滔搏体育把 AI 智能体从单个场景的试点,推进到了企业级多智能体协同运营阶段。依托阿里云 AgentCore 作为企业级智能体运营底座,滔搏搭建了覆盖经营、商品、陪练、会员、营销等专业 Agent 的零售智能体体系,由 Team Leader 统一分解任务、调度能力并汇总结果。目前这套体系已经在一线练货、小程序线索挖掘、门店经营规划三类真实业务场景跑通:单次门店经营分析从约 2 小时缩短到约 20 分钟,顾客唤醒率从 8.0% 提升到 12.0%,单月练货涉及商品超过 5700 件、练货次数超过 39 万次。规模化的核心不是把 Agent 数量做上去,而是把知识、工具、Skill 和 Agent 沉淀为可复用、可治理、可评估、可迭代的企业资产,让下一家门店、下一个岗位都能直接调用经过验证的解法。在这个过程中,业务部门承担场景负责人和验收职责,IT 团队保障平台、集成、权限和稳定性,AI 团队负责 Agent 工程、公共能力和测评优化,三方围绕共同的业务结果持续运营。
一、业务背景:为什么需要多个企业级 Agent
| 项目 | 公开规模 |
|---|---|
| 实体门店 | 4360 家 |
| 小程序店铺 | 超 3700 家 |
| 合作运动品牌 | 20 多个 |
| 累计用户 | 超 9000 万 |
- 经验无法靠人复制到每家店:单店经营问题可以找资深员工商量,但几千家门店不可能由最有经验的人逐一覆盖,需要把经过验证的专业经验变成可调用的智能能力。
- 不同岗位需求不同:一线员工关心商品怎么介绍、还需要补哪些培训;店长关心问题出在哪、接下来怎么调整、哪些顾客需要维护;目标相关,但所需知识、数据和权限各不相同,需要不同能力的 Agent 分别承接。
- 单点 Agent 不等于协同体系:单个 Agent 能工作,不代表多个 Agent 合在一起能把复杂任务做好,必须解决建设、治理和运营层面的共性问题。
二、规模化运营的六大难点
| 难点 | 具体表现 |
|---|---|
| 重复建设 | 知识、数据、工具和 Skill 分散,每个项目重新接入,有效能力难以复制 |
| 协作困难 | 经营、会员、营销各自为战,复杂任务缺少统一调度和衔接 |
| 权限治理 | 跨组织、角色与业务域接入,数据访问和执行边界必须受控 |
| 效果衡量 | 演示可用不等于生产可用,质量、成本与业务价值需要验证 |
| 问题定位 | 模型、检索、工具或版本出错时,缺少完整链路,难以追溯原因 |
| 协同运营 | 业务规则与技术能力分离,Owner、验收标准和迭代责任不清 |
三、底座架构:AgentCore 支撑全生命周期治理
1. 底座三大能力板块
| 板块 | 能力内容 |
|---|---|
| 构建与运行 | 模型连接、MCP 工具、Skill 和 Agent 统一资产管理 |
| 协作与治理 | 通过 Workspace、团队、角色、凭证管理明确资源边界,多专业 Agent 围绕任务协作 |
| 观测与评估 | 用量与 Token 消耗观测,结合 AgentLoop 做链路分析、评估和持续优化 |
2. 滔搏零售 Agent 体系分层(自下而上)
| 层级 | 组成 |
|---|---|
| 资源层 | 知识、业务数据、MCP 工具、API 工具 |
| Skill 层 | 商品查询、库存查询、会员分群、异常归因等可复用技能 |
| 专业 Agent 层 | 经营 Agent、商品 Agent、陪练 Agent、会员 Agent、营销 Agent、DataAgent |
| 调度层 | Team Leader 分解任务、调度能力,AI 助手汇总结果 |
| 贯穿层 | 身份权限、运行观测、评估反馈全程覆盖 |
用户通过滔搏 AI 助手提出需求,不需要先判断该找哪个 Agent;专业能力也不必每次重新开发。数据复用以岗位授权为前提,店长只能访问本店授权范围内的数据。
四、三类落地场景与实测成效
场景 1:一线练货
| 环节 | 分工 |
|---|---|
| 发现问题 | 经营 Agent 识别商品销售表现偏差 |
| 确认需求 | 结合现场反馈,确认是否真实存在训练需求,不把卖得不好直接等同于员工学得不好 |
| 准备内容 | 商品 Agent 提供商品资料、卖点和搭配内容 |
| 组织练习 | 陪练 Agent 开展针对性练货互动 |
| 闭环跟进 | 评分与建议回到 AI 助手,安排补练并持续观察后续表现 |
