Drive-Thru Order Firewall
In unserem synthetischen Drive-thru-Beispiel treffen 18,000 kostenlose Wasserbecher mit einem Vendor-Konfidenzwert von 0.97 ein. Die Mengenobergrenze liegt bei acht. Das Gate hält die Bestellung vor der simulierten Küchenübermittlung an.
7 min 39 sec exemplarischer Durchlauf. Synthetisches Vendor-JSON und simulierter Point of Sale (POS); zwischengespeicherte echte Codex-Beratungsantworten.
18,000
Wasserbecher angehalten
Eine synthetische Bestellung
8
Konfigurierte Wassermengen-Obergrenze
Gespeichertes synthetisches Bestellprofil
0.97
Eingegebener Vendor-Konfidenzwert
Ein Score, keine kalibrierte Wahrscheinlichkeit
Wir trennen die Interpretation einer Bestellung von der Befugnis zu ihrer Übermittlung. Building True Intelligence.
Ein Konfidenzwert beschreibt die Interpretation des Anbieters. Er beantwortet nicht, ob das Restaurant diese Menge gestattet. Im Wasser-Szenario liegt der Menü-Gesamtbetrag bei $0.00, sodass eine reine Preisprüfung keinen Grund zum Einwand hat. Die Mengenprüfung hingegen schon: 18,000 überschreitet die gespeicherte Obergrenze von acht.
Diese Unterscheidung gibt einem Betriebsteam eine nützliche Prüffrage an die Hand: Welche Restaurantregel erteilt die Übermittlungsbefugnis, und wo kann ein Operator den Grund einsehen, warum sie verweigert wurde? Die Demo bewahrt die eingehende Bestellung und zeigt die entscheidungsrelevanten Belege, anstatt eine zuversichtlich wirkende Interpretation als Autorisierung zu behandeln.
Die lokale Engine normalisiert strukturiertes Vendor-JSON, wertet acht deterministische Prüfungen aus und wendet ein Richtlinien-Gate an. Die Prüfungen decken Artikelmenge, beobachtete Modifikatoren, Preis, Tageszeit, Gesamteinheiten in einer Bestellung, wiederholte Token, niedrige Vendor-Konfidenz und konfigurierte Injektionsmuster ab. Das gespeicherte historische Profil stammt aus 5,000 initialisierten synthetischen Bestellungen; es ist keine Betriebshistorie einer Restaurantkette.
Keine Regel schlägt an. Die Engine gestattet die Übermittlung an die simulierte Anzeige.
Eine Nicht-Injektions-Regel schlägt an. Die Übermittlung bleibt zur Bestätigung zurückgehalten.
Die konfigurierte Injektionsregel schlägt an. Die Engine verweigert die simulierte Übermittlung.
Die Wasserbestellung löst sowohl die Artikelmengen-Obergrenze als auch die Gesamteinheitenprüfung aus. Letztere hat eine Grenze von 44 Einheiten für eine einzelne Bestellung. Ihre UI-Bezeichnung lautet Rate limit, aber sie misst weder Bestellungen über Sitzungen hinweg noch über ein Zeitfenster.
Bei markierten Bestellungen folgt der Beratungshinweis dem Gate und kann dessen Entscheidung nicht ändern. Diese Aufzeichnung gibt zwischengespeicherte Antworten des echten konfigurierten Codex-Modells wieder. PASS-Bestellungen überspringen die Modellbeurteilung. Der angezeigte Timer umfasst ausschließlich Regeln und Gate; die Modellarbeit erfolgt synchron innerhalb der vollständigen Verarbeitungsanfrage, und der Timer schließt diese Arbeit sowie die Bereitstellung aus.
Diese erhaltenen Einzelbilder stammen aus der tatsächlichen lokalen Demonstration. Bestellungen, Fahrspurbilder und die Küchenanzeige sind synthetisch oder simuliert; Vendor- und Menü-Markenbezeichnungen dienen lediglich der Gestaltung des Szenarios und sind keine Belege für Integrationen, Kunden oder Empfehlungen.
Das Drawer-Element legt die eingehenden 18,000 Becher, die Obergrenze von acht und die Einheitenbegrenzung für Einzelbestellungen offen. Die vorgeschlagene Menge beträgt acht. Dieser Vorschlag geht aus den Regelbelegen hervor und bleibt von der HOLD-Entscheidung getrennt.

