RetailGo — 品牌全渠道出海 AI 顾问系统

🌐 在线试用 · Demo URL: https://retailgo-black.vercel.app — 无需登录,评委直接点开

💻 源代码: CindyLiu/RetailGo(Synnovator 平台仓库)

⚡ 评委 30 秒验证路径(走完整流程约 7-10 分钟,但 30 秒可见关键能力):

1. 打开 retailgo-black.vercel.app
2. 填一个最简表单:品牌名 "TestBrand" / 品类 时尚服饰 / 域内门店 50 / 目标市场 SG → 提交
3. 看 Stage 1.1 市场二维矩阵 → 选 SG → Stage 1.2 选直营 → 生成《全渠道出海决策书》(含 ROI 12 月推演 + 合规清单)
4. 点击右侧「7 同事」按钮打开「出海作战群」→ 问"我想在新加坡做加盟，担心员工配额" → 验证：🎯 战略军师主答 + ⚖️ 合规法务自动 chime-in（对抗式 review）
5. 一路 next 看完 4 份阶段产出物(决策书 → 诊断报告 → 合规建议 → 系统蓝图)

完整 24 步 Skills 验证路径:docs/S2W2-Skills.md · Wave 3 Agent 交互验证:docs/S2W3-Agents.md

📊 4 个量化承诺(可验证): ≥40% 二次咨询率 · ↓≥40% 第 N 国开店周期(相对第 1 国) · ≥70% AI 建议命中率 · ≥50 NPS · 详细评测标准见 §验证项目做成了

不是 7 个工具,是 7 个 AI 同事。 把传统需要 6-12 个月组建的出海作战室,压缩成可随时召唤的 AI 团队——服务于有门店网络的成规模零售品牌(时尚服饰 / 运动 / 集合店),陪着品牌一阶段一阶段走完全渠道出海全程。

你的 AI 出海作战室

状态	同事	角色画像	干什么
✅	🧭 品牌画像官(Brand Compass)	出海会议前,先把品牌讲清楚	收资料、组装品牌档案、做"地基"
✅	🎯 战略军师(Milestone Pathway)	走过 12 国、做过 3 家品牌出海	选市场、定模式、画路线图、定位定价
✅	⚖️ 合规法务(Compliance)	严肃、慢、永远说"等一下"	红线 reviewer,审查模式与法规冲突
✅	🧱 系统架构师(Omnichannel Hub) 🌟	15 年 OMS/POS 实战(我们的护城河)	成熟度诊断 · 跨境合规 + 业务场景沙盘 · 系统拓扑 · 现有系统兼容性诊断 · 一盘货 · O2O · 支付 · 部署路线
✅	🏪 零售操盘手(Project Playbook)	50 岁、开过 200+ 店	8 阶段全程项目剧本 · Phase 4 按 IT 复杂度动态时长
✅	✨ 品牌创意官(Inspiration Engine)	想"小票印什么"的人	30 张本地化创意点子 · 5 类 · 贴牌度排序
✅	🤝 资源连接器(Vendor Library)	全场最不显眼,但有谁的电话谁就懂	6 类 × 18 伙伴 · 优劣对比 · 基于上游决策智能优先级
✅	🧠 项目经理(Orchestrator)	不发表意见,但把所有人串起来	群聊群主 · Stage 自动路由 · 跨次记忆持久化 · @mention 召唤机制

**Wave 3 已实现 + 原型可运行:**全部 8 个 Agent（7 AI 同事 + PM）= 14+ 个 skill / 4 份阶段产出物 / 多轮交互群聊 / 对抗式 chime-in / @mention 召唤

Wave 3 新增核心能力： ① 每个 stage 配专属 Agent，进哪个阶段找哪个专家 ② ⚖️ 合规法务对抗式 chime-in（自动打断，无需召唤）③ @mention 召唤任意 Agent ④ per-stage 聊天历史持久化

🌟 4 份产出物: ①《全渠道出海决策书》(含 2D 矩阵 SVG + 单店 ROI 12 月推演)②《全渠道成熟度诊断报告》(5 维雷达 + Gap)③《跨境合规架构与客户数据建议》(PIPL/CBDT + 4 业务场景沙盘)④《全渠道系统与库存蓝图》(8 节点拓扑 + 现有系统兼容性诊断)

