说到零售连锁的数字化，大家先想到的往往是会员系统、供应链、线上商城。但真正每天消耗组织精力的，另有其事：顾客站在货架前想弄明白商品之间的差别，店员却答不全；门店同事遇到一个政策口径的问题，要在群里@好几个人，等回复的工夫，顾客已经走远了。
这篇文章要拆解的，是数商云为某零售连锁行业头部集团搭建多模态数字人智能体的完整过程。这个项目有意思的地方在于：它没有把数字人做成门店里迎宾的“面子工程”，而是让同一个数字人智能体，同时承担对外导购和对内查询两类任务——面向顾客，它是会说话、会展示、会推荐的导购助手；面向员工，它是随叫随到、答案可溯源的业务问答入口。
这家集团的业务覆盖线下门店与线上渠道，商品品类多、上新节奏快，门店分布广，不同区域、不同店型的运营要求并不完全一致。总部的商品、营销、运营、人力等部门，会持续输出大量知识：商品卖点、搭配建议、促销规则、会员权益、售后政策、门店作业规范、内部管理制度，内容体量不小，且一直在变。
问题也正出在这里。知识生产在总部，知识消费在门店，中间存在明显的断层：总部以为讲清楚了，门店却未必能找到、看懂、用上。
项目在场景设计阶段做了一个关键判断：不要做两个互不相干的产品，而要沉淀统一的智能体底座，再在顾客侧与员工侧做形态适配。顾客和员工问的问题，表面上差别很大，底下依赖的却是同一批知识、同一套理解与检索能力。
在线下门店的智能屏、互动大屏等终端上，数字人以可视化的形象出现在顾客面前。顾客可以直接用语音提问，也可以点选屏幕上的引导问题，降低“不知道能问什么”的门槛。数字人的回答不是干巴巴的一段文字，而是语音播报、字幕、商品卡片、图片、要点列表组合呈现——这正是“多模态”在零售场景里最实在的落点。
它覆盖的问题大致包括：商品卖点与差异对比、搭配与使用建议、活动规则与优惠计算口径、库存与尺码的查询引导、售后与会员权益说明。遇到需要人工介入的复杂情况，数字人会平滑地把顾客交给门店同事，而不是硬撑到底。这个“知进退”的设计，反而让门店更愿意把它摆在客流最密集的位置。
员工侧的使用形态更轻，通过移动端或门店终端进入，用自然语言提问即可，比如“这个品类的陈列要求是什么”“调拨流程要走哪几步”“这项活动能不能叠加会员权益”“某类商品的售后判定标准是怎样的”。
和通用问答最大的不同在于：回答必须来自企业自己的知识，并且可追溯。答不上来的时候，要明确说“没找到依据”，而不是编一个听起来很像的答案。涉及流程的问题，还可以直接给出可点击的操作卡片，跳转到对应系统里办理。对门店同事来说，这套东西的价值不在于“新鲜”，而在于“省事”。
顾客端和员工端共享同一批知识、同样的检索与生成能力、同一个运营后台。区别主要在权限、话术风格和呈现形态：顾客端更口语、更有亲和力，员工端更严谨、更强调依据和流程。“底座统一、形态分化”这个思路，直接决定了后续的建设和维护成本——知识更新一次，两侧同时生效，不必各维护一套。
项目启动后的动作不是选模型，而是做场景盘点。团队把门店和总部的真实问题进行归集，按出现频次、业务价值、口径清晰程度做优先级排序，挑出那些“问得多、答得清、答错代价大”的场景先行落地。口径模糊、责任边界不清的问题，先不急着交给机器，而是推着业务部门把规则定清楚——这本身也是数字化带来的额外收益。
接下来是知识治理。团队把分散在制度文档、商品资料、培训材料、常见问题记录里的内容集中梳理，做了几件事：分类归档、内容切片、结构化处理、打标签、按组织和岗位设置访问权限。同时建立知识更新机制——谁生产、谁审核、谁发布、何时失效，都有明确归属。
这一步看起来不那么“AI”，却决定了后面所有体验的上限。知识底座的质量，直接等于数字人回答的上限。
在技术链路上，数商云采用的是相对成熟的组合方案：
