Agent 落地十一大外部信号
× 我方战略映射

关键事实

• 五大云厂商资本开支从 4150 亿 → 8200 亿美元/年（约美国 GDP 的 2.5%）；黑石自身数据中心租赁从 1GW/季增至 6GW/季，对应约 1000 亿美元资本开支。
• 估值不是 2000 年思科式泡沫：SK 海力士市盈率约 4 倍，买方杠杆率极低，AI 需求远超供给。
• 头部模型公司收入短期增长超 100 倍，合计估值 6830 亿 → 超 2.3 万亿美元；黑石 14 家 AI 组合年化收入 2500 万 → 5.25 亿美元（21 倍）。
• 公用事业五年资本开支预计翻倍至 1.6 万亿美元；网络安全长期受捧。
• 同时明确点名不可被 AI 替代的稀缺资产：体育股权、线下连锁店、核心地段地产。

对我们的映射

• 马来西亚 6 万亩 30 年以上老树基地就是黑石语境里的"稀缺实体资产"，无法被生成、无法被短期复制。
• 覆盖全国 4000 余家水果店的供货网络正是被点名的"线下连锁店"型不可替代资产。
• 融资叙事纪律：我们应被定价为"稀缺供应链 + AI 提升 ROI"，而不是"AI 概念公司"或"榴莲电商"——前者是基础设施估值逻辑，后者是 GMV 逻辑。

关键框架

• 企业级 AI 员工三要素：Data（能信）+ Agent（能干）+ FDE 前沿部署工程师（带教），缺一不可。
• Agent 落地必爬三级台阶：标不准 → 连不上 → 信不过。
• 知识质量公式：好知识 = 可信 × 可用，任一归零整体归零；从来源、质量、权限、语义、关系五维治理。
• 好数据五条标准：可访问 / 可理解可操作（企业本体与统一语义层）/ 可协作（汇聚人脑隐性知识）/ 可行动 / 安全合规（可用不可见）。
• 典型战绩：电动车品牌 AI 客服智能解决率 20%→42%、高峰接通率 88%→95%、通话时长 6→4 分钟；汽车品牌新人锁单量 +30%；美妆品牌会员 17 万→45 万。

对我们的映射

• 三级台阶与我们"三大硬问题"一一对应：标不准 ↔ 证据门、连不上 ↔ 订单关联锚点、信不过 ↔ 承诺门。
• FDE 角色我们必须有：门店大脑不能只交付工具，要有人驻店把开果判断、话术、赔付流程拆成可执行 SOP——沈阳试点交付"人 + 流程"。
• 瓴羊 Chat / Work / Business 三层分层中，我们的四个原子 Tool 直接绑 GMV、锁单率、售后解决率，天然站在离收入最近的 Business 层。

关键判断

• 移动互联网的数据飞轮仍在，但 Agent 时代升级为智能飞轮（智能复利）：调用基础智能，让 Agent 在特定任务中变得更聪明。
• 飞轮前提是真实世界的反馈；真实反馈的前提是 Agent 能离开人的参与独立干活。
• 需要三结合：应用场景 × 数据飞轮 × 算法创新（上下文管理、记忆、新交互）。
• 同类数据规模到一定程度边际价值递减；越多元、越差异化的数据越能产生新洞察。
• 网络效应的升级版是黑洞效应：场景越多、连接越复杂，越能拓宽智能边界——是数据智能与网络协同两者的同时升级。
• 撞上"最有规模化、最能泛化"场景的人最可能形成黑洞；而当下公认的杀手级原生场景尚未出现。

对我们的映射

• 我们手里是一个教科书级的垂直智能飞轮：单越多 → 果级证据与门店权重越准 → 选错率越低 → 满意交付与主动复购越高。北极星"满意交付后的主动复购率"就是飞轮转速仪表。
• 飞轮是结果不是战略：必须创造三个条件——真实行动权、流程内内生地捕获真相（开果报告/履约回传/复购，作为工作流副产品而非事后问卷）、再注入机制。
• 我们不追黑洞：过早吞噬相邻场景违反"一个城市、几款货、一种交付方式、一群会再买的人"的纪律。做品类内部的"品类黑洞"，做所有通用黑洞唯一能降落的跑道。

