一、项目背景

我们合作的一家连锁品牌，全国几百家门店，陈列标准写了一厚本，但执行全靠督导跑店。一个督导管二三十家店，一个月轮不完一遍，陈列违规（价签不符、缺货未补、主推位被占）往往滞后一两周才发现。整改更原始——群里发张图@一下，后续跟没跟、改没改全靠自觉，月底复盘拿不出闭环证据。品牌方想要的是：标准统一执行、违规及时发现、整改有迹可循。我们用了多智能体协同把这套巡检自动化。

二、落地场景

我们设计了三个智能体加一个人工确认节点。图像 Agent 负责"看"：门店定时上传陈列照片，多模态模型识别价签、主推位、缺货、卫生等违规项，输出带位置的标注。规则 Agent 负责"比"：把识别结果和标准库逐条比对，判定是否违规及等级。整改 Agent 负责"跟"：对违规项自动生成整改工单，派给对应门店和督导，跟踪状态直到闭环。督导在移动端确认整改结果，全程留痕。管控台有违规趋势看板，总部能看到哪些店、哪类违规高发，从被动救火变主动治理。

三、关键技术挑战与解决思路

挑战一是陈列图像的多模态识别与误报。门店光线、角度千差万别，直接端到端识别误报高。我们拆成"检测+理解"两步：先用检测模型定位价签/商品区，再让多模态模型读内容做比对，并把置信低的转人工，不盲目判违规。

挑战二是合规规则可配置比对。不同业态、不同活动的标准不同，规则 Agent 的规则做成可配置模板，总部改标准不用动代码，新活动上线即生效。

挑战三是整改派单与闭环追踪。整改工单和门店、督导绑定，状态机管"待整改—整改中—已确认"，超期自动升级提醒。关键是闭环靠督导确认而非系统自判，避免"假整改"。

四、效果数据

试点约八十家门店运行约四个月的脱敏示意值：违规识别准确率（与人工抽检比对）约 91%，误报率约 6%；整改闭环率（确认完成）从群消息时代的约 64% 提升到约 93%；巡检覆盖度（月度每家店至少一次）从约 55% 提升到约 98%；同类违规重复发生率下降约 38%，说明趋势看板驱动了总部级整改；督导人均管店数因自动化提升约 1.7 倍，不用再疲于跑店。

五、可复用经验总结

门店巡检的自动化，识别只是前半段，整改闭环才是价值所在。第一，陈列识别拆"检测+理解"两步并设置信阈值，比端到端误报低得多。第二，合规规则必须可配置，总部改标准不该等开发排期。第三，整改工单要状态机管理并超期升级，闭环靠人确认而非系统自判，杜绝假整改。第四，趋势看板比单次发现更重要——它让总部从"处理个案"变成"治理类别"。我们把规则模板和状态机抽成通用件，新品牌接入主要配标准库。

结语

门店巡检自动化，识别只是前半段，整改闭环才是价值所在。我们最早只做图像识别违规，发现一堆却改不动，群里发图@一下就石沉大海。加了整改 Agent 和状态机后，违规从"看见了"变成"跟到底"，闭环率直线上升。

陈列识别拆"检测加理解"两步并设置信阈值，比端到端误报低得多。门店光线角度千差万别，直接端到端识别误报高，我们先定位价签和商品区，再让多模态模型读内容比对，置信低的转人工，不盲目判违规，督导信任度才建立起来。

合规规则必须可配置，总部改标准不该等开发排期。不同业态、不同活动的标准不同，我们把规则做成可配置模板，新活动上线即生效。整改工单和门店、督导绑定，状态机管待整改、整改中、已确认，超期自动升级，闭环靠人确认而非系统自判，杜绝假整改。

趋势看板比单次发现更重要——它让总部从处理个案变成治理类别。哪些店、哪类违规高发，一眼可见，针对性整改把重复违规打下来。规则模板和状态机抽成通用件后，新品牌接入主要配标准库，巡检能力成了可批量输出的资产。

最后一句话总结：门店巡检这种看似标准的活儿，真正难的是"标准能被执行、执行能被看见"。多智能体把识别、比对、整改、确认拆成可协作的环节，每个环节都有迹可循，总部才第一次拥有全局视图。当巡检从督导的个人经验变成系统的组织能力，连锁扩张才有了可复制的质量底线，这比多开几家店更有长期价值。

最后补一句关于规模的。门店越多，人工巡检越不可控，这正是多智能体价值的放大器。几十家店时督导还能跑过来，几百家店时只能靠系统。我们把识别、比对、整改、确认拆成可协作的环节后，无论多少家店，标准执行和质量可见都是同一套逻辑，扩张不牺牲一致性。对连锁品牌来说，这种规模不稀释质量的能力，才是数字化最该买的单。

案例片段（已脱敏）： ```

陈列识别与整改派单（伪代码节选）

boxes = detect(image, classes=['price_tag','shelf','gap']) findings = multimodal_read(image, boxes)      # 读价签/商品内容 violations = rule_agent.compare(findings, std_lib)  # 可配置标准比对 for v in violations:    if v.confidence < 0.7:        route_to_human(v)                      # 低置信转人工        continue    wo = create_wo(store=v.store, item=v.type,                   status='pending')    assign(wo, supervisor=v.store.owner)    track(wo, sla='48h', escalate_on_timeout=True)

督导移动端确认后 status='confirmed'，闭环留痕

``` 规则 Agent 比对可配置标准库；整改状态机超期自动升级。