夜雨聆风别急着做 SaaS，先把“经营模型层”想清楚
这篇文章不是在讲“AI 如何颠覆电商”。这种标题我也能写，但写完除了让人多分泌一点多巴胺，基本不会让我们更接近真实问题。电商经营里最难的部分，很多时候不是缺一个聊天框，也不是缺一张更漂亮的 dashboard，而是缺一套能在真实数据、平台规则、库存约束、达人履约和广告预算之间来回折返的判断框架。
所以我想讨论的不是“要不要做一个电商 SaaS”，而是另一个更底层的问题：如果 AI 真的要进入商家的日常经营，它应该先长在哪一层？我的答案是，不要急着做一个大而全的 SaaS 操作台，先把电商经营里那些可复用的判断、诊断、匹配、复盘和建议沉淀成模型层。这个模型层可以被 SaaS 调用，可以被浏览器插件调用，可以被工作流调用，也可以本地部署。它不是通用大模型服务，而是更具体的 Commerce Operating Models。
这个说法听起来没有 Agent 那么性感，但我觉得更接近真实产品。一个商家真正想问的不是“帮我打开后台”，而是“今天 GMV 为什么掉了”“这批达人谁值得继续寄样”“广告预算该不该加”“客服里哪些问题在影响成交”。如果这些问题回答不清楚，再会聊天也只是漂亮废话。
1. 先把泡沫拿掉
电商行业从来不缺工具。淘宝、抖音、小红书、Amazon、Shopify、TikTok Shop，每个平台都有商家后台、广告后台、客服工具、达人平台和数据看板。平台之外，还有 ERP、客服 SaaS、投放 SaaS、达人 SaaS、BI、自动化工具。商家的桌面上不是空的，恰恰相反，是工具太多，口径太多，入口太多。
这也是为什么我对“再做一个电商 SaaS”这句话比较警惕。SaaS 是一个很容易让人产生幻觉的词，因为它会诱导我们从页面开始想产品：商品管理、订单管理、达人管理、广告管理、报表管理。页面当然要有，但页面不是壁垒。真正难的是，面对一组乱七八糟的数据，系统能不能说出一个靠谱的判断，并且解释为什么。
比如 GMV 掉了 18%，一个像样的经营助手不应该只说“建议优化商品页”。它至少要拆一下：流量有没有掉，转化率有没有掉，客单价有没有变，广告 CTR 和 CVR 有没有背离，库存是不是已经影响投放，达人内容是不是带来了大量低意向流量。这里面每一步都不是玄学，而是口径、公式、业务经验和上下文。
如果一个系统连 GMV 怎么拆都没说清楚，它就不配叫经营助手。它最多叫“经营聊天框”。
2. 这轮热潮其实是三件事叠在一起
最近两年电商 AI 相关公司很多，看起来有点乱：有人做达人，有人做客服，有人做视频，有人做投放，有人做 workflow，也有人做模型路由。再加上 Meta 和 Google 这种广告平台巨头也在把 AI 往投放、素材、商品目录和购物入口里塞，整个画面就更像一团雾。把它们放在一起看，我觉得不是一个单点风口，而是三件事刚好撞到了一起。
第一件事是 creator commerce 的广告化。达人不再只是品牌 PR 预算里的“曝光渠道”，而是越来越像一种可以被投放、被归因、被复盘的增长资产。ShopMy 2025 年宣布 7750 万美元 B 轮，Agentio 2025 年宣布 4000 万美元 B 轮，它们卖的都不是“我有一个达人通讯录”，而是把创作者内容和销售结果更紧地绑在一起。这个方向的核心不是“找达人”，而是“让达人合作变成可经营的 performance channel”。
第二件事是 commerce agent 从客服往经营延伸。qeen.ai、Siena、Gorgias、Shopify Sidekick 都在不同位置上证明了一件事：电商场景里的 Agent 不能只会回答问题，它要知道订单、库存、商品、物流、用户历史和品牌语气。一个用户问“这个尺码适合我吗”，表面是客服问题，实际是转化问题；一个用户问“为什么还没发货”，表面是售后问题，实际可能是退款风险。客服只是入口，后面连着经营。
第三件事是 workflow 和 model infrastructure 成熟了。Dify、n8n、OpenRouter、Together、Replicate 这些公司不直接解决“怎么经营一家店”，但它们把模型、工具、流程和 API 拼装成产品的成本降下来了。于是垂直行业创业的重点就变了：不一定要从零造一套通用工作流平台，而是要在通用底座之上定义自己的业务模型。
