CONFIDENTIAL
商业计划书 BUSINESS PLAN
CELORIA
为预约制服务业打造 Agentic 运营系统
Agentic Operating System for Appointment-Based Service Industries
2026年3月 · 机密文件
本文件仅供指定投资方阅读，未经许可不得传播
Section 01
执行摘要
$300B+
TAM（全球预约制服务业）
$1.1B
SAM（US 门店 SaaS）
50
已部署门店 / 0 流失
~91%
单店毛利率
Celoria 是为预约制服务业（美甲、美发、Spa、医美）打造的 Agentic 运营系统。我们不做更好的 SaaS 工具——我们用 AI Agent 替代"工具"这个范式本身。可逆的事（对账、异常修复、营销发送）自动执行，不可逆的事（排班调整、预约操作）辅助人做。系统自己判断该用哪种模式。5 终端实时同步——Web 管理后台、iPad 签到、POS 收款、员工端（SOP 提醒）、Manager App（AI 洞察审批）。
团队：Eric He（CEO/CTO，NYU + Georgia Tech 双硕士，零融资独立构建全平台）+ Joey Fei（COO，18 年美甲连锁，50 店 + 100+ 沙龙供应网络）。两位 Senior Developer 顾问（Amazon + SaaS 公司）连续 6 个月以上每周深度辅导。
融资需求：300 - 500 万人民币，用途：团队 45% + 产品 35% + 获客 20%。
问题一
员工用不了——复杂 dashboard 门槛太高
从业者大量文化水平较低，复杂 dashboard 门槛太高。系统上线后员工经常打电话问操作，客人要等。
真实场景
系统已支持中英文双语，但对于只会简单中文的从业者，再多语言支持也解决不了 dashboard 操作复杂度的问题。
解法不是把界面做得更简单——是让 AI Agent 直接替员工处理复杂操作。
?!
传统工具对这批劳动力
就是错误的范式
AI Agent 不是更好的工具
是唯一能用的交互范式
问题二
SOP 执不动——标杆店和普通店差距大
SOP 写成手册没人看。标杆店和普通店效率差距大，靠人记落不下去。
Owner 还在用三套工具拼凑：
Connecteam培训 + 打卡
管理系统排班 + 预约
沟通工具通知 + 协调
Celoria 解法
Agent 把 SOP 变成事件驱动：

该做什么的时候 → 自动推送到员工设备
忘了做 → Agent 提醒或代为执行
做错了 → Agent 检测并修正

不是更好的手册，是不需要手册。
问题三
GM 不顶用——$120K/年只陈列数据不给 insight
$120K/年的 GM 整理的报表只是陈列数字。Owner 约谈员工时需要针对性看板，也要 GM 花大量时间准备。
懂数字化但不懂业务 → 数据到决策之间永远差最后一步。
Agent 输出
[洞察] 3 号店本周营收下降 12%
[归因] 周二下午空位率异常高
[建议] 调整排班 + 定向发优惠券
[预期] 预计回填 8 个空位
从数据到可执行建议，一步到位。
解法
Agentic 运营系统
可逆的事自动执行，不可逆的事辅助人做。
系统自己判断该用哪种模式。
自动执行（可逆任务）
  • 对账核查
  • 异常修复
  • 营销发送
  • 催评跟进
  • 数据报告
辅助人做（不可逆任务）
  • 排班调整
  • 预约创建 / 取消
  • 人事决策
  • 定价变更
  • SOP 规则变更
GUI 不会消失，但会变得越来越简单、越来越聪明——从操作界面 → 审批层 → 审计看板逐步演进。
产品
5 终端实时同步
终端角色核心功能Agent 赋能
Web 管理后台Owner / Manager18 功能模块全覆盖，双模式（Agent + Editor）事件可一键 "do as so" 让 Agent 处理
iPad 签到前台 / 自助Kiosk 模式签到、Walk-in 预约Walk-in 自动分配、等候智能排序
POS 收款前台CodePay P5 刷卡、拆分支付、退款对账异常实时检测、小费自动追踪
员工端 App技师 / 前台排班查看、任务通知、打卡Agent 推送 SOP 提醒和碎片化任务指令
Manager AppOwner移动审批、跨店看板、员工绩效审批 Agent 决策 + AI 洞察 + 跨店协调
核心创新：一支懂业务流程的 AI 团队——AI 店长协调全局、AI 员工执行 SOP、AI 助手辅助决策。不是一个聊天框，是一支有分工的智能团队。
架构
三层多专家 Agent 架构
Orchestrator — 跨店协调层
掌握所有门店状态，跨店资源调度
Supervisor — 店级流程层
协调当天运营流程，聚合上报
预约财务营销日结HR库存
Specialist Agent — 专项执行
80/20 成本控制
80% 事件 → SOP 状态机（JSON 工作流）
= 确定性执行，$0 LLM 成本

20% 边界场景 → LLM 调用
= 每店每天约 40 次 LLM 调用

每店 AI 成本控制在 $30-40/月
三通道学习
1. 显式规则 — Owner 配置的业务规则
2. GUI 行为模式 — 从操作中提炼偏好
3. 审批决策偏好 — 从 Manager App 积累
产品演示
场景：日结对账异常闭环
传统 SaaS
1 打开财务模块
2 导出当日交易记录
3 逐条核对小票
4 找支付差异
5 手动修正记录
无异常 1-2 分钟
有异常 5-10 分钟
或者忘了做 → 第二天开店 SOP 断裂
Celoria Agent
1 Agent 发现 $200 差额
2 追溯：过期折扣码仍被使用
3 自动禁用该折扣码
4 通知店长 + 相关员工
5 写入对账报告
无异常 5 秒
有异常 20-30 秒
发现 → 归因 → 修复 → 通知 → 记录
Section 02
市场规模
$300B+
TAM — 全球预约制服务业
（美甲 + 美发 + Spa + 医美 + 健身 + 宠物 + 口腔）
$1.1B
SAM — US 门店 180K+ 家 × ARPU $523/月
$226M
SOM — 连锁 2-50 店（约 36K 家门店）
连锁化加速
美甲行业年增 7.8%
Franchise 扩张驱动
$13B → $25B by 2033（CAGR 8.2%）

单店开第二家就进入我们客群。
扩展路径：美甲连锁 → 所有美容连锁（Spa、美睫、美发）→ 所有预约制服务（医美、健身、诊所）。SOP 引擎天然跨行业通用。
市场趋势
为什么是现在
LLM 成本刚跨过门槛
早两年：每店 AI 成本 $200+/月 → 中小连锁负担不起
现在：降到 $30-40/月
晚两年：连锁锁定效应 — 谁先成为管理平台谁就锁定，迁移成本极高
Incumbent 的创新者窘境：Zenoti（30K+ 门店）已开始加 AI，但组织复杂、存量客户多、不敢做激进实验。窗口不会永远开着。
为什么是真趋势
  • 联合创始人亲历 18 年 — 员工用不了、SOP 落不下去、GM 只搬数据，是每天面对的真实问题
  • 实地调研验证 — 以加盟者身份调研，发现除统一用品外几乎没有标准化管理机制
  • YC 投了 Tepali（AI-native OS for medspas，W26），Boulevard $188M、GlossGenius $70M、Toast / ServiceTitan 已 IPO — 赛道和方向都被资本验证
Section 03
商业模式
SaaS 订阅（含 AI Agent）
$299/门店/月
支付处理抽佣
2.3%/笔
早期低价获客，浮动定价。参考 Toast 路径：SaaS 是让客户离不开的载体，支付抽佣才是核心变现层。
定价策略逻辑
AI 不额外收费 — 含在 $299 订阅内
（竞品 Zenoti 额外收 $200-400/月 AI 费用）

支付流水抽佣：商户费率 2.3%，扣除 interchange 及渠道分成后净利润率 0.42%/笔
基于月均 $54K 流水，净利润约 $227/店/月

当门店数过 500 家，支付收入将超过 SaaS 订阅收入。
单位经济
每店每月 — 毛利率 ~91%
项目金额明细
SaaS 订阅收入$299固定月费
支付利润分成$224月均 $54K 流水 × 净利润率 0.42%
总收入$523
AI 推理成本-$30-4080% SOP + 20% LLM
服务器 / 基础设施-$5-8多租户架构，边际成本极低
总成本-$35-48
毛利~$478毛利率 ~91%
规模化杠杆
  • Agent 承担 80% 客服 — 支持成本不随门店线性增长
  • 新店近零配置 — 开第 10 家店时系统已积累前 9 家的运营偏好
  • 多租户 Schema 隔离 — 一套代码服务所有客户，边际基础设施成本趋零
飞轮效应：每次人类否决 AI → 新增规则 → 更少 LLM 依赖 → 单店成本持续下降。
Section 04
竞争格局
层级代表AI 能力关键弱点
企业级Zenoti（30K+ 门店）AI Workforce (2025年9月) — 6 个独立 AgentAgent 无协调、全靠 LLM 无 SOP 状态机、无学习机制
中端Boulevard（$800M 估值）
Vagaro		ML 排班优化、自动化营销Boulevard 定位高端不做运营管理；Vagaro 无 AI Agent
轻量GlossGenius（$510M）
Fresha（140K 商户）		基础自动化
AI Receptionist（即将上线）		无 AI Agent 层；Fresha 面向单店
美甲垂类NailSoft（越南裔标配）
MaSe（华裔市场）		无 AI族裔分层明显，华裔连锁无对应工具
平台级Square Appointments基础自动化 + 支付生态预约制服务非核心业务，功能通用不深入美业运营
同方向Tepali（YC W26）AI-native OS for medspas方向接近但客群不重合 — medspa 单店
我们CeloriaAI 即系统 — 事件驱动 + Agent 原生AI 运营，人类确认
"给诺基亚加触摸屏，不会让它变成 iPhone。架构必须从第一天就为 AI 原生设计。"
竞争深度
vs 通用 AI（ChatGPT / Copilot）
通用 AI 做不了运营闭环
  • 无数据接入 — 不知道库存、排班、交易数据
  • 无执行能力 — 不能修改预约、发起支付
  • 无业务上下文 — 不知道每家店规则不同
Copilot 够了，Agentic 差数据管道和执行系统——这正是我们花 3 个月造的全栈平台。
vs Zenoti AI Workforce
维度ZenotiCeloria
Agent 协调6 个独立，互不协调三层级协调
成本控制100% LLM 调用80% SOP + 20% LLM
学习机制无三通道学习
人机边界用户选择系统根据可逆性判断
客群大型企业中小连锁 2-50 店
Section 05
壁垒与差异化 — 六重壁垒体系
1. 内建分销渠道
Joey 50 家门店 + 100+ 沙龙供应网络，零 CAC 冷启动已验证。不是"认识人"，是有长期信任的 B2B 分销网络。
2. 数据飞轮
50 家店已积累结构化运营数据。Agent 上线后用户每次操作和审批都生成决策偏好，竞品无法复制。
3. 全栈执行层
Agent 的价值不在 LLM，在手脚——直接操作 18 个业务模块。内嵌大量行业逻辑（per-store 配置、SOP 状态机）。
4. 运营能力依赖
员工靠 Agent 推送 SOP 提醒执行操作。离开系统不知道完整流程——不是切换成本，是能力依赖。
5. Agentic Commerce 先发
计划 4 月中旬接入 ACP / UCP / MCP / A2A 协议。美业首个 Agentic Commerce Ready 平台。
6. 跨市场知识套利
把中国消费行业已验证的玩法（社交送礼、逐客个性化营销、AI 图片生成）带到美国美业。
核心逻辑：门店越多 → Agent 越聪明 → 新客户上手越快 → 更多门店加入。用得越深，越难离开。
Section 06
Traction — 已达成（零融资）
50
门店已部署
0
流失门店
18
功能模块
832
自动化测试
  • 全栈运营平台上线 — 18 模块，5 终端实时同步
  • 50 家真实门店跑生产 — 月处理刷卡流水 $2.7M，0 家流失
  • AI Agent 架构完成 — 多层级代理架构，自动对账场景技术闭环跑通
  • AI 洞察引擎已上线 — 异常检测 + LLM 归因 + 自动邮件推送
  • GTM 渠道已验证 — Joey 供应网络零 CAC 获客
  • AI 辅助开发 — 每周消耗 1B+ tokens
  • 独立开发、零外部融资 — 3 个月从零到 50 家门店
  • 1,133 个 API 端点 — 企业级多租户架构
正在推进：Agent 从技术验证向生产部署 · Agentic Commerce 协议接入（4 月中旬）· 在店里和员工一起迭代 Agent 交互设计
Section 07
团队
Eric He
CEO / CTO · 创始人
NYU 交互设计 + Georgia Tech 计算机双硕士

美团接触 — 大规模服务 AI
用友实习 — 企业级 AI Agent

零融资独立构建完整平台：1,133 个 API、4 个前端、AI Agent 架构。3 个月从零到 50 家真实门店跑生产。每周消耗 1B+ tokens 进行 AI 辅助开发。

清楚自己是最大的单点故障——拿到资金第一个招 Founding Engineer。
Joey Fei
联合创始人 / COO
经营 QQ Nails（纽约知名美甲连锁）18 年
50 家门店 + 100+ 沙龙设备供应商

首个客户、行业知识来源、早期分销渠道。

作为 18 年的行业老板，站在最终付费者视角审视产品——我们不需要猜客户要什么。

日常运营已在向管理团队交接，正逐步过渡到全职投入 Celoria。
Advisory Board
技术顾问团
两位 Senior Developer（分别来自 Amazon 和知名 SaaS 公司）已连续 6 个月以上每周做架构评审和工程辅导。