🔬 Meta-Loop · 独家差异化: 内置 AI Persona Eval Agent — 5 个真实品牌 archetype(基于 Gemini Deep Research 17+ 公开来源合成)模拟客户使用产品,生成结构化反馈报告。整个赛道没人有这个。Round 0→1 实测产品改进让最严厉 persona 评分从 3/10 跳到 6/10。

📋 Wave 3 Agent 交互文档:docs/S2W3-Agents.md 📋 Wave 2 Skills 文档(评委验证路径 24 步):docs/S2W2-Skills.md 📄 完整产品需求与评测标准:RetailGo-Wave1-Specs.md 🏆 滴水湖全球 OPC 人工智能挑战赛 · S2 跨境OPC加速赛 · 跨境电商服务赛道

📜 数据与方法论来源声明 · RetailGo 的方法论与知识库基于:① 公开行业研究(Forrester / NRF / McKinsey 通用零售成熟度范式 · 各国官方法规)+ ② 公开市场数据(每个事实标注 source_url + as_of)+ ③ 抽象化的零售系统部署经验(以行业 pattern 形式呈现,不引用任何具体客户方案或受 NDA 保护的项目细节)。所有具体阈值标注 RetailGo self-defined。

---

⚡ 快速运行原型(评委 / 评测员)

cd prototype/backend
python3 app.py
# → http://localhost:8000

零外部依赖(Python 3.9+ 标准库 http.server)。可选启用 LLM 叙述层(决策书的顾问口吻段落):

export RETAILGO_LLM_KEY="sk-..." RETAILGO_LLM_BASE="https://api.deepseek.com/v1" RETAILGO_LLM_MODEL="deepseek-chat"
python3 app.py

无 LLM key 时降级为模板生成,所有 sub-stage 仍完整可跑(确定性引擎)。

🗺 完整 4 阶段旅程(走完约 3-4 分钟)

Welcome → 7 同事亮相
   ↓
表单 → Brand Compass(15 字段)
   ↓
Stage 1.1 → 市场二维矩阵 + 客户选首站(可覆盖 AI 推荐)
   ↓
Stage 1.2 → 进入模式选择(可覆盖 AI 推荐)
   ↓
📜《全渠道出海决策书》(KPI / TOC / 2D 矩阵 SVG / 甘特 / 成本敏感度)
   ↓
Stage 2.1 → 13 题诊断(AI 预填部分答案)
   ↓
📜《全渠道成熟度诊断报告》(5 维雷达图 + Gap 分析)
   ↓
Stage 2.2 → 跨境合规 + 客户数据架构 3 选 1(交互)
   ↓
📜《跨境合规架构与客户数据建议》(CBDT 路径 + 3 架构对比 + 财税矩阵)
   ↓
Stage 2.3 → 蓝图自动合成
   ↓
📜《全渠道系统与库存蓝图》(8 节点拓扑 SVG + 一盘货 + O2O + 支付 + 路线)

每一步都把客户决策沉淀进 profile.history——这是 Wave 3 长期记忆的雏形(支撑"二次使用率 ≥ 40%"指标)。

---

🎯 项目要解决的问题

成规模零售品牌做全渠道出海时,面临三大结构性难题——

1. 门店出海太复杂:进入模式(直营/加盟/经销/专柜/合资)、选址、用工、租约、牌照、合规,每一项都是几十万到数百万的不可逆决策
2. 线上线下割裂:海外官网、本地电商、线下门店各算各的库存、各管各的会员,O2O(门店自提/门店发货/云货架)做不起来
3. 跨国系统部署难 + 缺乏持续陪伴:POS/OMS/ERP 在每个国家重做、不互通;每进一个新市场都从零摸索,没有沉淀

现有方案都是分离的——传统咨询只做战略不落系统、系统集成商只做 IT 不懂战略、电商代运营只管线上。没有"战略 + 全渠道系统 + 本地化落地"一体、且能长期陪伴的 AI 顾问。

---

👥 目标用户

用户类型	典型特征	代表品牌
时尚服饰品牌	国内有直营 + 加盟门店网络,品牌力较强	MCM 类
运动 / 户外品牌	多渠道(直营/经销/体验店/电商),走量与体验并重	安踏、李宁海外线
集合店 / 生活方式零售	标准化程度高、SKU 多、复制能力强	名创优品、泡泡玛特

