零售门店 Agent：把补货、价格、任务和员工知识连接到同一条执行链
Microsoft 2026 年 5 月对零售 Agent 经济性的总结显示，价值集中在营销、供应链和门店运营：数字价签可减少每店每年约 200 小时人工，门店任务自动化可节省每店每月 9—15 小时。Google 10 月案例中，Bunnings 内部 Agent 累计节省约 50 万小时，部分购物 Agent 将转化率提升到三倍。
门店场景看似简单，实际上连接 POS、商品主数据、库存、促销、人员和任务系统。Agent 应成为事件驱动的任务协调层，不应自行创造价格或库存事实。
让员工少找信息、少抄任务、少做无效巡店，比在门店部署一个无所不答的聊天机器人更快产生收益。
从事件生成任务，而不是定时打印报表
{
"event": "SHELF_GAP_DETECTED",
"store_id": "S018",
"sku": "SKU-9041",
"shelf_qty": 0,
"backroom_qty": 12,
"promotion": true,
"lost_sales_per_hour": 320,
"observed_at": "2026-10-24T10:18:00+08:00"
}
Agent 读取补货策略与员工当前位置，创建有优先级和截止时间的任务。若后仓库存也是零，则转入跨店调拨或采购异常，而不是继续生成“去补货”的无效指令。
业务规则先于自然语言计划
def build_store_task(event: ShelfGap, policy: StorePolicy) -> Task:
if event.backroom_qty > 0:
qty = min(event.backroom_qty, policy.shelf_capacity - event.shelf_qty)
return Task("REPLENISH", qty=qty, due_in=policy.replenish_sla)
if event.promotion and event.lost_sales_per_hour > policy.escalation_value:
return Task("ESCALATE_STOCKOUT", due_in=10)
return Task("RECHECK_INVENTORY", due_in=30)
模型用于解释任务、回答操作问题和总结异常；数量、价格生效区间、促销叠加规则由交易系统计算。价格更新必须校验总部授权、当地法规和数字价签回执。
将门店知识做成受版本控制的 Skill
陈列标准、退货政策、设备处理和食品安全流程应拆成可检索、带生效日期的技能包。员工提问时，Agent 返回适用于当前门店、岗位和班次的步骤，并附原始制度链接。过期文件不能与现行流程等权召回。
skill: cold_chain_exception
version: 12
applies_to: [fresh_food]
inputs: [sensor_id, temperature, duration]
steps: [quarantine_stock, notify_manager, create_quality_case]
never: [return_stock_to_sale]
evidence: [sensor_trace, product_batch, operator]
ROI 要覆盖缺货与员工体验
指标包括货架缺货分钟、任务完成 SLA、库存准确率、价格错误率、每店行政工时、员工查询解决率、顾客等待时间和销售损失恢复。仅统计 Agent 对话数，会把“多问问题”误当成价值。
门店试点应选择同一地区的实验店与对照店，至少运行一个完整促销周期。先自动生成任务，再逐步开放补货或价签动作。门店 Agent 最终应减少后台行政负担，让员工回到陈列、服务和销售，而不是增加另一套需要维护的终端。