HongShan YUE Accelerator Application

1. 创业动机：不是规划出来的，是被真实需求一步步拽进去的。 第一次转向：帮一家NYC美甲连锁做社媒运营，owner说"email平台太难用"。我学交互设计+计算机，想自己做产品，就进去从零搭了营销系统。后来她要嵌预约，我研究了Zenoti——体验差，SaaS $299+支付$700-800，一店每月$1,000+。我觉得能做一个更好的替代品。 第二次转向：35家店上线后，三个问题推动我从做工具转向AI Agent。 · 员工用不了——从业者文化水平较低，复杂dashboard门槛太高，经常打电话问我操作，客人要等。 · SOP执不动——标杆店和普通店效率差距大，员工文化水平有限导致SOP理解和执行都打折扣，靠人记落不下去，Connecteam+管理系统+沟通工具三套拼凑。 · GM不顶用——$120K/年的GM只陈列数据不给insight，owner约谈员工要的数据看板也要GM花大量时间准备，懂数字化但不懂业务。 我在美团和用友接触过服务业AI和企业AI Agent，开始想：能不能让AI替员工做复杂操作，把SOP变成碎片化的事件提醒，让数据直接输出可执行建议。加上行业竞品功能95%相同，SaaS增量就是价格战——AI Agent是新维度。 第三次修正：把所有API打包给Agent想让它处理一切，发现预约这类场景dashboard比自然语言高效。AI不该替代所有交互，只替代服务和决策之外的运营工作。 三次转向让我确信：好的产品判断力不是一开始想对，是从真实使用中不断修正。 2. 专业水平：零融资，一个人，3个月，从零到35家真实门店。 Zenoti花了$50M+融资和200人团队。我一个人做了预约、支付、排班、营销、绩效、5终端同步，832个自动化测试，2个月部署35家门店跑生产。这不是效率高，是AI时代一个人能做的事发生了质变。 3. 代价：一个人扛所有事，既是优势也是瓶颈。 去年7、8月从营销系统转向完整预约平台，严重低估了业务复杂度——每家店规则不同，还要对接POS和iPad硬件，连续两个月没正常休息。需求永远做不完，这种无力感反而推动了转向AI Agent。 但我清楚自己是最大的单点故障。AI Agent方向验证了，但多代理系统的工程深度不是我最擅长的。拿到资金第一个补安全工程师，第二个补multi-agent工程师。我能0到1，但1到100需要的不是更拼，是敢让别人进来。

为预约制服务业打造Agentic运营系统

市场规模：TAM $300B+（全球预约制服务业）。SAM：US门店180K+家 × ARPU $523/月 = $1.1B。SOM：聚焦连锁2-50店（~36K家）= ~$226M。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。 市场趋势：连锁化加速，但管理标准化没跟上——门店越多，AI跨店协调和SOP执行越刚需。 为什么现在做：早两年LLM成本太高（每店$200+/月），中小连锁负担不起，现在降到$30-40/月刚跨过门槛。晚两年来不及——连锁加速扩张，谁先成为一个连锁的管理平台谁就锁定，迁移成本极高。Incumbent已开始加AI，但组织复杂、存量客户多、不敢做激进实验，留给新进入者的窗口不会永远开着。 为什么是我做：AI-native的开发方式（每周10亿+token），零融资3个月0→35店跑生产、0流失。Agent层已跑通自动对账技术闭环。我在店里和员工一起build，发现预约场景copilot比autopilot更合适——这种判断只能从真实场景里跑出来。我也会把国内消费行业验证过的玩法带到美国——社交送礼、逐客个性化营销、AI图片生成，美国美业还在群发同一套模板，这是跨市场的知识套利。联合创始人经营50家美甲连锁18年+100+沙龙供应网络，早期GTM有信任基础。更重要的是，她作为18年的行业老板，能站在最终付费者的视角审视产品——我们不需要猜客户要什么。 为什么是真趋势：(1) 联合创始人亲历18年——员工用不了复杂系统、SOP落不下去、GM只搬数据，是每天面对的真实问题。(2) 我以加盟者身份实地调研，发现除了统一用品外几乎没有标准化管理机制。(3) YC W26刚投了Tepali（AI-native OS for medspas，与我们方向接近但客群不重合——他们做medspa单店，我们做预约制连锁），Boulevard $188M、GlossGenius $70M、Toast/ServiceTitan已IPO——赛道和方向都被验证。