不是挂名顾问——深度参与了 Celoria 从零到 50 家店的整个技术演进。

融资后首个招聘：
Founding Engineer
Section 08
融资需求与资金用途
300 - 500 万
目标融资额（人民币）
团队 45%
产品 35%
GTM 20%
优先级类别占比用途
P0团队搭建~45%Founding Engineer，补强工程执行力
P1产品研发~35%Agent 投产 + Agentic Commerce + AI 基础设施
P2市场拓展~20%Joey 供应网络扩展 NYC + 单店获客漏斗
12 个月里程碑
Q1
团队 + Agent 投产
Founding Engineer 到位。核心 Agent 场景上线生产。
Q2
Agentic Commerce + 扩客
ACP/MCP/A2A 上线。50 → 70+ 门店。
Q3
跨品类验证
美甲 → 美发/Spa（SOP 可复用 80%+）。
Q4
100+ 门店 + A 轮准备
数据飞轮初见效果，新客户上手配置大幅缩短。
Section 09
风险与应对
技术风险
AI Agent 可靠性 — LLM 可能产生幻觉或错误决策，影响门店运营
80/20 架构：80% 事件走确定性 SOP 状态机（零 LLM 风险），仅 20% 调用 LLM。所有决策留审计日志，Owner 随时可回滚。不可逆操作必须人工确认。
市场风险
连锁客户采纳速度 — 中小连锁对新技术接受度不确定
50 家店零流失已验证。渐进信任路径（工具 → 建议 → 自动执行）降低门槛。Joey 的供应商身份提供天然信任背书。
竞争风险
Zenoti 等 Incumbent 加速 AI 投入
创新者窘境：Zenoti 30K+ 存量客户和复杂组织使其不会优先投入中小连锁。他们的 AI Workforce 验证了方向对，但执行方式给了我们差异化空间。
团队风险
创始人是单点故障
融资后立即补人。第一个招 Founding Engineer，第二个补 Multi-Agent 工程师。已有两位 Senior Dev 顾问连续 6 个月深度辅导。
附录 A
产品深度 — 可配置能力
来自 18 年行业认知的深度配置
  • Per-store 小费规则 — 每家店小费分配规则不同（按比例 / 按金额 / 自定义公式）
  • 日结 5 步 Checklist — 可逐店配置开店/关店 SOP 流程
  • 营销自动化 — 触发式营销 + 变量树模板，不同客群不同策略
  • 租户自定义 Guest App — 每个连锁看起来像自己的 App
  • AI 邮件图片逐客渲染 — 基于客户消费历史生成个性化营销图片
18 个功能模块
1. 预约管理
10. AI 洞察引擎
2. 在线预约
11. 员工绩效
3. 支付集成
12. 会员体系
4. 排班系统
13. 礼品卡
5. 员工打卡/工时
14. 客户管理
6. Payroll 佣金
15. Referral 推荐
7. 营销自动化
16. 日结关账
8. 通知系统
17. 客户端自助
9. 报表分析
18. 国际化（中/英）
832 个自动化测试 · 1,133 个 API 端点
附录 B
Agentic Commerce — 美业首个
四大协议
ACPUCPMCPA2A
正在定义 AI Agent 如何与商户交互。

ChatGPT 用户说"帮我约美甲"就能直查实时空档完成预约。

我们将 Booking API 暴露为协议端点。
计划 4 月中旬上线。
分层数据策略
层级数据开放度
基础信息店名、地址、服务列表全开放
实时空档可预约时段给 ACP 方
质量数据评分、客户反馈选择性开放
智能层SOP、决策偏好只留自己
Agentic Commerce 不仅是获客渠道——它是让 AI Agent 之间可以交易的基础设施。先接入的平台获得先发数据优势。
愿景
从工具到自主运营的三阶段演进
Phase 1
管理工具
全栈运营平台
18 模块 + 5 终端
50 家门店 已验证

GUI 是操作界面
Phase 2
AI 处理日常
Agent 执行可逆任务
人审批不可逆任务
三通道学习积累偏好

GUI 变审批层
Phase 3
AI 自主运营
Agent 自主处理 95%+ 运营
人仅做战略决策
跨市场知识套利

GUI 变审计看板
终局：预约制服务业的跨市场运营基础设施
你的下一家店
不需要新经理来管。
只需要 Celoria。
Eric He · Founder & CEO
eric@celoria.ai · celoria.ai
商业计划书 · 2026 年 3 月 · 机密文件
← → 方向键翻页 · F 全屏