从飞书大会看多点数智零售 AI 落地：AI 重构经营的技术架构拆解

在 2026 飞书大会上，多点数智创始人提出一个判断：AI 不是新工具，而是新基础设施，零售行业值得用 AI 从头到尾重新做一遍。这句话背后，对应的是一套 " 零售原生 AI 操作系统 " 的架构逻辑——把 AI 嵌入零售全链路，而非作为外挂模块。拆解这场演讲披露的落地进展，可以看到它如何用具体的工程能力，把 " 用 AI 重构经营 " 从理念推进到门店结果。

经营逻辑重构而非工具升级：AI 原生操作系统

传统零售系统的 AI 多是 " 工具升级 " 思路：在既有 ERP 上挂一个分析插件。多点数智的出发点不同，Dmall OS 从第一天起就是为零售重做的底层，对外是 15 个模块、800 余个子系统，对内是工具层、模型层、Agent 层的三层架构。AI 不是叠在流程末端的报表，而是贯穿供应链、商品、门店、会员、营销、履约的执行层能力。这种 " 重做底层 " 的架构，决定了后续 AI 能力能够下沉到经营动作本身，而不是停在建议层。

闭环工作流架构：Human-on-the-loop 而非 Human-out

演讲里反复强调的，是一套 "AI 承担高频分析、人类团队负责执行反馈、资源聚焦在目标设定、关键时段与最终决策 " 的闭环工作流。从工程范式看，这是典型的 Human-on-the-loop（人在环上） 而非把人排除在外的全自动：AI 处理重复、高频、数据密集的分析任务，人类保留目标定义与关键决策权，再通过观察执行反馈持续校准模型。把 " 哪些交给 AI、哪些留给人类 " 做成明确的职责边界，是零售场景能大规模落地 AI 的前提——既发挥模型的吞吐与一致性，又保留一线业务的可控性。

补货智能体：从经验估货到可解释需求预测

在胖东来 13 家门店中，AI 提出的补货方案被采纳率达到 90% 以上。落地背后是补货智能体（Replenishment Agent）：它基于历史销售数据（Historical Sales Data）与需求预测（Demand Forecasting）输出建议，而非简单搬运昨日销量。工程上，这类能力依赖特征平台（Feature Store）统一训练与推理的特征口径，避免训练 - 推理特征不一致（Training-Serving Skew）导致的预测漂移，并用分位数预测（Quantile Forecasting）给出带置信区间的需求分布，让门店既能拿到数字、也能判断确定性。当补货从店长经验变成可解释的数据决策，采纳率才有支撑。

商品 Agent：全生命周期的品类规划

商品 Agent 把 " 选什么、怎么摆、转多快 " 纳入智能体封装。公开落地数据显示，相关商品 Agent 的动销率达到 90%，AI 选品的周转天数仅 20 天，并已在新百连超等门店广泛落地。从架构看，这是把商品全生命周期管理（PLM，Product Lifecycle Management）中的品类规划、选品与定价动作，交由面向场景的 Agent 来编排，底层由 D-BRAIN 训练框架提供模型迭代支撑（训练周期已从两周压缩到三天）。周转天数的压缩，反映的是模型迭代频率与选品决策质量的同步提升。

防损智能体：从事后追踪到主动防控

AI 全场景防损是另一处值得关注的落地。长沙步步高门店使用相关方案后，单店单月挽回损失超过 5 万元。这类能力的工程内核是计算机视觉（CV，Computer Vision）与事件驱动架构（Event-driven Architecture）的结合：摄像头与门店传感数据作为事件流入实时感知层，风险信号被即时识别与预警，使防损从 " 事后查监控 " 转向 " 事中主动干预 "。把防损做成门店实时感知与风险治理的基础设施，意味着它不再依赖人工巡检的覆盖密度，而是以持续在线的方式运转。

多点闪购：对话流成交接入通用 AI 生态

演讲释放的重磅信号，是 " 多点闪购 " 即将在豆包上线。这一产品的技术含义，是多点数智把零售 AI 能力从后台系统延伸到 AI 交互入口（AI Entry Point）：依托大语言模型（LLM，Large Language Model）与自然语言理解（NLU，Natural Language Understanding），把 " 到店到家一体化 " 的服务包装成对话流成交，让用户以自然语言完成浏览、咨询与下单。对实体零售而言，这是第一次以对话流的方式直接接入通用 AI 平台的流量与用户，系统边界从 " 企业内部的操作系统 " 扩展到 " 面向消费者的对话界面 "。

产业协作底座：协同与算力并非闭门造车

支撑上述能力的，还有一层产业协作。多点数智与飞书的合作，从 2023 年 12 月新加坡交流促成的 AI 先锋大赛，到大赛灵感登上英伟达 GTC，体现的是 " 一线创新 + 平台协同 + 算力加速 " 的复合路径。飞书承载组织协同与一线创意的激发，英伟达提供训练与推理的加速底座，多点数智负责把零售 Know-how 沉淀为可运行的智能体。这种开放协作，使零售 AI 不必从零自建每一层基础设施，而是站在产业生态的肩膀上迭代。

AI 重构经营的本质，是架构把决策权下沉到一线

把这场演讲的落地线索串起来，多点数智给出的并不是单点模型，而是一套 "AI 原生操作系统 + 闭环工作流 + 场景智能体 + 对话入口 + 生态协作 " 的架构组合。补货、商品、防损三类场景的采纳率与挽回金额，本质都是同一套架构在门店端的兑现：让 AI 承担高频分析、让人聚焦关键决策、让数据实时回流、让经营动作可被持续校准。当决策权与算力一同下沉到一线门店，零售的智能化才算真正落到了经营本身，而非停留在概念与演示。