关键事实

• 2026 年 Agent 相关开源项目激增，Runtime 层快速成长，大量满足新执行需求的新项目涌现。
• PR 数量远超 Issue：解决方案的供给增速超过人类需求与注意力的增速，维护者压力巨大。
• 活跃仓库开始收紧甚至完全关闭外部 PR 入口——身份、出处、历史记录成为准入门槛。
• Agent 很少发起 PR 或做最终合并，但广泛参与评论、任务分发与 Review；约 62% 的 Agent 代码被原样保留合入，其 Review 能有效推动后续修改。

对我们的映射

• 生成成本趋近于零时，验证成本就是全部成本——与瓴羊"信不过"、曾鸣"真实反馈"、Anthropic"验收标准"完全同构。
• Agent 世界需要信用体系：这正是我们门店权重机制（broken_promise 自动统计、错误率超阈值自动降权/暂停）的本质——未来 Agent 协作调用的是信用记录最好的，不只是能力最强的。
• Runtime 层快速商品化 → 我们坚决不自建运行时，骑在 MCP/标准协议上；只自建开源不出来的东西：供应链、门店网络、果级数据、信用记录。
• 人机分工纪律：Agent 写和审，人做最终合并与上线；不可逆动作的责任留在人这边。

关键判断

• PayPal：商业进入智能体交易时代，消费者将更多通过对话完成比价、购买、支付，传统网页逐渐被取代。
• Meta Muse：每周一亿 token 免费额度并赠送专属电脑；不直接向用户收费，用户靠它赚到钱后在交易中抽取极小比例佣金，甚至向商家收费。
• Muse 聚焦个人真实生活需求（当好爸爸、父女烘焙、抢爬山许可证），用端到端加密（连 Meta 自己也看不到）换取敏感数据接入的信任。
• 市场反馈：Muse 发布后 Meta 市值单周上涨约 2200 亿美元、重回 2 万亿；标普 500 中万亿市值美 TMT 公司达 10 家；纽交所新低股数连续 9 天超新高，资金向 AI 集中。

对我们的映射

• "按结果抽佣 / 向商家收费"已从单点创新收敛为全球主流定价：Salesforce 按解决次数、瓴羊按转化与服务量、我们收订单服务费——水果店付的是"确定性成交 + 锁果不跑单 + 售后兜底"，不是软件费。
• 学定价逻辑与信任机制，不学免费补贴与全场景野心：Meta 能用广告交叉补贴赌入口，我们不拥有用户其他场景可变现，"接入免费、交易照收服务费"的纪律不动摇。
• 网页不会消失，会退化为"Agent 的后端渲染器"——我们网站照建，但每个功能必须同时有语义清晰的 API 入口。
• 信任是入场券：Meta 用端到端加密换，我们用"权限边界 + 可追溯 + 兜底赔付"换；数据边界在第一天写进协议。

关键事实

• 微信无 API、聊天记录加密；GPT-6 结合 Codex 与工具，调用系统截屏读取屏幕内容——把屏幕当 API，用视觉理解。
• 完成两项重任务：自动筛选并个性化回复数百条中秋祝福；整理高管群 50 余人背景资料并生成专属祝福语。
• 判断：大模型能力已到应用爆发前夜；AI 可帮人更好地表达人情味。

对我们的映射

• computer use 是所有封闭系统的万能适配器——"不开放 API"能构成的壁垒持续贬值。但我们不应把自己放在"等着被截屏操作"的位置：被 UI 操作意味着慢、脆、怕改版；主动暴露干净 API，让 Agent 走正门——走正门的供应商永远更可靠、更便宜、更易建立信用。
• "规模化的差异化"成为可能：工业时代规模化=标准化（千人一面），Agent 时代规模化同时差异化（千人千面）——我们的 talk_track 与推荐理由应结合 occasion、偏好、门店情况具体生成。
• 红线：人物背景汇总是最敏感动作，只在授权范围内、敏感操作人审；门店大脑的数据边界第一天写清楚。

