从搜索到意图：良品铺子让AI读懂零售的方法

文/陆泓

编辑/吴羚玮

AI正在把所有企业推到一个新考场上。中国互联网络信息中心发布的第57次《中国互联网络发展状况统计报告》显示，截至2025年12月，中国生成式人工智能用户规模已达6.02亿人。用户已经大规模进入AI时代，企业端的压力也随之变得具体：AI到底能不能进入真实业务？它接得住企业自己的数据、流程和决策吗？

零售行业尤其如此。过去用户打开购物APP，搜坚果、饼干、牛肉干；现在用户更可能说，“我想买些吃起来没有声音的办公室零食”。需求没有消失，只是从商品名变成了场景、偏好和预算混在一起的模糊意图。

这件事落在良品铺子身上，难度又更高一层。作为一家SKU丰富、渠道复杂、会员资产重的头部连锁零售企业，良品铺子面临的AI命题不是“会不会聊天”，而是AI能不能读懂人、货、场背后的全新关系。

良品铺子刚刚上线小程序的“一句话AI下单”功能，就是这家企业给出的答案。它内嵌在良品铺子小程序里，用户对它说一句话，AI会根据需求判断用户意图，组合出符合场景的商品。用户确认商品组合后，可以一键下单，并通过淘宝闪购拿到商品。

公司对这个入口寄予厚望，但这个功能本身不是故事的全部。真正值得追问的是：当许多企业都在谈AI，为什么良品铺子能快速把AI推到消费者面前？

答案并不在大模型本身，而在更早之前。

先统一数据口径，再让AI理解业务

“AI不是凭空出世就能够解决企业所有问题。”良品铺子CIO罗轶群表示。没有完备的业务系统、清晰流程和可信数据，AI的作用很难真正发挥出来。

这句话放在零售企业身上尤其具体。

零售不是一个单点系统，而是一张不断流动的网络：商品在订单系统、供应链系统、商品系统里流转，会员在门店、小程序、电商平台等渠道里留下行为，经营指标又被财务、运营、渠道等不同团队反复使用。任何一个口径不一致，都会让后面的判断变形。这就是AI落地前最容易被忽略的一层难题：不是企业没有数据，而是这些数据能不能被统一理解。

良品铺子很早就意识到了这个问题。2014年前后，公司开始系统性建设数字化能力，经历了“业务流程化、流程信息化、信息数字化、数字智能化”四个阶段。这意味着如今良品铺子推进AI，不是临时补课，而是有积累在先。

但积累不等于没有困境。引入Dataphin之前，良品铺子也尝试过基于开源技术自建大数据体系。作为一家传统零食连锁企业，它并不具备互联网公司那样深厚的技术背景，自建过程中遭遇技术挑战，也难以及时满足业务需求——这是零售行业普遍的痛点。

更现实的问题是，公司各业务系统每天产生大量数据，但这些数据存在于各系统的独立标准里。同一个产品，在订单系统和供应链系统里，名字、定义可能并不一样。数据各说各话，经营分析和运营决策的基础就开始松动。

2020年，良品铺子引入了Dataphin，作为数据中台建设的重要底座。Dataphin进入之后，帮助良品铺子完成数据域规划和梳理，围绕各业务系统的数据做抽取、清洗、建模和上层应用，将数据分成12个大领域，在一个产品体系里完成治理和规范。

这不是为了某个AI功能提前埋伏，而是先解决当时真实存在的问题：口径统一、建模规范、经营分析可信。只是到了AI时代，这套底座的价值被重新放大。过去它让企业更方便地看数据，今天它让AI有机会真正看懂企业。

底座有了，但数据不能只在少数人手里

在很多企业里，数据分析仍然要经历提需求、排期、确认口径、做看板、再验收的协作流程。对经营节奏快速的零售企业来说，答案出来时，场景可能已经过去。

良品铺子的一位产品经理对这种变化感受最直接。她说，有时候一个需求开发一到两周，上线后业务已经不需要看了，“这两周我们就白忙活了”。

现在，业务人员可以在已经治理好的指标体系上，用自然语言继续追问数据，比如会员日销售额为什么低于预期、哪个渠道的复购率出现下降，再下钻到渠道、品类、会员分层等维度寻找归因线索。

