我們的業務模式會受到沖擊。”

而美團基于其服務生態，打造的吃喝玩樂AI服務，可以實現系統級的無縫協作耦合，規避了跨平臺摩擦，在效率上、體驗上優勢更凸顯。

前沿技術的演進，常常讓人仰望星空，但真正讓大眾受益的，往往是那些接地氣普惠化的剛需應用。技術的真正價值不是炫目的參數，不是撒紅包拉新客的工具，而是真正融入人間煙火，為用戶提供更好的服務體驗。用AI規劃吃喝玩樂，不僅僅會成為過年新民俗，還將普及大眾喜聞樂見的日常。