Zwei Portionen Pommes frites und ein Burger bestehen die Validierung im normalen Szenario. Sowohl für PASS als auch für Ausnahmen wird ein Beleg aufbewahrt, sodass die Überprüfungsoberfläche nicht von einer modellgenerierten Erklärung abhängt.

Wiederholte Roh-Token führen in der synthetischen Interpretation zu drei Burgern. Wiederholung und eine Vendor-Konfidenz von 0.71 unterhalb des konfigurierten Schwellenwerts von 0.85 führen zu HOLD mit dem Vorschlag von einem Burger. Eine Bestätigung bleibt erforderlich: Die Engine hat nicht festgestellt, was der Kunde beabsichtigte.

Die synthetische Bestellung verlangt Speck auf einer Eiswaffel. Der gespeicherte Satz beobachteter Modifikatoren enthält Schokoladenglasur und Streusel, aber keinen Speck. Die Kombinationsprüfung führt daher zu HOLD und schlägt vor, den Modifikator zu entfernen. Das ist ein Anlass zur Bestätigungsabfrage, kein Beleg dafür, dass die Kombination physisch unmöglich ist oder der Kunde bösartig handelt.

Diese Unterscheidung beeinflusst das Design der Überprüfung. Eine Produktionsrichtlinie würde eine maßgebliche Speisekarte und eine Möglichkeit für den Operator erfordern, eine legitime Ausnahme zu bestätigen. Das demonstrierte Profil stammt aus 5,000 initialisierten synthetischen Bestellungen, nicht aus der Betriebshistorie einer Restaurantkette.
Das 260-Nuggets-Szenario überschreitet seine Mengenobergrenze von 20 pro Artikel. Seine Menüsumme von $117 überschreitet zudem die konfigurierte Preisgrenze von $116.76, und seine 260 Einheiten überschreiten die Einzelbestellungsgrenze von 44. Drei Prüfungen stimmen darin überein, dass die Bestellung warten sollte; keine dieser gewöhnlichen Richtlinienausnahmen allein führt zu BLOCK.

Die Preisregel verwendet den höheren Wert aus dem Dreifachen des gespeicherten historischen Gesamtwert-Statistikwerts und $100: max(3 × $38.92, $100) = $116.76. Die Gesamteinheiten-Regel verwendet max(2 × 22, 40) = 44. Die kleineren historischen Statistiken, die im Drawer angezeigt werden, sind Eingaben in diese Formeln, nicht die endgültigen Auslösegrenzen. Beide Grenzen sind konfigurierte Demo-Richtlinien, keine kalibrierten Grenzwerte für ein aktives Restaurant.
Ein um 11:15 Uhr bestellter Frühstücks-Burrito wird angehalten, da dieses Szenario eine Frühstücks-Ausschlusszeit um 10:30 Uhr hat. Der Artikel und der Preis können verstanden werden, während die Anfrage außerhalb des konfigurierten Servicefensters liegt. Der Entfernungsvorschlag legt diesen Konflikt offen; er bestätigt nicht, welchen Ersatz der Kunde akzeptieren würde.

Dieses Beispiel gleicht ein konfiguriertes Frühstücksfenster mit der eingehenden Szenario-Uhrzeit ab. Es begründet weder einen Live-Warenbestand noch filialspezifische Zeitpläne, Zeitzonenverarbeitung oder einen integrierten Speisekarten-Dienst. Diese erfordern ein gesondertes Design und eine Validierung, bevor sich ein realer Übermittlungspfad auf sie stützt.
Ein scharfes Hähnchen-Sandwich hat einen Vendor-Konfidenzwert von 0.62, der unter dem konfigurierten Schwellenwert von 0.85 liegt. Seine gewöhnliche Menge beseitigt die Unsicherheit nicht, sodass die Engine HOLD zurückgibt. Im Unterschied zum Beispiel mit wiederholten Token isoliert dieser Fall eine niedrige Konfidenz, ohne eine Mengenkorrektur zu verlangen.

Die angemessene nächste Frage ist, ob der interpretierte Artikel der Anfrage entspricht. Die Demonstration leitet diese Unsicherheit zur Überprüfung weiter; sie diagnostiziert keine Sprache, bewertet keine Tonaufnahme und beweist nicht, dass dieser Schwellenwert akzeptable Fehlerraten in der Produktion liefert.
Das anweisungsbehaftete Transkript fordert dazu auf, vorherige Anweisungen zu ignorieren, und enthält 500 Nuggets. Das Injektionsmuster schlägt an und führt zu BLOCK. Menge, Preis, Einheitenvolumen und niedrige Konfidenz schlagen ebenfalls an, aber nur die Injektionsregel ändert dieses Ergebnis von HOLD zu BLOCK. Ein begrenztes Musterset kann keine lückenlose Injektionsresistenz nachweisen.