六个变化

• 学会拒绝输出：无法确认结果正确时"闭嘴"，避免高级误导。
• 竞争力迁移到验收标准（Outcome Engineering）：执行变便宜后，关键是把人类判断转成机器可理解的"什么是好、什么是对"。
• 构建专属企业记忆：最值钱的是懂这家公司的隐性经验，AI 记忆成为组织资产。
• 层级与分工体系：高层模型规划协调、底层便宜模型执行，形成有成本结构的 AI 团队。
• 自愈能力：软件长出免疫系统，自动监控、发现问题并尝试修改代码或 Prompt。
• 警惕学习延迟：最贵的是在错误方向上浪费的时间；早期别过度追求界面美观，快速验证真实需求。

对我们的映射

• "我不知道"必须是系统的一等返回值并被度量：拒答率高=数据覆盖不够（补供给），错误承诺率高=信用崩溃（要降权）。
• 最高优先级资产不是推荐算法，而是"一颗好果 / 一次好交付"的可机读验收标准（糖度区间、出肉率、果级证据、时间窗、broken promise 判定）——谁把"好"定义得最精确，谁掌握行业话语权。
• 企业记忆拆两层：门店侧（履约能力/承诺准确率/客群偏好）+ 品类侧（每颗果从树到人的证据与开果结果）；只沉淀有权沉淀的服务记录，不重复建已付款订单。
• 自愈可以追，但自愈不能自己上生产：提出修复、沙箱验证可以，合并上线必须人审。
• 学习延迟最贵：沈阳 MVP 第一动作不是做精界面，而是尽快让两家独立商户真实付款、跑通"不会错"的一单。

关键判断

• 商业模式重塑：传统 SaaS 软件复制成本极低；AI 时代每次模型调用都产生高昂的"编辑成本"，边际成本不再为零，商业模式从卖软件拷贝转向售卖"数字劳动力"的产出。
• "验证比论证便宜"：构建成本大幅降低，几十页方案汇报贬值；小团队快速做原型、交真实用户测试成为默认模式。
• 设计师升级为品牌架构师：AI 让内容供给爆炸、同质化泛滥；设计师价值从"亲自生产"转向制定品牌审美标准与生产规则。
• AI 是组织透视仪：管理者用自然语言穿透层级直接获取业务真相，缩短管理层与一线的距离——但前提是数据真实、不可被手工美化。
• 警惕数据结构债务：最大障碍不是模型不够聪明，而是数据孤岛、权限混乱等旧基础设施问题；AI 化不是给旧公司装插件，而是重构运行体系。

对我们的映射

• 订单服务费是被成本结构决定的正确答案：数字劳动力和真实劳动力一样有真实用工成本；每单模型调用成本必须精确核算、计入单位经济性，沈阳 MVP 财务模型现在就埋点，否则规模越大亏得越多。
• 内部纪律升级：以后任何"要不要做"的争论，默认动作是做最小原型丢给店长用，而不是写方案、开会长论证——与 Anthropic"学习延迟最贵"完全同构。
• 每个职能都在发生"生产者 → 规则制定者/验收者"的迁移：选果师定义果级标准、运营定义 talk_track 规则；我们"官网配图优先实拍、不用 AI 图"的纪律本质就是品牌架构师立规则。
• 门店大脑后台应支持自然语言穿透提问（如"沈阳两店本周承诺准确率、哪一单有风险"）；但关键指标必须系统自动采集、不可手工修饰，真相数据作为工作流副产品沉淀。
• 还数据债的边界：不替门店清理全部旧债（无底洞），从"新产生的一单"起用干净结构跑起来；四个原子 Tool 的数据结构与权限模型第一天设计干净，不为快速上线留新债，FDE 驻场时顺手立数据规范。