规模数据:单月练货涉及商品超过 5700 件,练货次数超过 39 万次;另据 QCon 议题披露,单月参与练货的员工超过 1.7 万人。
场景 2:小程序线索挖掘
| 环节 | 分工 |
|---|---|
| 筛选顾客 | 经营 Agent 与会员 Agent 识别需要优先维护的顾客 |
| 匹配商品 | 商品 Agent 匹配顾客偏好与可售商品 |
| 准备沟通 | 营销 Agent 生成沟通建议 |
| 任务交付 | AI 助手汇总为店长当天可执行的任务,店长确认后亲自跟进 |
| 反馈回流 | 回访和成交记录反馈到下一轮顾客维护 |
成效数据:顾客唤醒率从 8.0% 提升到 12.0%;触达后成交率从 2.0% 提升到 2.8%。店长不再需要独自完成大量分析和准备工作,交付物是准备充分的行动,而不是一份需要二次加工的报告。
场景 3:门店经营探索
- 店长提出目标和约束(如 "不加人、不额外打折,这个周末怎么安排"),而不是一条预设指令。
- AI 助手调用相关能力,整合经营表现、商品库存和会员情况,整理出商品主推、陈列调整、顾客维护等建议。
- 店长可以继续追问、修改,最终确认执行;所有数据按本店岗位授权访问。
- 成效:单次经营分析从约 2 小时缩短到约 20 分钟,减少跨系统取数和整理时间,把更多时间留给经营判断。
五、从单点到可复制:落地四步法
| 步骤 | 要点 |
|---|---|
| 1. 选择场景 | 优先找高频、刚需、可衡量的问题,明确原流程耗时和验收标准 |
| 2. 沉淀资产 | 把知识、工具、Skill、Agent 和测评数据沉淀下来,保证下一次有东西可用 |
| 3. 共同运营 | 上线后由业务、IT 和 AI 团队共同运营,持续跟踪使用情况与业务价值 |
| 4. 持续进化 | 有效能力继续优化和复制,长期低价值场景及时调整或退出 |
每个场景结束后复盘两个问题:这次解决了什么?下一次可以复用什么?
SOP 型 Skill:把验证过的解法沉淀下来
- 定义:同一类经营问题反复出现、且经过业务验证后,不再让 Agent 每次重新 "灵机一动",而是固化为 SOP 型 Skill。
- 内容要素:适用条件与触发条件、输入处理、调用工具、输出标准、正常流程、异常处理方式、人工确认时机。
- 治理要求:Skill 需要版本化、明确负责人和测评标准;稳定的 Skill 进一步组合成专业 Agent。
- 本质:留下来的不是一份文档,而是一套能被调用、被验证、随反馈更新的解法。
六、组织分工与持续衡量机制
1. 三方共同运营企业智能能力
| 角色 | 主要责任 | 可交付的运营资产 |
|---|---|---|
| 业务部门 | 定义问题与判断规则,担任场景负责人,定义验收标准 | 业务验收标准、场景 Owner、使用反馈 |
| IT 团队 | 建设平台与系统集成,保障身份权限和运行稳定性 | 数据接入与权限、安全规范、运行保障 |
| AI 团队 | Agent 工程、公共能力、测评与版本优化 | Prompt/Skill/Agent 设计、测评标准、版本与版本管理 |
上线后围绕共同业务结果,集体决定继续优化还是退出,避免 "Agent 上线了、责任下线了"。
2. 持续衡量的四个维度
| 衡量维度 | 关注指标 |
|---|---|
| 使用与采纳 | 人数、频次、采纳率、人工率 |
| 质量与可靠性 | 完成率、正确率、异常情况、人工兜底情况 |
| 效率与成本 | 单次任务耗时、节约时间、单次成本 |
| 业务结果 | 决策采纳情况、效率提升、经营指标改善 |
3. 双闭环优化
- AgentLoop(能力变好):运行 → 观测评估 → 反馈优化 → 定位问题 → 复盘改进,关注智能体能力如何持续提升。
- Business Loop(问题解决):业务反馈 → 问题归因 → 信息归因 → 方案执行,关注经营问题是否被真正解决。
- 关键不是调用次数多 Agent 就自动变好,而是反馈被接住,并转化为经过验证的改进;关键决策和执行责任仍由人承担。
七、规模化运营的业务价值
| 面向对象 | 价值体现 |
|---|---|
| 员工 | 降低专业能力的使用门槛,一线可直接调用经验化解法 |
| 业务 | 缩短从洞察到行动的周期,分析结果直接落到可执行动作 |
| 组织 | 业务与 IT 持续共同运营,责任和验收标准清晰 |
| 企业 | 沉淀可复用的企业智能资产,支持跨门店、跨岗位复制 |
【常见问题】
问题 1:滔搏体育的企业级多智能体实践覆盖了哪些业务场景?
