从工程视角看，快消渠道的 AI 不是一个大模型加一套提示词，而是分阶段生长在 SFA/DMS/TPM 之上的能力层。本文拆解三阶段路线背后的工程逻辑：每个阶段的输入是什么、依赖什么、坑在哪里。
一、阶段一：照片即数据源
第一阶段场景的共同特征：输入是照片，输出是结构化事实。
- 陈列识别：货架照片 → 商品检测/排面数/占比 → 与合同标准比对。工程要点是申诉复核闭环，识别结果必须可被一线纠错，否则样本偏差会持续放大；
- 翻拍校验：屏幕翻拍/打印翻拍的检测模型，挂在所有拍照入口。它是数据可信度的守门人------照片可以造假，后续所有结论都不可信；
- 仓库审计：经销商仓库少量照片 → 商品与批次识别 → 盘点报告。把人工盘点的成本降一个量级。
这一阶段的真正 KPI 不是识别准确率，而是照片采集覆盖率：模型可以迭代，没有照片什么都免谈。
二、阶段二：数据治理先行，报表智能化跟上
第二阶段上自然语言查数（NL2SQL）、异常预警、诊断建议。工程上这一阶段的最大风险不在算法，在数据口径：
- 同一指标在订单系统、费用系统、手工台账三个口径，NL2SQL 的答案立刻失去信任；
- 主数据（门店档案、SKU 档案、组织架构）不对齐，预警规则全是误报。
务实的顺序是先做主数据对齐和指标口径统一，再接自然语言查询。预警规则从简单阈值起步，逐步加序列模型，不要一上来就上复杂模型。
三、阶段三：决策类场景与智能体编排
数据地基稳了之后，卖进推荐（门店画像+周边动销→建议订单+话术）、补货预测（动销+季节规律→订货量）才有落地的输入。智能体编排放在末尾：跨环节自主执行依赖前面每个单点能力的稳定性，跳过前两阶段的编排只是流程自动化的外壳。
四、踩坑记录
- 立项顺序颠倒：管理层被演示打动先买对话式分析，业务数据不在线，系统无米下锅，两周闲置；
- 只考核不赋能：拍照识别只当扣分工具，一线用"少拍、摆拍"软抵抗，数据质量反而恶化。解法是申诉通道+培训辅助+话术支持一起上；
- 多场景齐上：七八个场景每个都浅尝辄止。每个阶段做深一两个场景再横向复制。
三阶段路线（拍照→数据→决策）的时间尺度大致是一个季度、两个季度、持续迭代。顺序可以伸缩，不建议倒置。
笔者长期从事快消渠道数字化的技术落地，以上均来自项目实践，欢迎评论区交流。