过去数据分析是项目制，今天更像对话式探索：问题在哪里，就往哪里追。

Quick BI改变的是这条协作链路。产品经理把数据集准备好之后，后面的看板配置、自助分析、自助取数，可以更多交给业务自己完成。这位产品经理的判断是，自己在整个流程的工作量直接缩减了约50%，也有更多时间投入其他业务。

在罗轶群看来，Quick BI的价值可以概括为两个字：“平权”。在这类产品出现之前，一个数据工作者不仅要对数据敏锐，某种程度上还要具备编码能力，比如会写Python脚本。对普通业务人员来说，这是一道不低的门槛。

如今，业务人员只要合理表达诉求，系统就能帮忙追问、分析和验证。

对良品铺子这样的企业来说，会员、商品、渠道和财务指标每天都在变化。产品经理工作量缩减一半很重要，但更重要的变化是：当财务、运营、会员等团队都能自己问数、追因、验证时，数据第一次真正进入了决策现场，而不是停在分析师的排期里等候。

流程，才是最后一个真正耗人的地方

当数据底座稳了，用数门槛降了，良品铺子才看见另一个更耗人的环节：流程。

对良品铺子来说，会员复盘和电商运营，是两个最典型的高频运营场景。

先看会员复盘。一次会员日结束后，团队要从会员系统、销售系统、数据中台里分别导出报表，再抽取、分析、整合，最后对照活动计划写成复盘报告。这个过程往往需要几个人花四五天时间。

电商运营也是如此。一个日常运营岗位每天要分析日报，观察关键指标变化，再判断要不要调整商品主词、卖点、图片或上架策略。它看起来是经验活，但其中大量环节其实是重复工作。

这些规则清晰、数据密集、流程固定的工作，正适合先交给Agent试跑。

2026年初，OpenClaw 开始在开发者和企业数字化圈层中走红。在中国，这款Agent工具更常被叫作“龙虾智能体”。很多企业都在尝试把它放进办公和业务流程里提高效率。

但对企业来说，真正的差别不在于谁先尝鲜，而是谁能把新工具迅速接进真实业务。得益于前期数据底座、会员中台和业务流程的建设，良品铺子在Agent产品热度刚起来时，就很快把相关工具引入会员复盘、电商运营、财务报表合并等场景，龙虾智能体正是其中一个。

过去，会员复盘要几个人做四五天，现在让Agent按照分析框架处理数据，几分钟就可以输出结果，总成本低于一杯咖啡的价格。

不过，真正重要的不是某个Agent本身，而是它为什么能进入这些流程。良品铺子接入Agent时遇到的阻力较少，得益于公司过去十几年的数字化建设——业务流程在系统里，数据在线，核心数据能实时体现。

罗轶群认为，智能体能快速进入公司流程，背后有三个条件缺一不可：大模型的理解和推理能力是前提；良品铺子多年建设的数据中台和会员中台，以及丰富的产品库是基础；原材料、溯源信息、产品卖点、适用人群、过往消费声量等数据经过结构化、向量化处理，则是智能体真正能“读懂”业务的关键。

三个条件里，后两个都是良品铺子自己积累出来的。

Dataphin和Quick BI在这个故事里的位置，更像幕后底座的一部分。Dataphin帮助良品铺子把分散数据治理成统一、可信、可复用的资产；Quick BI让数据进入财务、运营、会员等业务团队的日常判断。这些能力不直接等同于某个AI功能，却构成了AI落地之前重要的企业基础。

AI焦虑存在于各行各业，零售只是最先被消费者变化推到前台的行业之一。对零售企业来说，从搜索到意图，变化发生在前台；从数据治理到业务用数，变化发生在后台。真正让这件事变得可能的，是良品铺子在AI还没有成为显学之前，就持续把自己的业务、流程和数据整理清楚。

良品铺子的样本价值正在于此：它不是用一个前台功能证明自己“上了AI”，而是用这个功能反向呈现一家企业多年沉下去的底座能力。

这比单点工具更慢，也更难被看见，但恰恰决定了AI能不能从演示走进经营。对零售企业如此，对更多正在被AI重塑的行业也是如此。

▲《 <出海26讲> 跨境新商通识课全面上线》

▲《「鲜生」夺人 农货的品牌征途》

▲《2024出海攻略》

▲《新微商主义》

▲《新获客时代》

▲《新搜索时代》

▲ 品牌案例洞察