在很多零售人的认知里，ERP大概就是个“数字保险柜”——每天负责把进销存、流水账原原本本地锁进去。

但这几年，大家心里其实都有一个困惑：数据攒了一堆，报表打了一摞，真遇到毛利下滑、客流断崖的时候，还是得靠经验去猜，靠人力去扛。沉睡的数据不是资产，是沉没成本。

过去零售数字化的终点是“记录下来”，而今天，行业竞争早已从“有没有数据”卷到了“数据能不能用、能不能立刻落地成业绩”。当AI智能体深度嵌入零售ERP底座，一场从“被动记录”到“主动预判、智能调度、精准经营”的底层逻辑重构，正在商超行业悄悄发生。

不是多一个功能，而是多一套经营方式

很多企业谈AI，谈着谈着就停在了“能问答”“能生成”“能分析”这些表层能力上。但零售真正需要的，从来不是一个只会回答问题的模型，而是一套能嵌入业务、跟得上节奏、接得住动作的经营系统。

昂捷搭建了五层分层架构，实现AI智能体与ERP原生共生，自下而上逐层支撑全链路智能化运营：

底层：大模型底座

作为整套体系的智慧根基，统一封装兼容国内外主流大模型，整合多模型差异化能力，为上层应用提供稳定、可灵活调配的底层AI算力支撑。

第二层：大模型适配平台

承担大模型统一管控职能，针对性解决行业落地共性难题：多模型接入流程繁琐、Token调用成本不可控、企业核心经营数据安全风险、通用大模型不理解零售细分场景等，保障AI能力安全、低成本、稳定调用。

第三层：智能体管理平台

整套架构的运行底座，是AI具备业务操作能力的关键。依托MCP核心网关打通ERP全功能接口，配套工具协同、长短记忆区分、复杂任务自主拆解、异常自动告警重试、用户反馈迭代学习六大核心能力，实现多智能体协同作业、持续优化业务逻辑。

第四层：业务能力层

将ERP、外围设备、异构系统的全部业务能力，封装为标准化可调用Skill技能。基于零售高频业务场景，搭建财务服务、经营分析预测、招商、商户服务、物业运维专属智能体，无需人工操作系统，即可完成全流程标准化业务处理。

第五层：交互与知识支撑层

打通员工使用AI的最后一公里，支持ERP、企业微信、钉钉、飞书、管易通等全渠道多模态交互，文字、语音均可发起指令；配套企业知识管理平台，沉淀行业规范、企业制度、商品资料，保证AI输出贴合企业自有经营规则，专业且标准。

这意味着，AI不是停留在“建议层”，而是开始向“执行层”靠近：系统可接收自然语言问询，校验业务逻辑后联动ERP生成单据、调整策略，真正实现既能解读数据，也能落地处理经营任务。

全场景渗透，读懂AI到底改变了什么

架构的价值最终要落地到业务场景中。从门店一线到管理决策，从供应链采购到营销促销，AI正在重构零售经营的每一个工作环节。

场景一：店长想知道“为什么销售下滑？”

门店销售一旦出现波动，店长最怕的不是下滑本身，而是不知道下滑从哪儿开始。过去，常常要等报表、催数据、开短会，最后大家围着几个数字反复讨论，结论却不一定清楚。

现在，店长在对话框直接问一句“今天销售为什么下滑？”，AI会瞬间给出归因：是因为生鲜采购成本涨了，还是临期损耗超标了？它不光给你答案，还会直接问你：“是否需要自动调用临期打折功能来清仓？”——从发现问题到解决问题，中间隔着的不是报表，而是一个确认指令。

场景二：采购经理“怎么开展选品和补货业务？

采购最难的地方，从来不是“买什么”这么简单，而是如何判断买得对不对、补得准不准。过去，采购经理常常依赖经验、销量表和人工调研来做判断，竞品卖什么、卖得怎么样、价格怎么变，往往要花不少时间去收集、整理、比对。

当AI接入市场调研能力后，情况就不一样了。

它可以抓取线上商城、本地生活平台、竞品门店图片等信息，完成竞品价格、促销、陈列和品类结构分析。采购经理不必再手工整理大量零散信息，就能直接看到同类商品的价格带、动销情况和竞争态势。

当系统识别到某些商品存在“有销售、无库存”或库存周转偏慢的情况时，还能进一步联动采购与库存模块，自动生成补货建议或补货单，让选品、订货、补货形成经营链路。

场景三：区域运营“怎么开展巡店诊断？”