还有一条暗线也很重要：广告平台自己正在用 AI 重写投放系统。Meta 的 Advantage+ sales campaigns、Advantage+ catalog ads，Google 的 Performance Max、AI Max for Search、Asset Studio，本质上都在减少人工投手对定向、素材组合和渠道分配的控制感。它们越强，第三方越不应该从“帮你点广告后台按钮”切入，而应该从“解释为什么这样投、跨平台怎么分预算、平台建议和商家利润是否一致”切入。
这三件事叠在一起，才有了今天这个看似混乱的“电商 AI”热潮。说白了，大家都在抢同一个东西：把原来靠运营经验、表格和手工流程维持的经营判断，变成可以被软件调用的东西。
3. Wavith 值得看，因为它没有假装自己全能
Wavith 是我觉得比较值得看的轻量样本。它的公开定位很直接：AI 驱动的达人建联工作台。产品页里提到的能力也都很具体，围绕找达人、建联私信、候选池、模板、跟进和回复统计展开。它没有一上来讲“全链路电商经营智能体”，也没有试图替代 ERP 或广告后台，而是卡住了一个很真实的运营动作：商家每天如何找到合适达人，如何判断谁值得联系，如何写第一封私信，如何跟进回复，如何把合作状态沉淀下来。
这件事听起来不高科技，甚至有点脏活累活。但恰恰是这种脏活累活，最容易变成产品。因为它高频、碎片化、人工密集，而且平台不会很好地替你跨平台沉淀。抖音、小红书、TikTok Shop、Shopify Collabs 各有各的后台，但一个商家自己的达人资产，往往还是散在表格、聊天记录、飞书、微信和运营脑子里。
我不觉得达人建联的终局是“自动群发 10000 个达人”。那是很危险的方向，平台风控、账号安全、品牌声誉都会出问题。更好的方向是把达人经营里的判断过程模型化：什么样的达人适合这个商品，什么合作方式比较合理，报价是否超过毛利能承受的范围，第一封私信应该强调场景还是佣金，什么回复意味着可以推进，什么回复只是礼貌性拒绝。
也就是说，Wavith 让人看到的不是“浏览器插件很酷”，而是一个更底层的事实：达人建联不是通讯录问题，而是经营判断问题。
4. ShopMy 和 Agentio 说明达人正在变成广告库存
ShopMy 和 Agentio 可以放在一起看。ShopMy 更偏 creator marketing + affiliate commerce，强调创作者推荐、商品链接、佣金和销售结果；Agentio 的表达更激进，直接叫 AI-native creator advertising platform。后者的产品语言里已经很少把达人当“关系”来讲，而是把 creator program 讲成一种可规模化的广告系统。
这个变化很关键。传统 influencer CRM 管的是人、沟通、合同和履约；creator advertising 管的是预算、转化、渠道、素材和归因。当达人合作越来越接近广告系统，产品要解决的问题也会变：不只是“我联系了谁”，而是“这笔预算为什么给这个达人”“这个内容角度为什么值得继续投”“这个达人下一次合作应该涨价还是停掉”。
对一个开源项目来说，我们很难从第一天就拥有 ShopMy 那样的 creator network，也不应该假装自己能立刻做一个 Agentio 式的 creator ad network。更现实的切口是先做 creator operating model：用商家自己的达人数据、商品数据和履约记录，帮它把达人合作变成一个可解释、可复盘的流程。先把“谁值得联系”和“为什么值得联系”讲清楚，再谈规模化。
5. Gorgias 和 Siena 说明客服不是传统意义的客服
Gorgias 是 Shopify/DTC 生态里很成熟的客服工作台，现在官网主打 Conversational AI for Ecommerce。Siena 的定位是 empathic AI agents for commerce，强调品牌化、多渠道和客户体验。这两家公司让我最在意的不是“AI 能回复客服”，而是它们都在把客服从成本中心往收入入口推。
这件事其实很好理解。电商客服不是银行客服，很多对话本来就发生在购买前后。用户问尺码、问材质、问物流、问退换货，背后都是转化、复购、退款、评价和品牌信任。一个客服 Agent 如果只会写礼貌句子，它没有太大价值；如果它知道订单状态、库存、用户历史、商品卖点和品牌语气，它就能在支持和销售之间做判断。
这里也有一个容易被忽略的点：客服模型不只是回答正确，还要知道什么时候不该回答。比如涉及退款争议、差评风险、物流异常、敏感投诉时，模型应该输出置信度和升级建议，而不是为了自动化率硬答。一个成熟的 commerce agent，应该有边界感。