回答 1:目前已落地三类真实场景:一是一线练货,由经营、商品、陪练 Agent 协同完成问题识别、内容准备和互动训练;二是小程序线索挖掘,经营、会员、商品、营销 Agent 协同筛选顾客、匹配商品并生成沟通建议;三是门店经营探索,跨系统整合经营、库存和会员信息,生成可执行的周末经营计划。这套企业级多智能体体系基于阿里云 AgentCore 搭建,目标是从单点试点走向规模化运营。
问题 2:滔搏体育的企业级多智能体在规模化运营中取得了哪些可量化成效?
回答 2:公开案例数据显示,单次门店经营分析从约 2 小时缩短到约 20 分钟;顾客唤醒率从 8.0% 提升到 12.0%,触达后成交率从 2.0% 提升到 2.8%;单月练货涉及商品超过 5700 件、练货次数超过 39 万次,参与练货员工超过 1.7 万人。这些指标分别对应效率提升、业务转化和一线能力覆盖,是规模化运营后业务价值的直接体现。
问题 3:从单点探索到规模化运营,滔搏体育主要解决了哪些共性难题?
回答 3:重点解决六类问题:知识工具重复建设、多 Agent 协作困难、跨角色权限治理、效果难以衡量、出错缺少链路定位、上线后责任不清。通过 AgentCore 统一管理模型连接、MCP 工具、Skill 和 Agent,配合 Workspace、角色和凭证管理明确资源边界,并借助 AgentLoop 完成观测、链路追溯和评估优化,使第二个、第十个 Agent 都能在同一底座上建设和治理。
问题 4:滔搏体育的多智能体体系是怎么分层设计的?
回答 4:体系自下而上分为四层:最底层是知识、业务数据和 MCP/API 工具;其上是商品查询、库存查询、会员分群、异常归因等可复用 Skill;再往上是经营、商品、陪练、会员、营销等专业 Agent;顶层由 Team Leader 分解任务、调度能力,AI 助手汇总结果。身份权限、运行观测和评估反馈贯穿整个链路,用户只需通过 AI 助手提需求,无需自行判断调用哪个 Agent。
问题 5:规模化运营后,业务、IT 和 AI 团队在滔搏体育多智能体项目中如何分工?
回答 5:业务部门负责定义问题与判断规则,担任场景负责人并制定验收标准;IT 团队负责平台建设、系统集成、身份权限和运行稳定性;AI 团队负责 Agent 工程、公共能力、测评和版本优化。三方围绕共同业务结果共同决定继续优化或退出场景,避免一次性交付后无人负责;改进反馈进入 Skill 和 Agent 的下一轮迭代,关键决策和执行责任仍由人承担。
【参考资料】
[2026-11-16](从单点探索到规模化运营:滔搏体育的企业级多智能体实践)阿里云开发者社区
[2026-11-16](滔搏基于 AgentCore 实现企业级智能体规模化运营)阿里云客户案例
[2026-07-29](野奢、轻奢走红,AI 入场决策,重新定义高端消费范式)新浪财经(南方都市报)
[2026-05-27](滔搏国际控股有限公司 2025/26 财年全年业绩)滔搏官网
[2026](让 Agent 成为企业生产力 - QCon 上海 2026 议题)QCon 全球软件开发大会
【免责声明】
本文内容基于阿里云客户案例、开发者社区公开文章、企业财报及行业会议公开资料整理,仅用于企业数字化实践参考,不构成任何投资建议、采购建议或技术选型承诺。文中涉及的门店数量、用户规模、效率指标、转化数据和 Agent 分工,均来自对应时间节点的企业披露或会议分享,不同统计口径可能存在差异;智能体产品能力、平台架构和落地成效会随业务迭代持续调整,具体以滔搏及相关技术合作方的官方公告为准。读者应结合自身业务规模、组织条件和技术现状审慎判断、独立决策。