Der Beleg bewahrt die Bestellung, alle acht Regelauswertungen, die Entscheidung, vorgeschlagene Korrekturen und den Hinweistext. Der unveränderte Wasser-Beleg verifiziert sich über den echten lokalen Endpunkt; eine Änderung von HOLD zu PASS unter Beibehaltung der Originalsignatur schlägt fehl.


HMAC-SHA256 verwendet dasselbe gemeinsame Geheimnis zum Signieren und Verifizieren. Der Standardschlüssel ist öffentliches Demo-Material, sodass jeder, der ihn kennt, einen geänderten Textkörper neu signieren kann. Dies demonstriert eine abgegrenzte lokale Integritätsprüfung, keine unabhängige Verwahrung, keinen unveränderlichen Speicher und keine Aufzeichnung einer vollendeten menschlichen Handlung.
Das Hochvolumen-Szenario enthält 40 Pommes frites und 40 Limonaden, was 80 Gesamteinheiten oberhalb der 44-Einheiten-Grenze ergibt. Der Korrekturalgorithmus ändert den einzelnen Artikel mit der relativ gravierendsten Mengenüberschreitung: Pommes frites fallen auf ihre Obergrenze von vier, aber Limonaden verbleiben bei 40. Die Limonadenmenge überschreitet weiterhin ihre eigene Obergrenze von sechs. Eine optisch kleinere Bestellung ist daher kein Beleg dafür, dass die gesamte vorgeschlagene Bestellung bestehen würde.

| Bestellstatus | Pommes frites | Limonaden | Befugnis |
|---|---|---|---|
| Eingehende Bestellung | 40 | 40 | HOLD; simulierte Übermittlung zurückgehalten |
| Vorgeschlagene Bearbeitung | 4 | 40 | Weder erneut übermittelt noch revalidiert |
| Obergrenzen pro Artikel | 4 | 6 | Gespeicherte Grenzen des synthetischen Profils |
Approve Correction und Escalate ändern ihre Bezeichnungen und deaktivieren sich selbst. Sie protokollieren keine menschliche Handlung, übermitteln nicht erneut, revalidieren nicht, heben kein HOLD auf, ändern den Beleg nicht und senden keine Bestellung an ein reales Kassensystem. Eine Übergabe in der Produktion würde eine bestätigte Kundenabsicht, eine neue Validierungsentscheidung für die gesamte überarbeitete Bestellung und eine protokollierte Aktion erfordern, bevor eine Übermittlungsbefugnis erteilt wird.
Auf dem gespeicherten, gelabelten Satz von 43 synthetischen Bestellungen liefert die Engine 35 PASS, 7 HOLD und 1 BLOCK. Alle acht zur Überprüfung oder Blockierung gelabelten Szenarien werden abgefangen; keines der 35 normalen Szenarien wird fälschlicherweise angehalten. Der nachfolgende Vergleich nutzt zwei einfache lokale Code-Baselines für dieselben Szenarien.