这对我们做电商经营助手也有启发。模型层不能只输出“答案”，还应该输出风险、置信度和是否需要人工介入。否则它看起来自动化，实际很容易把小问题放大。
6. Creatify 很强，但内容生成不是终点
Creatify、Arcads、HeyGen、Captions 这些公司证明了 AI 视频、AI UGC、AI actor 和广告素材生成是大市场。Creatify 2025 年宣布 1550 万美元 A 轮，这类产品也确实解决了一个很现实的问题：过去做一批广告素材，需要拍摄、剪辑、脚本、演员、后期，现在一部分流程可以被大幅压缩。
但我不认为“生成内容”本身是最好的长期切口。生成会越来越便宜，模板会越来越多，模型也会越来越强。如果产品只停留在“输入商品链接，生成 10 条视频广告”，它很快会被卷。真正难的是生成之后：哪条素材投出去有效，为什么有效，适合哪个人群，生命周期到什么时候，什么时候该换，能不能反馈到达人建联和商品页优化。
电商团队不缺更多内容，它缺的是知道哪些内容值得继续投钱。内容生成要接上经营闭环，否则只是生产更多素材。一个好的内容模型，应该能把素材表现、投放数据、达人风格和商品卖点连起来，而不是只给你更多视频。
7. Dify 和 n8n 提醒我们：Agent 的骨架是 workflow
Dify 和 n8n 不直接做电商，但它们非常值得看。Dify 代表开源 LLM app / agent workflow 平台，n8n 代表 workflow automation 和 AI orchestration。它们的共同点是：不把 AI 产品理解成一个单独的聊天框，而是理解成工具、数据、模型和流程的组合。
把这个思路放到电商里，一个达人建联流程可能是这样的：导入达人列表，清洗字段，打标签，匹配商品，生成建联话术，人工确认，发送，记录回复，分类，进入下一轮跟进。模型只是其中几步，真正的产品是整条链。如果没有 workflow，所谓 Agent 就很容易停留在“问一句答一句”的玩具阶段。
这也是为什么我觉得开源项目应该把能力拆成 skill 或 model pack。比如小红书达人评分、TikTok Shop 建联话术、Amazon listing 体检、抖音千川投放诊断、Shopify 客服转化意图识别。这些东西可以被组合，可以被替换，也可以由社区贡献。它不像完整 SaaS 那么重，但很有复利。
8. 不要把 Model as a Service 理解错
OpenRouter、Together、Replicate 做的是通用模型基础设施。OpenRouter 解决的是一个 API 调用多个模型，Together 和 Replicate 更靠近推理、部署和模型运行。这是很重的战场，要拼模型覆盖、价格、延迟、稳定性和开发者生态。一个电商开源项目不应该去卷这个。
我说的 Model as a Service 不是通用大模型服务，而是 Commerce Model as a Service。它站在通用模型之上，把电商经营里的判断模型服务化。给定一份广告报表，什么叫异常？给定一个达人列表，什么叫匹配？给定商品、库存和毛利，什么叫可以加预算？给定一段客服对话，什么叫有转化机会？这些判断不会自动从通用模型里长出来，它需要行业抽象。
更准确地说，我们要做的不是“更聪明的 GPT”，而是“更懂电商经营口径的模型层”。底层模型可以换，GPT、Claude、Gemini、本地模型都可以。真正有价值的是上面的规则、评测集、字段结构、风险边界和业务解释。
9. Meta 和 Google 在做什么？
Meta 和 Google 需要单独拿出来讲，因为它们不属于普通第三方 SaaS。它们是流量和广告基础设施。电商商家日常经营里很大一部分预算，最终都会流向它们，所以它们怎么用 AI，会直接改变“电商助手”能做什么、不能做什么。
先看 Meta。Meta 的电商广告能力主要围绕商品目录、个性化推荐、Reels/creator 内容和 Business Messaging 展开。Advantage+ catalog ads 会根据用户的兴趣、意图和行为，自动展示目录里更相关的商品；Advantage+ sales campaigns 则把更多投放设置交给自动化系统，用更少的配置去优化销售结果。Meta 自己在跨境电商和代理生态的材料里也反复强调 AI、Reels 和 Business Messaging：广告负责发现，Reels 和 creators 负责种草，WhatsApp / Messenger 这类消息入口负责承接咨询和转化。
