据 TechCrunch 于 2026 年 10 月 20 日发布的报道，Yelp 正在其应用中加入多项 AI 功能，包括代用户致电餐厅查询等位时间，以及结合用户偏好提供个性化推荐。此次更新的重点不只是生成回答，而是让 AI 进一步参与本地消费决策：一方面向商家获取即时信息，另一方面记住用户的偏好，为后续推荐提供依据。
从推荐餐厅走向替用户获取信息
餐厅推荐与查询等位时间，解决的是两类不同问题。前者帮助用户缩小选择范围，后者则关系到当下是否值得前往。来源显示，Yelp 新增的 AI 能力可以代用户打电话询问餐厅等位情况，这意味着应用正在从信息展示入口，向能够执行具体任务的助手延伸。
代打电话的价值，在于补充消费决策所需的即时信息。对准备出门的用户来说，餐厅是否符合口味与现场需要等多久，同样可能影响最终选择。不过，现有来源没有说明电话功能的覆盖区域、开放范围、收费方式或具体使用限制，不能据此认定所有用户和餐厅均已获得支持。
另一个方向是带有偏好记忆的个性化推荐。相比每次重新输入要求，能够记住偏好的推荐体验有望减少重复沟通。需要注意的是，来源只确认了这一功能方向，并未披露偏好的具体记录方式、保存周期或用户管理机制。
开发者解读：模型调用之外，任务链路成为重点
对 AI 应用开发者与 API 使用者而言，Yelp 的更新展示了一种产品路径：将推荐、记忆与外部行动放入同一使用场景。用户需要的并非单独一段模型输出，而是更接近完成任务的结果。这也提醒开发团队，应用效果不能只以回答是否流畅衡量，还要考虑信息获取是否及时、任务状态是否清晰，以及失败后如何恢复。
- 推荐环节：需要把当前需求与已有偏好结合，同时避免历史偏好过度限制新选择。
- 行动环节：涉及外部联系时，应明确用户授权范围，并清楚展示执行状态与结果。
- 异常处理：如果未能取得有效信息，应说明结果边界，而不是把推测当作商家确认。
- 成本评估：除模型请求外，还应评估外部服务、任务编排和状态维护带来的整体开销。
上述要点是对同类应用开发的分析，并非 Yelp 已公开的技术实现。现有摘要没有披露其使用的模型供应商、API 架构、调用量或单位成本，因此不宜将此次更新直接归因于某一家模型，或推导出具体的价格优势。
对 API 接入与中转服务意味着什么
从模型 API 接入角度看，此类应用提示开发者：选型不能只比较文本生成价格，还应结合业务链路评估响应速度、稳定性、上下文管理与工具协作能力。若通过 API 中转服务接入模型，也应核对所需接口能力是否完整支持，以及超时、重试和错误反馈能否满足任务型应用的要求。
Yelp 此次更新的信号，是 AI 正从“提供建议”进一步走向“代为行动”。但产品功能上线不等于相关能力已作为公共 API 开放。对希望复用类似能力的团队，仍需分别确认模型服务、电话服务与偏好存储方案的接入条件，再衡量端到端体验和实际成本。