关键事实

• Ontology 本体论：用机器能理解的语言规则，将企业零散数据编织成结构化知识网。四核心部件——名词（实体）、定语（属性）、动词（关系）、法则（规则）——构建完整的数字世界映射。
• 喜力案例：每年管理 33,000 个集装箱、66,000 辆卡车、450 个分销商，通过 Ontology 实现供应链"快进三周"——在问题发生前就解决它。三个核心算法（预防性调货 ABU、港口提货优化 D2D、动态装船调整 Neptune）24 小时自主运行。
• 超越 RAG → OAG（本体增强生成）：不是简单检索文本片段，而是基于实体关系图谱进行逻辑推理。通过矩阵幂运算（k-hop）打通空间折叠，自动回溯风险来源并发现深层逻辑链。
• 解决语义碎片化：企业各部门对"客户""订单"等概念定义不同，Ontology 建立统一属性标准，让数据从混乱走向清晰。
• 动态演化与一致性：一阶逻辑公理约束确保数据一致性；向量空间与余弦相似度让机器像人一样理解语义。
• AI 理解困境与本体解法：LLM 本质是基于概率预测的"语言天才"，缺乏结构化推理能力，面对复杂企业业务容易"幻觉"。本体是专为企业定制的"数字双生说明书"，将零散数据点通过机器能理解的语言编织成结构化知识网，建立清晰业务秩序。
• 四步工作流：建立本体 → 融合各类数据 → 构建语义图谱 → 驱动智能决策。过程中大语言模型可半自动提取和构建知识体系。
• 最终价值：有了本体，数据不再是被动沉睡的记录，而变成能自己说话、发现问题、辅助决策的"智能资产"——AI 像经验丰富的老员工一样深刻理解企业业务。

对我们的映射

• 我们已经在建榴莲行业的 Ontology：185 号知识库 = 语义层；541 条十年记录 = 时间维度资产；日报/行情/监控 = 实时数据注入 → 动态数字孪生。这不是概念，是已经在跑的系统。
• 语义底座 = 终极护城河：通用模型人人可用，但"猫山王 38-42 Brix / 出肉率 25-40% / 黑刺槟城发源柔佛主产"这套行业语义只有我们有。Palantir 千亿市值验证的就是这条路径。
• 喜力模式直接对标：喜力用 Ontology 让供应链快进三周，我们用 Ontology 让选果决策快进一个月——在门店知道要断货之前，货已经在路上。
• "数据架构师"角色已在大飞身上兑现：5 年程序员 + 15 年产品经理 + 10 年榴莲行业 = 能同时定义语义和交付业务的人。这正是 Palantir 体系中 FDE 的升级版。
• OAG 而非 RAG：我们的 AI 不是搜知识库回答问题，而是基于果级证据、门店权重、履约记录进行推理并自主执行（发柜、预警、售后判定）——这就是从 RAG 到 OAG 的跨越。

关键判断

• 传统三大壁垒同步坍塌：技术门槛（模型开源、API 成本接近零）、网络效应（用 GPT 做的功能对手用 Claude 也能复制）、切换成本（换一个 AI 产品只需改几行 Prompt）。
• 能活下来的 10% 在三个维度建立真护城河：
  • 规模飞轮：数据积累到临界规模后才显现壁垒（如反欺诈公司见过 40 亿 vs 10 亿用户模式，能识别更隐蔽手法）；但护城河不在发布时建立，而在达到临界规模后才显现——关键是临界规模前不被淘汰。
  • 垂直纵深：不做通用工具，做垂直场景的深度替代（催收 AI 调取还款历史/财务/对话做业务决策，回收率 +30%、成本降至 1/10）；按结果分成而非按座位收费；嵌入核心业务后切换成本比重建团队还高。
  • 上游卡位：卡在数据流最上游（医疗非结构化信息录入 EHR），一步步往下吃；护城河不在产品层，而在价值链的拓扑位置。
• 市场边界重构：AI 不会消灭所有工作，但会填满所有"以前雇不起专人"的岗位；TAM 从全球 5 万亿美元 IT 支出扩大到 40 万亿美元人力成本（8 倍），但对手从 20 家变成 2000 家（100 倍）。
• 定价逻辑已变：AI 直接完成工作时，企业不再为"记录工具/座位"付费，要的是完成任务；按结果付费的公司对按座位收费的 SaaS 形成降维打击。