Lesen Sie die Zähler mit ihrem Geltungsbereich. Die angezeigten $1,251 sind eine gerundete illustrative Artikelkosten-Schätzung von $1,250.80 über vier ausgewählte zurückgehaltene Szenarien, keine gemessene Abfallreduktion oder realisierte Einsparung. Der aufgezeichnete Timer umfasst nur Regeln plus Gate, ohne Modellarbeit, Belegsignierung, Netzwerk und Bereitstellung; er ist keine End-to-End-Latenz. Der Modellaufruf erfolgt synchron innerhalb der vollständigen Anfrage, obwohl seine Hinweise das Gate nicht ändern können.
Auf kleinen Bildschirmen scrollen Sie die Vergleichstabelle horizontal.
| Lokaler Entscheidungsansatz | Abgefangene Überprüfungs-/Blockierungsszenarien | Was geprüft wird |
|---|---|---|
| Drive-Thru Order Firewall | 8 von 8 | Acht Prüfungen plus das PASS/HOLD/BLOCK-Gate |
| Baseline für Mengen über 100 | 3 von 8 | Hält an, wenn eine einzelne Rohzeilenmenge 100 überschreitet |
| Immer-PASS-Baseline | 0 von 8 | Gestattet jedes Szenario |
Dieses Ergebnis begründet getestetes Verhalten auf einem begrenzten gelabelten Datenstrom. Es schätzt weder die Feldgenauigkeit, produktive Fehl-Holds noch die Leistung eines anderen Anbieters ein. Der Bericht wird vom lokalen Evaluierungsendpunkt zurückgegeben; es gibt keine sichtbare Benchmark-Anzeigetafel oder einen AUS-Schalter im Dashboard.
Sie erkennt kein Audio, liest keinen echten Anbieter-Feed ein, verbindet sich mit keinem realen POS und führt keine menschliche Überprüfung durch. Schwellenwerte wurden nicht für ein aktives Restaurant validiert. Es wird kein Kundeneinsatz, keine gemessene Einsparung und kein produktives Service-Level-Ergebnis demonstriert.
Der Abfallzähler auf dem Bildschirm summiert illustrative synthetische Artikelkosten für ausgewählte zurückgehaltene Bestellungen, keine realisierten Einsparungen. Der Timer misst nur Regeln und Gate. Wir empfehlen, repräsentative lokale Speisekarten und Bestellströme zu testen, die Operator-Übergabe zu bestätigen und die POS-Übermittlungsgrenze zu validieren, bevor sich ein Produktionsdesign auf diesen Ansatz verlässt.
Drive-Thru Order Firewall demonstriert eine Validierungsschicht für die strukturierte Bestellungs-Ausgabe eines Anbieters. Sie verarbeitet synthetisches JSON vor einem simulierten Point of Sale und einer Küchenanzeige; sie erfasst kein Audio, erkennt keine Sprache und stellt keine Verbindung zu einem echten Anbieter her.
Jede ausgelöste Regel außer der Injektionsregel führt zu HOLD und hält die simulierte Übermittlung zurück. Menge, Preis, Verfügbarkeit, unbekannte Modifikatoren, wiederholte Token, niedrige Konfidenz und Gesamteinheiten können eine Überprüfung auslösen; die Gesamteinheitenprüfung misst eine einzelne Bestellung, keinen Datenverkehr über die Zeit.
Das Beratungsmodell kann die Entscheidung des deterministischen Gates in diesem Engine-Pfad nicht ändern. Die Aufzeichnung verwendet zwischengespeicherte echte Codex-Beratungsantworten nach dem Gate; sie führt nicht bei jeder Wiedergabe eine neue Inferenz durch.
Approve Correction und Escalate ändern in dieser Demo lediglich ihre Schaltflächenbeschriftungen und deaktivieren sich selbst. Sie heben kein HOLD auf, übermitteln eine Bestellung nicht erneut, protokollieren keine menschliche Handlung und schreiben in kein reales Point-of-Sale-System.
Die lokale HMAC-SHA256-Verifizierung prüft, ob ein Belegtextkörper zu seiner Signatur unter demselben gemeinsamen Geheimnis passt. Das Ändern der Entscheidung ohne erneutes Signieren lässt die Verifizierung fehlschlagen; der öffentliche Demo-Schlüssel erlaubt jedem, der ihn kennt, das erneute Signieren, sodass dies keine unabhängige Verwahrung oder unveränderliche Speicherung darstellt.
Die Evaluierung verwendet 43 feste synthetische Bestellungen: 35 PASS, 7 HOLD und 1 BLOCK. Alle acht gelabelten Überprüfungs- oder Blockierungsszenarien werden abgefangen, ohne fehlerhafte Holds unter den 35 normalen Szenarien; die einfachen Baselines sind lokale Code-Vergleiche, keine Messungen von Anbietern oder Restaurants.
Besprechen Sie die Regeln und den Überprüfungspfad, den Ihr Betrieb benötigt.
Wir unterstützen Sie dabei zu bewerten, wo die Interpretation des Anbieters zur Transaktionsbefugnis wird, und einen Validierungsansatz für Ihre Speisekarte und Ihren Point-of-Sale-Workflow zu entwerfen.
Erkunden Sie verwandte Forschungsarbeiten für einen breiteren Kontext zu dieser Demonstration.
Komplettlösung
QSR Drive-Thru Voice AI Engineering-Lösung erkunden →