这意味着 Meta 的方向不是做一个“商家经营助手”，而是把投放漏斗里的几个关键动作平台化：谁看到广告、看到哪个商品、用哪个素材、点击后进入什么沟通链路。对商家来说，这当然省事；但问题也在这里。平台会优化平台内目标，但商家的真实经营目标往往更复杂：库存能不能承接，毛利能不能覆盖达人佣金和退货，某个爆品是否会挤压其他 SKU，投放增长是否只是把未来需求提前吃掉。Meta 能帮你在 Meta 生态里跑得更快，但它不天然替你回答整体利润问题。
Google 的路径稍微不一样。Google 的核心阵地是 Search、YouTube、Shopping、Merchant Center 和广告网络。Performance Max 把 Search、YouTube、Discover、Gmail、Display、Maps 等库存放到一个 campaign 里，由 AI 做渠道和素材组合；AI Max for Search 则在搜索广告里增强 query 匹配、广告文案和落地页相关性；Product Studio / Asset Studio 这类工具把商品图、生活方式素材和广告资产生成也纳入 Google Ads 和 Merchant Center 的体系。Google Marketing Live 2025 的表达很清楚：它要把 AI 用在搜索意图捕捉、创意生成、购物发现和广告效果优化上。
这对第三方工具也是一个提醒。Google 正在把“投手的一部分工作”吃进广告系统里，尤其是关键词扩展、素材生成、渠道分配和报告洞察。第三方如果还把价值放在“我帮你开一个 Performance Max campaign”，会越来越薄。更有价值的位置是解释和约束：为什么 Google 建议扩量，扩量会不会伤毛利，哪些 search terms 暴露了商品页问题，哪些 YouTube / Shopping 素材值得反馈给内容团队，哪些产品因为库存或评价不应该继续加预算。
所以 Meta 和 Google 的 AI 化，不是让第三方没机会，而是把第三方逼到更高一层。平台层负责自动化执行，经营模型层负责跨平台解释、利润约束、预算分配和组织记忆。平台告诉你“这个 campaign 表现不错”，经营模型要能问一句：“不错是对平台目标不错，还是对你的利润不错？”
10. 平台越强，第三方越要往判断层走
平台自己肯定会做掉很多能力。淘宝/天猫有千牛、生意参谋、阿里妈妈、万相台；抖音电商有抖店、罗盘、飞鸽、精选联盟、星图、巨量千川；小红书有千帆、聚光、蒲公英；Amazon 有 Seller Central、Amazon Ads、Selling Partner Appstore，也在做 Project Amelia；Shopify 有 Magic、Sidekick、Collabs、Inbox 和 App Store；Meta 和 Google 则在广告、商品目录、素材生成、搜索发现和消息转化上继续加 AI。平台掌握数据、权限和交易闭环，第三方想在平台内部做平替，难度会越来越高。
但平台也有天然边界。平台只懂自己平台，不一定愿意帮你跨平台比较；平台建议往往服务于平台生态，不一定服务于你的整体利润；平台不会天然沉淀你团队自己的 SOP，也不会优先照顾你的私有数据和自定义口径。一个跨平台商家真正关心的是整体经营，而不是某个平台后台里的局部最优。
所以第三方不要和平台抢按钮。第三方更应该做跨平台的判断层：把不同平台的数据拉到同一套经营口径下，把团队经验沉淀成可复用模型，把平台内的动作放进商家自己的利润约束里重新评估。
11. 如果做开源项目，第一版应该克制
我不建议第一版做全能电商 SaaS。这个坑太深了，ERP、OMS、WMS、CRM、BI、广告投放、客服系统、达人平台、内容生成、自动化工作流，每个都能做，每个也都能把项目拖死。聚水潭、旺店通、店小秘、马帮、领星、Gorgias、Zendesk、Pacvue、Perpetua、CreatorIQ、GRIN，这些都不是纸老虎，它们有客户、有集成、有销售、有服务、有数据。
更好的第一版，是做三个模型：达人建联模型、投放体检模型、经营沙盘模型。数据接入先不要追求全平台 API，先支持 CSV、Excel、Google Sheets 这类低门槛输入。动作也不要一开始自动执行，先做建议、解释和人工审批。这个路线不够性感，但更像真的能做出来。
达人建联模型负责回答“谁值得联系，为什么”；投放体检模型负责回答“广告异常在哪里，应该先查什么”；经营沙盘模型负责回答“预算、库存、毛利、达人佣金一起变动时，利润会怎么变”。这三个模型能跑起来，一个电商经营助手就已经有了骨架。