---

🎬 使用场景

1. 首次门店出海 — 时尚品牌想进东南亚 / 中东:选哪国?直营还是加盟?旗舰店开在哪?POS/OMS 怎么部署?
2. 全渠道打通 — 已有海外门店,要上本地官网 + 入驻本地电商,统一库存与会员,做 O2O
3. 多国门店复制扩张 — 跑通一个市场后,把"模式 + 系统 + SOP"快速复制到下一个国家
4. 跨国系统与库存一体化 — 跨国 OMS/POS 部署蓝图、跨境库存调拨、ship-from-store、云货架

---

💡 为什么这个项目值得做

• 市场加速中:安踏、李宁、名创优品、泡泡玛特 等已在海外大规模开店,门店出海而非纯电商出海正在成为主流
• 全渠道是零售标配,但跨国全渠道极难:多币种、多税制、多仓、多平台的库存与会员打通,几乎没有成熟方案
• 目标客户付得起:成规模品牌有真实预算和系统需求(传统咨询费 100 万+,系统集成 数百万+),愿为"懂战略又懂系统"的顾问付费
• 长期陪伴模型:RetailGo 的核心指标是 二次使用率 ≥ 40%——一次性咨询不行,长期陪伴才有商业价值

---

🤖 AI 在哪里发挥作用(为什么是 AI+应用而不是普通工具)

RetailGo 不是"找几个咨询师整理的模板",没有 AI 这个产品做不出来:

能力	没 AI 做不到	AI 怎么做
联网核证市场数据	人类顾问每个市场至少 1-2 周资料搜集	AI 实时检索税务/法规/认证,每条带来源链接 + 日期(可溯源)
长期记忆 + 跨次咨询复用	传统顾问换人、换公司,记忆归零	AI 记住品牌的门店网络、系统现状、上次决策与实际结果,越用越懂
多国并行复制	人工每国从头摸索	AI 调用历史档案,把一国的成功"模式+系统+SOP"自动适配到下一国
跨能力编排	战略 / 系统 / 合规 / 创意 通常分散在不同顾问	AI 智能体可在一次咨询里跨域整合(战略决策 → 系统蓝图 → 创意点子)
个性化创意	通用建议没差异化	AI 读品牌手册,基于品牌调性 + 当地文化产出"贴牌"的创意点子(如小票上的本地化巧思)

核心 4 大模块(均由 AI 智能体驱动):

模块	能力
Milestone Pathway 全渠道扩张路径	市场优先级 + 进入模式 + 选址逻辑 + 定位定价 + 路线图 + 成本时间 + 合规清单
Omnichannel Hub 全渠道中枢 🌟核心护城河	POS/OMS 跨国部署蓝图 + 一盘货库存 + O2O 履约 + 会员数据打通
Vendor Library 落地伙伴库	选址/加盟商/系统集成商/3PL/税务伙伴智能匹配
Inspiration Engine 创意点子库	不是冰冷建议,而是装满创意的点子库(门店体验/陈列/活动/客户惊喜)

---

✅ 我们怎么验证项目做成了(可验证问题)

按 AI+应用项目评测口径,本产品做成的标志是回答 "是" 以下问题:

• ✅ 是否能完成关键任务:对任意候选市场组合,能否产出含「市场+模式、选址、定位定价、路线图、成本/时间、合规、风险」7 要素的《全渠道出海决策书》?
• ✅ 是否能输出符合要求的结果:每条具体数字 / 法规要点是否都附有来源链接 + 检索日期?数据不足处是否明确标注"需当地实地考察"?
• ✅ 是否能减少人工步骤:传统决策从调研到执行需 3-6 个月,RetailGo 是否能把首次规划压到 2-3 周、多国复制压到 < 1 周?
• ✅ 是否能提升效率或体验:第 N 个市场的开店筹备周期相比第 1 个,是否缩短 ≥ 40%?
• ✅ 是否真的产生长期价值:用户是否在 6 个月内主动二次咨询 ≥ 40%?AI 建议被实际采用并生效是否 ≥ 70%?

关键量化指标: 二次使用率 ≥40% · 全渠道库存准确率 ≥98% · 开店周期↓≥40% · 历史建议命中率 ≥70% · NPS ≥50

指标定义与测量口径

这些是产品上线后的目标指标。下表给出每条的定义 + 测量方法,使其可验证、可回归,而非空口号。

指标	定义	测量口径(上线后)
二次使用率 ≥40%	首次咨询后 6 个月内,同一品牌主动发起第 2 次咨询(新建第 2 段旅程或回访已有 Brand Profile)的比例	去重品牌为分母;profile.history 中出现间隔 ≥1 次的新决策记录的品牌数为分子
全渠道库存准确率 ≥98%	Hub 蓝图落地后,系统账面库存与门店实盘的一致率	周期盘点:1 − (差异 SKU·门店数 / 总 SKU·门店数),按月统计
开店周期↓≥40%	第 N 个市场的 store-prep 周期(签约→开业)相对第 1 个市场的缩短幅度	(T₁ − T_N) / T₁;复用上次"模式+系统+SOP"决策记录衡量可复制性
AI 建议命中率 ≥70%	产出物中被客户实际采纳并在执行后认为有效的建议条数占比	回访打标:每条建议标 采纳/未采纳 + 生效/未生效;命中 = 采纳且生效
模式/市场采纳率 ≥80%	首版决策书推荐的市场/进入模式被客户原样采纳的比例	决策确认时记录"原样采纳 / 调整 / 否决",原样采纳为分子
NPS ≥50	标准净推荐值	旅程关键节点弹 0–10 推荐意愿,%推荐者 − %贬损者

详细评测标准见 Specs §6。

---

📊 数据可溯源 — 真实样本(摘自 market-data.md)

我们不只是"声称可溯源"。下面是知识库里的真实条目(检索日期 2026-05-27),每条都带官方来源链接;运行时 Skill 会优先联网复核,查不到则标"需当地实地考察",绝不编造。

市场	数据点	数值 / 要点	来源
🇸🇬 SG	消费税 GST	9%(2024 由 8% 上调)	IRAS Current GST rates
🇸🇬 SG	外资零售准入	可 100% 外资持有,最低注册资本 S$1,约 1-3 天注册	Statrys 2026
🇲🇾 MY	外资零售牌照	外资持股 >50% 的零售须申请 WRT 牌照(MDTCA 颁发)	Bird & Bird — Malaysia
🇲🇾 MY	加盟法(Franchise Act 1998)	须经营满 3 年才可注册特许 + 协议含 7 天冷静期 + 最低 5 年期限	Bird & Bird — Malaysia
🇲🇾 MY	服务税(SST)	租赁服务 自 2026-01-01 起降为 6%	ClearTax — SST 2026

完整 SG / MY / HK 数据(税务、准入、加盟、用工、合规)见 market-data.md,共 30+ 条带来源条目。

---

📐 产品架构(一图概览)

        ┌─ Orchestrator(循序渐进编排 + 长期品牌记忆) ─┐
        │                                              │
        ├─ Milestone Pathway Agent ─┐                  │
        ├─ Omnichannel Hub Agent    ├─ 由 Skills 组成   │
        ├─ Inspiration Engine Agent │                  │
        └─ Vendor Library Agent ────┘                  │
                  ▲                                    │
                  └── 全部读自 ──┐                     │
                                 ▼                     │
                       🧭 Brand Compass(地基层)        │
                       客户资料上传 + AI 解析 + 品牌画像  │

---

🛤 我们做什么 / 不做什么

✅ 做 — 市场+进入模式分析、全渠道扩张路径、系统蓝图(方案级)、库存/O2O 设计、选址逻辑、本地化定位定价、创意点子库、合规方向、落地伙伴匹配

❌ 不做 — 替品牌做最终战略/财务/法律决策、交付可上线系统代码、签租约/谈加盟/注册主体、生成虚假数据、承诺 100% 成功、处理政治/安全风险

---

⚠️ 风险评估 & 责任边界

诚实列出本产品的局限,给评委 / 用户透明信号 —— AI+应用类项目最大的失分项是把幻觉风险藏起来,我们选择主动暴露 + 给出对应处置:

