您的位置首页 >人工智能 >

从单点探索到规模化运营滔搏体育的企业级多智能体落地实践

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。

今日大家都在搜的词: