Event-Driven Agent Architecture

Architecture Mind Map

🧠 Event-Driven Agent Architecture
- 💡 Core Philosophy: 数据驱动，角色解构
  - 解构传统角色 → 纯数据实体
    - 没有"员工页面"或"客户页面"作为 UI 入口
    - 一切业务行为 = 操作者(Operator) × 归属者(Owner) 的交集
    - Appointment = Employee Op ∩ Customer Booking
    - Data Analysis = Employee Op ∩ Data Record/Report
  - 事件时序流 (Event-Temporal Flow) KEY
    - Event₁ 发生 → Agent 预测/等待 Event₂
    - Event₂ 发生 → Agent 触发对应 Action
    - 取代传统"人找菜单"的 GUI 导航模式
    - 每个 Event 有标准 SOP 流程
  - Push > Pull（系统找人，不是人找功能）VC Narrative
    - 事件自动推送为 To-Do，类似 Cursor Composer
    - "Do As Suggested" 一键执行标准流程
    - 边界情况仍提供 GUI 手动操作
    - 员工辅助系统操作，而非员工操作系统 KEY
- 🤖 Agent Hierarchy: 分层智能体
  - 👤 Human Owner（顶层决策者）
    - 接收 Supervisor 的升级汇报
    - 下达战略指令 → Supervisor 分发执行
    - 只处理 AI 无法自主决策的问题
  - 🎯 Supervisor Agent（编排器）NEW
    - 聚合所有 Sub-Agent 的状态汇报
    - 跨域评估：当前门店整体状态
    - 升级决策：哪些问题需要 Owner 介入
    - 指令分发：将 Owner 指令翻译为 Sub-Agent 任务
  - ⚡ Sub-Agent 1: Appointment → Payment
    - Service 完成 → 自动弹出 Checkout 流程
    - 标准 SOP：支付方式、分账、小费
    - "Do As Suggested" 覆盖 80% 常规场景
    - 员工只是客户沟通的媒介，不是系统操作者
    - 完成后 → Report 给 Supervisor
  - 📣 Sub-Agent 2: Marketing & Upsell
    - 由 Supervisor 基于门店实时状态触发
    - 示例：空闲时段 + VIP客户 → 推荐免费10分钟附加服务
    - 活动配置、忠诚度动作、推销话术建议
    - 基于上下文的智能推荐，非固定规则
  - 💰 Sub-Agent 3: Finance & Data Analysis
    - Day-End 自动触发对账流程
    - 收支匹配、现金抽屉核验
    - 异常检测 → 升级至 Supervisor
    - 替代员工逐条核对小票/支付明细 KEY
    - 自动生成经营洞察 → Owner
- 🔄 Paradigm Shift: 新旧范式对比
  - 传统 SaaS 流程（5步人工链路）
    - 人操作软件 → 软件输出数据 → 人分析数据 → 人做决策 → 人执行
    - 每步都需要人切换模块、理解上下文
  - Agent 架构流程（2步人机协作）VC Narrative
    - Event 发生 → Agent 输出方案 + 执行建议 → 人确认/否决
    - 中间3步被 AI 压缩：数据分析 + 决策 + 方案生成
    - AI 不是工具的附加功能，AI 本身就是系统 KEY

Daily Workflow Timeline

08:30 AM — Day Start

SOP Checklist 自动推送至店长

系统预检：员工出勤、库存、今日排班。店长 Review & Confirm，不需要进入任何模块查看。

Supervisor Agent

09:00 AM — 营业开始

Appointment Events 逐个推送

每个 Appointment 完成 → 自动弹出 Checkout To-Do。员工选择"按标准流程执行"或手动调整。

Appointment → Payment Agent

Throughout Day

Supervisor 实时监控 & 营销触发

基于门店实时状态（客流、空闲时段、客户画像），动态推送 Upsell / 营销建议。

Supervisor Agent Marketing & Upsell Agent

全天持续

异常事件自动升级

支付异常、客户投诉、排班冲突 → Sub-Agent 汇报 Supervisor → 评估是否通知 Owner。

Sub-Agents → Supervisor Supervisor → Owner

~07:00 PM — 营业结束

Day-End Checkout 自动触发

所有 Service 完成后 → Finance Agent 自动对账、核验现金、生成日结报告。店长只需确认。

Finance Agent

07:30 PM — 日结汇报

Supervisor 综合日报 → Owner

今日营收、异常事件汇总、明日建议（排班调整、营销跟进）。Owner 可直接下达指令。

Supervisor Agent Data Analysis

Before vs After: 操作范式对比

场景	传统 SaaS（人找功能）	Agent 架构（系统找人）
Service 结算	打开 POS → 找到订单 → 选支付方式 → 输入金额 → 打印小票	Service 完成 → To-Do 弹出 → "按标准流程" 一键完成
日结对账	打开财务模块 → 导出今日明细 → 逐条核对小票 → 找差异 → 手动修正	营业结束 → Agent 自动对账 → 仅展示异常项 → 确认或修正
营销推荐	打开报表 → 分析客户流失 → 切到营销模块 → 配置活动 → 检查排班	Supervisor 检测到趋势 → 推送完整方案（含排班调整）→ Owner 确认
新员工操作	培训 GUI 操作流程 → 记忆菜单位置 → 反复犯错 → 老员工纠正	系统推送 To-Do + SOP → "Do As Suggested" → 零学习成本