风险类别	具体场景	RetailGo 的处理
AI 幻觉风险	LLM 可能生成看似合理但错误的法规 / 数据	所有量化数字 / 法规条文必须附 source_url + as_of,无来源信息明确标"需当地实地确认"(见 SKILL.md 数据原则铁律)
数据时效性	各国法规 / 关税 / 租金每月可能变化	知识库时间戳明确(as_of 字段);Wave 3 规划自动化数据刷新 + 失效告警
责任边界	高风险品类(医药 / 受管制商品)合规误判后果严重	Wave 2 不覆盖 FDA / CE / GMP 等强监管类目,仅服务时尚 / 运动 / 集合店(见 §我们做什么/不做什么)
决策替代风险	用户可能把 AI 建议当成最终决策直接执行	所有产出物明确标注"决策辅助"而非"决策本身",建议级别用 🔴/⚠️/✅ 三色分层,关键决策点提示"建议本地团队 + 法律顾问 review"
数据隐私	上传的品牌资料 / 门店清单含敏感信息	Demo 模式仅承认上传不深度解析;Vercel 部署 session 落 /tmp 不持久化;Wave 3 规划本地优先架构
本地化盲区	某些市场我们没踩过(如中东 / 非洲)	仅支持公开数据充足的市场(SG / MY / HK 数据最厚实);其他市场标注"洞察深度有限,需当地伙伴验证"
加盟商风控	加盟模式下的资金 / 真实性核验 AI 无法完成	Wave 3 规划「AI 加盟商风控探针」(POS+银行流水+进销存 三方校验,基于行业 pattern);当前 Wave 2 仅提供加盟商招募方向

---

📂 仓库结构(Wave 2 当前)

.
├── README.md                                          # 本文件:项目入口 + 7 AI 同事 + 旅程图
├── RetailGo-Wave1-Specs.md                            # 完整产品需求与评测标准(v2.0)
├── docs/
│   └── S2W2-Skills.md                                 # 评委验证路径 + 14+ skill 详细说明
├── skills/
│   ├── brand-compass/SKILL.md                         # 同事 0 · 品牌画像组装
│   ├── milestone-pathway/SKILL.md                     # 同事 1+2 · 5 sub-skill + 单店 ROI 沙盘
│   │   └── reference/market-data.md                   # SG/MY/HK 真实可溯源市场数据
│   ├── omnichannel-hub/SKILL.md                       # 同事 3 · 3 sub-stage 含场景沙盘 + 兼容性诊断
│   ├── project-playbook/SKILL.md                      # 同事 4 · 8 阶段全程剧本 · 动态 Phase 4
│   ├── inspiration-engine/SKILL.md                    # 同事 5 · 30 张创意点子卡
│   ├── vendor-library/SKILL.md                        # 同事 6 · 6 类 × 18 vendor + 优劣对比
│   └── orchestrator/SKILL.md                          # 同事 7 · LLM 对话 + 跨次记忆
└── prototype/
    ├── backend/
    │   ├── app.py                                     # HTTP 服务 + 14 个 API endpoint
    │   ├── brand_compass.py                           # 同事 0 实现
    │   ├── milestone_skill.py                         # 同事 1+2 实现(5 sub-stage + 决策书 + ROI 沙盘)
    │   ├── omnichannel_skill.py                       # 同事 3 实现(诊断 + 合规 + 蓝图 + 兼容性诊断)
    │   ├── project_playbook.py                        # 同事 4 实现(8 阶段 + 动态时长)
    │   ├── inspiration_skill.py                       # 同事 5 实现(30 张点子卡知识库)
    │   ├── vendor_skill.py                            # 同事 6 实现(18 vendor + 优先级)
    │   ├── agents.py                                  # W3 · 8 个 Agent 定义(persona + 路由 + chime-in)
    │   ├── orchestrator_skill.py                      # W3 · Agent chat 引擎(路由 + 并行 chime-in + 历史持久化)
    │   ├── eval_agent.py                              # 🔬 Meta-Loop · Persona Eval Agent
    │   ├── eval_personas.py                           # 🔬 5 个真实品牌 archetype
    │   └── data/market_data.py                        # 真实市场数据(SG/MY/HK)
    └── frontend/
        └── index.html                                 # 单页 SPA · 多 stage 状态机

Wave 3 已完成(本次提交):

• ✅ 8 个 Agent 实时群聊（Stage-based 自动路由 + @mention 召唤）
• ✅ ⚖️ 合规法务对抗式 chime-in（自动打断，无需用户触发）
• ✅ per-brand × per-stage 聊天历史持久化
• ✅ DeepSeek 真实 LLM 接入（4s 响应）

Wave 4 演进方向(基于 eval agent 5 persona 反馈得出):

• 商圈级实勘数据(租金 / 坪效 / 客流量化)
• 系统兼容性诊断工程 artifact（field_mapping / compatibility_audit）
• 品牌资产折损量化模型(luxury 类专用)
• AI 加盟商风控探针(POS+银行流水+进销存 三方校验)

---

📮 联系

作者:RetailGo Team 赛道:S2 跨境OPC加速赛 · 跨境电商服务赛道