数字人形象按照客户的品牌调性定制，兼顾辨识度和亲和力。终端侧，同样的能力通过统一接口适配到门店大屏、互动一体机、平板和移动端，尽量不让门店为此增加额外硬件负担。考虑到门店网络条件参差，关键交互做了弱网兜底，保证“问得出、也答得上”。
真正让数字人从“问答机器”变成“业务助手”的，是智能体的工具调用能力。数商云在编排层把商品查询、库存与尺码引导、会员权益核验、工单创建、转人工等能力封装为可调用的工具，由智能体根据用户意图决定何时调用、调用哪一个。同时做好身份识别与权限隔离：员工登录后可访问内部知识，顾客侧只开放对外口径的内容。
兜底策略同样重要。答不了就明确说不确定，能转人就转人，能引导到对应入口就引导。这比给一个听起来合理却错误的答案，要值钱得多。
上线前，项目组围绕高频问题和易错场景建立了评测集，从准确性、完整性、口径一致性、拒答合理性等维度反复打磨。推广节奏上采用先试点、后复制的做法：先在部分门店跑通，收集真实问题与失败案例，再逐步扩大范围。
上线之后，运营机制同步建立：知识更新有流程，失败案例有回收，回答质量有抽查，场景有迭代。这部分常常被忽略，但它决定了系统是“上线即巅峰”，还是越用越好用。
门店里有了可以随时对话的入口，顾客对商品和活动的疑问不必再等导购空闲。语音加屏幕的组合让信息呈现更直观，顾客的咨询意愿和停留意愿都有明显提升——这里的提升是定性判断：愿意开口问的人多了，问的问题也更具体了，导购接待的效率随之改善。
门店同事遇到政策、流程、商品知识类问题，可以自己查、马上有结果，不必再看群里的响应速度。新人上手的时间被显著压缩，因为他们不必先背下全部知识，而是知道“去哪儿问、怎么问”。老员工也从重复答疑中释放出来，把精力更多放在现场服务和成交上。
总部的政策与商品知识更新后，可以较快同步到店端入口，减少了层层传达带来的口径偏差。更有价值的是，顾客和员工问过的问题被沉淀下来，形成一份持续更新的真实需求清单，反向支撑商品、营销和培训的优化。数字人智能体在这里不只是服务工具，也成了组织知识的沉淀容器。
不少团队一上来就纠结用哪个大模型，实际上决定回答质量的是知识源是否清晰、口径是否统一、更新是否及时。模型可以替换，知识底座的重建成本却高得多。先花时间把知识理顺，后面每一步都会轻松。
语音、形象、卡片、图片，只有组合起来能降低理解成本时才有意义。在嘈杂的门店里，一句自然语音加一张清晰的商品卡片，往往比复杂的动效更解决问题。
与其一开始就追求“什么都能问”，不如先锁定高频、高价值、口径明确的场景做扎实，形成可信度，再横向扩展。用户对数字人的信任，是一次次准确回答累积起来的，一次离谱的回答就可能把信任打回去。
项目里最受欢迎的定位，不是“数字人替代谁”，而是“数字人把谁从重复劳动里解放出来”。给导购加能力，而不是给导购加压力，门店端的接受度自然会高很多。
数字人智能体不是一次性工程。知识的生命周期管理、回答质量的巡检、失败案例的回收、场景的迭代节奏，这些机制要跟系统一起交付，否则上线之后很容易慢慢“失活”。
权限分级、内容边界、数据使用范围，都应该在架构设计阶段就定清楚。对外的口径和对内的口径必须严格区分，避免内部信息在顾客侧被问到。这类问题一旦发生，修复信任的成本远高于前期设计的成本。
回看这个项目，真正值得参考的并不是某个技术模块，而是整体思路：用统一的智能体底座承接分散的知识，用多模态的交互形态适配不同的使用场景，用持续的运营机制保证效果不衰减。
对零售连锁企业来说，门店越多、商品越复杂、政策越频繁，这套能力的价值就越明显。它未必一开始就惊艳，但会像水电一样，慢慢变成门店日常运转里离不开的一部分。数商云在这个项目里验证的，也正是这条路径的可复制性——从门店里的一块屏幕，走到整个组织的知识入口。
点赞 | 0
