零售系统中，"库存不足提醒"和"帮门店找到调出店"看起来只差一个按钮，背后却是两种不同的软件工作方式。前者把异常呈现给人，后者要读取商品和库存状态、处理门店约束，给出可用的业务选择。
这也是理解 AI 零售软件的一个入口：不先按是否使用大模型划分，而按它在业务流程里承担了什么任务划分。
一条调货需求涉及哪些系统？
A 店需要一件指定款色码的商品。传统人工流程先让店员查找有货门店，再发起调货申请。使用四威·超级零售的智能调货，A 店直接提交申请，系统寻找合理的调出门店，店员不必先逐店查库存。
这一步并非独立的"AI 页面"。商品主档要识别同一款、色、码；库存系统要知道不同门店的可售状态；门店组织与权限决定谁可以调出；调拨流程负责后续申请和单据。即便选源逻辑很聪明，如果商品编码错了，系统仍可能找错货。
可以把它理解成四层：
text
商品与库存事实 → 寻找可调出门店 → 发起业务流程 → 门店处理与收货其中，"寻找可调出门店"是四威智能调货对门店体验的直接改变：原来由店员查库存、找货源，现在由门店提出需求、系统寻找调出门店。后续调出、运输与收货继续按业务流程办理。
为什么数据主账不能省？
系统要替人找货，就必须知道真实库存而不是几分钟前的页面数字。门店 POS 销售、线上订单占用、仓店调拨与盘点，都会改变某款某码的可用状态。多套系统若各自维护一份库存，选源逻辑即使正确，也可能基于错误事实。
会员服务同理。系统要回答一张优惠券为何不能用，就需要当前有效的会员身份、活动规则、订单和退货状态。商品搜索推荐则依赖准确的标题、属性、价格和可售情况。Google Cloud 的零售搜索文档强调目录和用户事件数据；Amazon Personalize 文档介绍价格、描述、可用性等商品元数据。Google Cloud · Amazon Personalize
这些资料解释了搜索推荐与会员服务各自的数据依赖。四威智能调货所依托的，则是商品、门店库存与调拨业务数据。
规则引擎、优化算法和生成式 AI 是一回事吗？
不是。固定规则可以按距离或优先级选店；优化算法可综合库存、时效等约束；预测模型回答未来需求；生成式 AI 更擅长理解和组织自然语言。它们可以组合使用，也不必全部出现。
从工程角度，"能完成任务"不是模型单独的能力，而是数据、决策逻辑、权限和业务系统共同工作的结果。一个聊天界面若无法读取实时库存或进入调拨流程，只能给建议；一个按规则完成选源的功能，即使不叫大模型，也可能显著减少门店工作。
从哪里开始认识 AI 零售软件？
先找一个重复任务，画出原来的工作链：谁发现问题、谁查数据、谁作决定、谁发起动作。再看新功能接手了其中哪一段。跨店找货看商品和门店数据；会员服务看权益和订单；推荐看商品目录。企业已有稳定 ERP、POS、CRM 时，AI 可以是加在上面的一层能力，不一定要重建整套系统。
"AI 零售软件"不是一个技术标签的采购清单，而是业务流程发生了什么变化。四威智能调货的例子说明，最容易被门店感知的变化，可能就是以前要逐店找货，现在只需提出需求，找调出店由系统完成。