对我们的映射

• 三个维度我们全占：垂直纵深（替代水果店最没把握的选果判断、订单服务费按结果）、上游卡位（6 万亩老树基地+自建工厂，掌控物理源头，比卡数据入口更硬、无法被代码绕过）、规模飞轮（单越多→果级证据越准→复购越高，但用真实利润养飞轮，不靠烧钱抢规模）。
• 临界规模前的生存策略：不拼补贴、不做第 21 个客服机器人；用 4000 家门店供货的真实现金流养飞轮，先活下来等壁垒显现。
• 机会在 40 万亿人力成本切片：每家水果店都想要"懂榴莲、不会错"的专属买手/品控，以前雇不起，AI 能给——这正是垂直纵深的落地形态。
• 守住的纪律：不被"通用工具、烧钱抢规模"带偏，继续在价值链最硬的位置（货源 + 信任交付）往下扎。

核心判断

• Agent 时代的新瓶颈不是"模型聪不聪明"，而是"怎么跑起来"。Agent 能自主读取数据、调用系统、做决策，传统云架构面临"它是谁、能做什么、在哪里执行"三大难题。
• Runtime 的本质：不是让 Agent 更聪明，而是把具备推理和操作能力的 AI 变成企业真正可以运行、管理和治理的执行主体。

三巨头差异化布局

对我们的映射

• 验证"不自建 Runtime"策略正确：三巨头争的是底座层，我们作为垂直应用层，应坚持调用而非自建——用成熟 Runtime 跑我们的榴莲 Ontology，专注行业语义和交付节点。
• 安全边界是我们必须补的能力：NVIDIA 强调的沙盒+策略控制，对应我们的三道闸门（证据门→可售门→承诺门）。Agent 自主执行越多，行为约束和审计越重要。
• 规模化部署的前置条件已成熟：当门店大脑从沈阳试点扩展到全国 4000 家时，Google/AWS 级别的高密度沙箱和会话隔离正是我们需要的——现在用 API 调用，未来可直接迁移到这些 Runtime。
• 上游卡位的新维度：三巨头争基础设施底座，我们卡行业语义+物理交付——各占生态链不同位置，互不冲突，反而互补。

产品与工程

• 把"可机读验收标准"提升为最高优先级资产：糖度 38–42 Brix、出肉率红线（猫山王 25–40%、黑刺 30–45%）、果级证据、时间窗、broken promise 判定，全部结构化。
• 三道闸门（证据门 → 可售门 → 承诺门）+ "我不知道"一等返回值；拒答率与错误承诺率进监控。
• 坚持主动暴露干净 API/MCP，不自建 Runtime——Google/AWS/NVIDIA 正在争夺 Agent 运行基础设施底座，我们用 API 调用成熟 Runtime 即可，把精力集中在行业语义层；网站每个功能同时有语义入口。
• 工程纪律：Agent 写和审，人做最终合并与上线；自愈不得自动上生产。
• 持续建设榴莲行业 Ontology：将果级证据、门店画像、履约记录、产区规范编织成机器可推理的结构化语义图谱，从 RAG 升级到 OAG（本体增强生成），让 AI 不是"搜答案"而是"推理决策"。
• 护城河纪律（A16Z 验证）：坚决不做可替代的通用功能层；在垂直纵深（替代选果判断）、上游卡位（掌控老树货源）上持续加深，规模飞轮用真实现金流养、不烧钱抢规模；定价坚持按结果，绝不退回按座位订阅。

商业与落地

• 定价坚持订单服务费（按结果），不收 SaaS 年费；对外可用 Meta、Salesforce、瓴羊案例做合理性背书。
• 沈阳 MVP 配 FDE 角色驻场，交付"人 + 流程"而非只交付工具；数据边界第一天写进协议（只在获准范围关联、付款单向拉取、不重复建已付款订单）。
• 学习延迟最贵：第一目标是两家独立商户真实付款、跑通"不会错"的一单，而非做精界面与完善财务模型。
• 验收标准对齐口碑驱动：第一批用户应来自"这一颗真的不会错"之后的口口相传，而非投放。

融资叙事

• 按"稀缺供应链 + 被 Agent 网络调用的确定性工具"定价（基础设施逻辑），不按"榴莲电商"或"AI 概念"定价。
• 商业策划书内财务与融资数字仍为草案，对外使用前需大飞确认。