如果要再具体一点，我会把第一版想象成一个“运营复盘台”，而不是一个“自动经营台”。运营把达人表、广告报表、订单和库存导进去，系统先做三件事：第一，给达人候选池排序，并说明排序依据；第二，给广告异常做归因假设，而不是直接改预算；第三，把预算变化、库存变化、佣金变化放进利润公式里跑一遍。它不需要一开始就有很华丽的界面，甚至不需要接太多平台 API。只要它能把运营从“到处翻表格”和“凭感觉判断”里解放出来，就已经有价值。
这里有一个很朴素的公式，但很重要：
GMV = 流量 x 转化率 x 客单价利润 = 收入 - 商品成本 - 广告花费 - 物流 - 达人佣金 - 退款损失库存天数 = 当前库存 / 日均销量别小看这些公式。很多所谓 AI 经营助手，连这些基本口径都没定义清楚。口径不清楚，建议就不可信。
12. 容易做错的三个方向
第一个错误是做全自动投放。自动投放当然性感，但预算是真钱，平台规则复杂，归因口径也经常混乱。系统一上来就自动改预算，用户不一定敢用。更合理的路径是先做体检，再做建议，再做审批，最后才考虑半自动执行。
第二个错误是做自动群发建联。达人建联很适合 AI，但“自动群发”很危险。平台风控、账号安全、品牌声誉都会出问题。好的产品应该强调候选筛选、话术生成、人工确认、频率控制、回复分类和状态管理，而不是一句“帮你自动联系 10000 个达人”。
第三个错误是只做内容生成。内容生成会越来越便宜，真正的价值在生成之后：怎么测，怎么投，怎么复盘，怎么沉淀，怎么反过来指导下一轮内容。没有闭环的内容工具，很容易变成素材工厂。
13. 最后：SaaS 是壳，模型才是骨头
这轮电商 AI 创业热，表面上看很乱。有人做达人，有人做客服，有人做视频，有人做投放，有人做 workflow，有人做模型路由。但拆开看，核心问题其实只有一个：谁能把电商经营里的经验判断，变成可复用、可审计、可调用的模型。
这就是我理解的 Commerce Model as a Service。它不是通用大模型服务，不是再做一个 SaaS，也不是一键自动经营。它是把商家每天都在做、但一直靠人脑和表格维持的判断过程，沉淀成模型层。
达人怎么选，预算怎么调，内容怎么测，客服怎么转化，库存怎么约束增长，利润怎么拆。如果这些问题能被模型化，一个开源项目就有了自己的位置。它不需要从第一天就打败平台，也不需要从第一天就替代 ERP。它只需要先在一个小场景里证明：我比表格更懂经营，比聊天机器人更可靠，比黑盒 SaaS 更透明。
这就够了。
剩下的，是一点点把模型长出来。
附录-概念
附录-达人和内容电商名词
附录-达人、内容和 Creator Commerce
附录-客服、购物体验和 Commerce Agent
附录-内容生成和广告素材
附录-Workflow 和模型基础设施
附录-Meta / Google 广告和购物产品
附录-电商平台和平台原生工具
附录-容易误读的几组关系
1. AI Agent 和 SaaS 不是同一层
SaaS 是交付方式和产品形态，AI Agent 是能力形态。一个 SaaS 可以内置 Agent，一个 Agent 也可以不以 SaaS 页面出现，而是作为插件、API、工作流节点或后台服务存在。文章反对的是“一上来做大而全 SaaS”，不是反对做产品界面。
2. Model as a Service 有两种含义
通用 Model as a Service 指 OpenRouter、Together、Replicate 这类模型调用、推理、路由和部署基础设施。文章里的 Commerce Model as a Service 指电商经营模型服务，即达人匹配、投放诊断、经营沙盘、客服转化等业务判断模型。前者解决“调用哪个模型”，后者解决“业务上该怎么判断”。
3. 达人建联不是自动群发
达人建联的价值不是把 10000 条私信自动发出去，而是把“谁值得联系、怎么联系、什么时候跟进、合作后怎么复盘”变成可解释流程。自动群发容易触发平台风控，也会伤害品牌形象。
4. 内容生成不是内容经营
AI 可以更便宜地生成图片、视频、脚本和广告变体，但内容经营关心的是素材上线后的表现：CTR、CVR、ROAS、评论质量、达人匹配、受众反馈和生命周期。只生成内容，不做复盘和投放闭环，长期壁垒会很薄。
5. 平台自动化不等于商家整体最优
Meta、Google、Amazon、抖音、小红书等平台会优化自己生态内的广告和交易目标，但商家的整体目标通常还包括毛利、库存、现金流、达人佣金、退款率和跨平台预算。第三方经营模型层的机会，就在于把平台建议放回商家自己的整体利润模型里重新解释。
