Celoria 多层多专家 Agent 架构的 VC 沟通要点
2026-03-19 · Meeting Prep传统 SaaS 的逻辑：人操作软件 → 软件输出数据 → 人分析 → 人决策 → 人执行（5步）。
Celoria 的逻辑：事件发生 → AI 输出方案 → 人确认（2步）。中间3步被AI压缩。
多店连锁真正的效率黑洞不在一线（技师、前台），而在不直接接触运营却消耗大量人力的岗位：
产品有两种模式，就像 Cursor 有 Agent Mode 和 Editor Mode：
Agent Mode（95% 日常运营）：系统推送决策 → 员工一键确认。对账、排班、补货、营销触发全自动。
Editor Mode（5% 配置场景）：传统 SaaS GUI 兜底。添加服务、设计促销、复杂排班调整。
Before (传统SaaS): 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 → 1-2小时/天
After (Celoria): 营业结束 → Agent 自动对账 → 仅展示3笔异常 + 可能原因 → 店长确认 → 3分钟
| 分组 | 包含 Agent | AI 比重 | 优先级 |
|---|---|---|---|
| 日常运维 | Appointment→Payment, Finance&Tips, Day SOP | 20% LLM + 80% 规则 | P0 MVP |
| 获客增长 | Marketing Campaign, Referral | 60% LLM | P1 |
| 客户留存 | Customer Lifecycle, Loyalty | 50% LLM | P1 |
| 选品库存 | Inventory | 30% LLM + 规则 | P2 |
| 人才标准化 | Schedule, Training&Quality, Performance | 40% LLM | P1-P2 |
| 合规风控 | Compliance (劳动法/税务/执照) | 10% LLM + 规则 | P2 |
| 多店编排 | Supervisor (每店) + Multi-Store Orchestrator | 70% LLM | P0 + P3 |
核心设计：规则引擎处理 80% 标准事件（$0 LLM cost），LLM 只处理 20% 边界情况。
三层护城河：
1. SOP 规则引擎（领域知识壁垒） — 美甲连锁的对账流程、排班约束、合规规则……这些不是通用 AI 能解决的，是我们和 Joey 100+ 家合作门店实际运营沉淀出来的。
2. Event-Driven 架构（技术壁垒） — Zenoti 是 15 年前的 monolithic 架构，加 AI 只能在现有 GUI 上叠 chatbot。我们从第一天就是事件驱动的，AI 不是附加功能而是系统核心。
3. Human Override 飞轮（数据壁垒） — 每次人工覆盖 = 一条新训练数据。用得越多，系统越懂这个行业。这个数据资产竞品没有。
预约管理 · 支付（Stripe）· 日结对账 · CRM · 排班
营销自动化 · 忠诚度 · 多店管理 · 语音AI · 报表
106 个 Agent Actions 中 72 个已有 API 可直接封装为 Tool。
MVP 只需新建 6 个 API。
OpenAI (gpt-4o/mini) · DeepSeek · Deepgram 语音
Circuit Breaker 容错 · Socket.IO 实时推送
Joey 的门店已在使用基础 SaaS 功能。
Agent 层是在 已验证的产品上叠加，不是从零开始。
颠覆不在于功能列表的差异，在于交互范式的转变。 iPhone 跟 Nokia 都能打电话发短信，但它重新定义了人和手机的关系。 我们做的不是"更好的 Zenoti"，是让门店老板跟运营系统的交互方式从"人操作工具"变成"AI 推送方案，人只需确认"。 具体场景：日结对账从 1-2 小时变成 3 分钟，新员工培训从 3 个月变成 3 天。这是 10 倍效率提升，不是 10% 优化。
他们加 AI 只能是在现有 GUI 上叠一个 chatbot 或 copilot——因为他们的架构是 15 年前设计的 monolithic 系统，不是事件驱动的。 这就像让 Nokia 加触摸屏——可以做，但不可能做成 iPhone，因为底层架构就不支持。 我们从 Day 1 就是事件驱动 + Agent 原生的架构，AI 不是附加功能，是系统的操作核心。 另外，我们的 SOP 规则引擎是跟 Joey 100+ 家合作门店实际运营磨出来的——这个领域知识数据库是 Zenoti 没有的。
这是我们架构的核心优势。80% 的门店操作走确定性规则引擎，0 token 消耗。LLM 只处理 20% 的边界情况。 结果：每个门店每月 AI 成本约 $12，仅占 $199 订阅的 6%。 对比行业：典型 AI SaaS 的 LLM 成本在 15-30% of revenue。 而且我们有飞轮效应——每次人工覆盖 AI 建议，就生成一条新规则，减少未来的 LLM 调用。成本会持续下降。
说得对，而且我们也不是用 AI 替代所有 GUI。"添加一个服务"用表单确实比说话快。 但门店 80% 的日常运营是"确认型"而非"创建型"——确认排班、确认对账、确认补货、确认营销触发。 这些操作传统系统需要人主动登录→找功能→看数据→做判断。我们直接把结论推给对的人。 真正的颠覆不是"NL 替代 GUI"，是"不需要打开系统"这个动作被消灭了。 GUI 作为 Editor Mode 依然存在，用于 5% 的配置场景。就像 Cursor——Agent 做 95%，Editor 做 5%。
Joey 的连锁门店是我们的第一个客户，目前在使用完整的 SaaS 功能（预约、支付、排班、CRM）。 Agent 层是在已验证的产品基础上叠加，不是从零起步。 我们的 MVP 计划是 8 周内跑通 Day Start → Operations → Day End 完整闭环。 4 周就能 demo 第一个完整的 Agent 流（Appointment → Payment push-based UX）。
美国 Beauty & Wellness 市场 $100B+。Zenoti 估值 $1.5B，只吃了 15,000 个 location。 但更重要的是：我们做的不是"美甲 SaaS"，是AI-Native Operations Intelligence。 SOP 引擎 + Event-Driven Agent 架构可以迁移到任何连锁服务业：餐饮、医美、健身、维修。 美甲连锁是我们的 wedge market——因为 Joey 的网络给了我们 100+ 家门店的冷启动分发能力。
两个关键事实：
1. 我们已经有一个完整运行的 SaaS 平台（1,133 个 API，企业级多租户架构），不是 PPT。Agent 层只需要新建 6 个 API 就能出 MVP。
2. AI 时代最大的变化就是：2 个人能做 20 个人的事。我们的代码本身就是 AI 辅助开发的。
我们要找的不是 20 个工程师，而是 2-3 个有判断力的人。这也是我们融资的目的之一。
| 订阅定价 | $199/mo/store + $99 AI Premium |
| 支付抽成 | 2.6% processing fee |
| AI 成本/店 | ~$12/mo (Hybrid) → 6% of revenue |
| AI Premium 毛利 | 85%+ ($99 - $12 = $87 profit) |
| 现有 API | 1,133 endpoints, 企业级多租户架构 |
| Agent Actions | 106 total, 72 已有 API (68%) |
| MVP 新建 API | 仅 6 个 |
| MVP 时间 | 8 weeks (4 weeks 可 demo) |
| Agent 分组 | 6+1 groups, 15 sub-agents |
| 分发渠道 | Joey 100+ salon supplier network |
| 目标市场 | US Beauty & Wellness $100B+ |
| 竞品定价 | Zenoti $200-400/mo, 我们半价 + AI |
1. 问题（30s）：多店连锁美业的效率黑洞在中间处理层 — 对账、营销配置、数据复盘 — 这些岗位不碰客户但吃掉 $15K/月
2. 方案（60s）：AI 不是工具的附加功能，AI 本身就是系统。事件驱动 + Push-based UX，员工辅助系统而不是操作系统。日结对账从2小时→3分钟
3. 为什么是我们（30s）：已有 1,133 API 的完整平台 + Joey 100+ 家门店分发网络 + 8周出 MVP
4. Ask（30s）：融资用于招 2-3 个工程师 + Agent 层 Go-to-Market
加入：完整架构介绍（6+1 Agent 分组）+ 成本控制故事（$55→$12/月的 hybrid 方案）+ 护城河（SOP 引擎 + 飞轮效应）+ Joey 的案例细节
| Agent Architecture Mind Map | 事件驱动架构思维导图 + Critique |
| Implementation & Cost Control | 5-Layer 技术方案 + 成本模型 + DB Schema |
| Agent Group Map & Actions | 15 个 Agent × 106 Actions 的完整 API 审计 |