Critique & Analysis

● Strengths

Push 模式 vs Pull 模式是真正的 UX 范式转变 — 研究表明推送式交互的操作效率是菜单导航的 3-10 倍。这不是"加了AI"，是重新定义了人机交互方式。
"Do As Suggested" 捕捉了 80/20 法则 — 80% 的门店操作是标准流程，一键执行直接消灭了大量重复操作。
"员工辅助系统"而非"员工操作系统" — 这个叙事翻转非常有杀伤力。传统 SaaS 是工具，你的定位是：AI 是操作者，人是辅助。这 IS the disruption story VCs want.
Supervisor + Sub-Agent 分层 — 与 CrewAI / AutoGen 等成熟多智能体框架的设计模式一致，有工程可行性基础。
天然的培训成本杀手 — 新员工不需要学系统，系统告诉他该做什么。这直接解决了连锁扩张的人才瓶颈。

● Risks & Weaknesses

边界情况被低估 — 你说"少数边界情况提供 GUI"，但真实门店运营中：No-show、Walk-in、支付纠纷、礼品卡+信用卡混合支付、退款、员工临时换班、双重预约... 这些可能占 20-30% 的事件，不是 5%。如果 1/4 的操作需要退回 GUI，用户体验会割裂。
Finance Agent 的精度要求极高 — 对账必须 100% 准确。当前 LLM Agent 的错误率（即使 1%）在财务场景不可接受。关键路径可能需要规则引擎 + AI 辅助的混合方案，而非纯 LLM Agent。
Supervisor Agent 是单点故障 — 过度升级 = 打扰 Owner；升级不足 = 漏掉关键问题。校准极难，且不同门店/Owner 的容忍度不同。
信任冷启动问题 — 员工需要信任 AI 建议才会点"Do As Suggested"。如果 AI 犯一次财务错误，信任归零。需要设计渐进式信任机制（先只建议不执行 → 逐步放权）。
范围 = AI 门店操作系统 — 这本质上是在造一个全新品类。Pre-seed/Seed 阶段，你需要证明一个 Agent 跑通就够了，不需要全部建完。

● UX Value Assessment

Day Start SOP 推送

9.5

Appointment → Payment

8.5

自动日结对账

9.0

营销 / Upsell 推荐

6.0

Supervisor → Owner 升级

7.5

营销推荐评分偏低的原因：如果校准不好，频繁推荐会让员工产生"通知疲劳"，反而降低对系统的信任。需要非常精准的触发条件。

● Implementation Difficulty

Event 系统 + SOP 引擎

Med

Push UX (实时事件)

Med

Appointment Agent

Med+

Marketing Agent

Med+

Finance Agent (精度保证)

High

Supervisor Agent

V.High

全系统集成测试

V.High

● Missing from Current Flow

客户侧 Agent — 当前流程全部是 Staff-facing。但真正颠覆的系统应该也有 Customer-facing Agent：智能预约建议、到店自动 Check-in 触发事件链、服务后自动跟进/回访。
库存管理 — 耗材补货、产品库存，这些也是高频标准化操作，适合 Agent 化。
多店协调 — Joey 有多家店。Supervisor Agent 跨店通信：A 店周六过载 → 引导部分预约到 B 店。这才是连锁的真正价值。
Agent 故障恢复 — Agent 挂了/做了错误决策怎么办？需要回滚机制和审计日志。
Walk-in 处理 — 不是所有事件都来自预约，Walk-in 是美甲店的重要客源，需要专门的事件入口。

Recommended Phasing (给 VC 的落地路径)

不需要一次建完所有 Agent。每个 Phase 独立可交付、独立有价值。
对 VC 的关键信息：Phase 1 就能证明范式转变。

Phase 1

~3 months

Event Push UX 基础框架
Day Start / Day End SOP
Appointment → Payment 基础流程

→

Phase 2

~2-3 months

Finance 对账 Agent
规则引擎 + AI 混合方案
异常检测与升级

→

Phase 3

~2-3 months

Marketing / Upsell Agent
客户画像 + 实时状态触发
依赖 Phase 1-2 数据积累

→

Phase 4

~3-6 months

Supervisor Agent 完整版
多店协调
Customer-facing Agent

The Key Question for VCs

传统 SaaS 的逻辑：给中间层更好的工具。

Celoria 的逻辑：消灭对中间层的需求。

Zenoti 让你的财务对账更快。我们让你不需要财务来对账。
Zenoti 让你的营销经理配活动更方便。我们让你不需要营销经理来配活动。
Zenoti 让你的 GM 看数据更清晰。我们让你不需要 GM 来看数据。

这不是"更好的 SaaS"。这是 SaaS 的下一个形态：AI-Native Operations。