巡店这件事，看似是看现场，实际上看的是经营差异。过去，督导巡店更多停留在陈列、卫生、执行这些表层动作上，但原因不一定找得准，更难做到快速下发整改动作。

现在，区域运营人员可以直接通过AI问数，把巡店从“看表面”变成“看结构”。

比如，输入“东区这10家门店本月坪效、人效排名如何？表现最差的两家差在哪里？”系统会基于门店销售、客流、客单价、损耗率、促销转化率等数据进行横向对比，并输出主要差异点。

如果巡店中发现某类问题，比如某门店生鲜损耗偏高，系统还可以进一步联动促销或清货策略，辅助门店快速调整经营动作。

场景四：经营管理者“怎么开展月度经营分析？”

管理层最常面对的，是“结果已经出来了，但原因还不够清楚”。月度经营会上，营收、毛利、费用、净利润、线上线下占比这些指标往往都能看到，可真正决定策略调整的，是这些数据背后的变化逻辑。

AI智能问数将耗时最多的讨论分析环节压缩，经营管理者只需要用自然语言提出问题，比如：“上月全渠道营收、毛利、费用和净利润结构怎么样？线上线下占比如何？”系统不仅返回数据，还能进一步做多维归因，把波动拆解到品类、门店、价格、促销、成本、客流等维度，帮助管理者看到问题背后的结构性因素。

这时候，管理层看到的就不只是“数字变化”，而是“变化是怎么发生的”。而一旦问题已经足够明确，系统还可以继续联动ERP，把结论转成后续执行动作，避免分析停留在会议纪要里。

场景五：促销负责人“怎么开展活动策划和商品清仓？”

促销是零售里最考验经验、也最容易失手的一环。活动做轻了，拉不动客流；做重了，毛利又容易被压得太厉害。更现实一点说，很多促销方案并不是“做不好”，而是做得太晚、太凭感觉。

AI智能体的意义，在于把促销从经验判断，推进到趋势预判。

它可以结合历史促销记录、销量、毛利、客单价、会员画像、天气、节假日、周边活动等因素，对促销趋势进行预测。帮助判断哪些商品适合作为引流品，哪些更适合作为利润品，哪些则适合清仓处理。

当判断某类商品在活动期存在库存不足风险时，系统可及时生成补货申请，让活动执行不至于出现“方案不错，货却跟不上”的情况。对于库存积压、临期处理等问题，AI也能结合商品周转和销售趋势给出更有针对性的建议。促销因此不再只是“冲一波”，而是更接近一次有准备、有节奏的经营动作。

三层闭环：让每个指令都有回应

很多AI项目最后没跑起来，问题往往不在模型，而在链路断了。要么只能看，不能做；要么能分析，不能执行；要么能接入，却无法沉淀。

我们一直强调的三层闭环架构，本质上就是为了解决这个问题：

第一层是数据洞察层：让门店、采购、运营、管理层都能用自然语言随时取数，不再依赖固定报表和IT支持。

第二层是决策分析层：基于AI多维归因能力，对毛利波动、销量变化、库存异常等问题进行自动拆解，识别影响因素和权重，输出更接近经营实情的分析结果。这一步很关键，因为它解决的不是“有没有数据”，而是“数据为什么会这样”。

第三层是业务执行层：将分析结果联动到系统的补货、调拨、促销、排班、清货等模块，让“看见问题”之后，能尽快进入“处理问题”。

再往前一步，就是数据治理。因为AI的能力上限，确实取决于数据质量。只有把数据口径统一、把基础数据理顺、把缺失项补齐，AI智能体才有可能真正稳定地服务业务。也正因为如此，昂捷的落地路径并不是一上来就追求“大而全”，是从数据治理、全员问数、归因分析、业务联动，到最后形成企业专属的经营方法论，逐步推进。

零售行业真正需要的，不是一个只会回答问题的AI，而是一个能接得住业务、跑得进流程、落得下动作的AI智能体。它正在进入每一家门店、每一次收银、每一张订单、每一次会员触达、每一次补货决策和每一次经营分析中。

昂捷所做的，是把AI智能体真正嵌入零售ERP的业务底座里，让数据不只是被记录，更能被理解、被调度、被执行。

而这，可能正是零售智能化真正开始的地方。