目标用户：2家店以上的预约制连锁。从美甲切入，适用于美发、Spa、医美等。 产品定位：Agentic运营系统——可逆的事（对账、异常修复、营销）自动执行，不可逆的事（排班、预约）辅助人做。系统自己判断该用哪种模式。 主要功能：运营平台（预约管理、在线预约、支付集成（拆分支付/退款）、排班系统、员工打卡/工时、Payroll佣金、营销自动化、通知系统（邮件/SMS）、报表分析、AI洞察引擎、员工绩效、会员体系、礼品卡、客户标签分群、Referral推荐、日结关账、客户管理、国际化中英双语）35店已验证。5终端实时同步（Web管理后台、iPad签到、POS收款、员工端+Agent SOP提醒、Manager App+AI洞察审批）。 主要技术： · 后端：Node.js+Express，PostgreSQL多租户Schema隔离，RBAC权限（36权限×门店级scope），Socket.IO+PG NOTIFY实时推送 · 前端：Next.js/TypeScript，国际化（中/英）。移动端Flutter跨平台，共享设计系统 · AI Agent引擎：Inngest持久化执行（retry/idempotency/dead letter）+AgentKit多代理编排，SOP状态机（JSON工作流），LLM多供应商路由，决策审计日志（记录每次调用的token/cost/context） · 三通道学习：显式规则、GUI行为模式、审批决策偏好 · 832个自动化测试（Jest/Playwright/Flutter Test） 定价：SaaS（含AI）$299/店/月 + 支付2.3%/笔。早期低价获客，浮动定价。 单位经济（每店/月）：收入$523（SaaS $299 + 支付margin $224）。成本$35-48（AI推理+服务器）。毛利率~91%。Agent承担80%客服，不随门店线性增长。

竞品都在加AI，但方式不同： 企业级：Zenoti（$200-400/月，30K+ locations）2025年9月推出AI Workforce——6个独立Agent（Receptionist/Concierge/Lead Manager/Marketer/Scribe/Dispute Manager）。最接近我们的竞品，但关键区别：Agent各自独立无跨店协调层级、全靠LLM无SOP状态机（成本更高）、无从用户操作中学习的机制。Mindbody以健身为主，沙龙非核心。 中端：Boulevard（$188M融资/$800M估值）有ML排班优化和自动化营销，定位高端预约体验，不做运营管理。Vagaro有自动化营销（流失召回、访前访后提醒），无AI Agent，多店管理浅。 轻量：GlossGenius（60K商户/$510M估值）基础自动化无AI Agent。Fresha（140K商户）AI Receptionist即将上线，25%预约来自Gemini/ChatGPT引流，面向单店。 美甲垂类：族裔分层明显。越南裔主导大型加盟（Regal Nails 940+店），NailSoft是越南裔标配，无AI。华裔连锁没有对应工具——MaSe功能浅无AI。我们的中英文双语+Agentic系统是这个空白的切入点。 通用AI（ChatGPT拉群）做不了：没有数据接入、没有执行能力、不知道每家店规则不同。Copilot够了，Agentic差数据管道和执行系统。 我们的差异：从第一天为Agentic设计的全栈系统。Incumbent有资金和客户，我们有速度和零架构包袱。华裔连锁市场目前没有对应的AI工具，我们是切入点。 壁垒：(1) 内建分销——联合创始人50家门店+100+沙龙供应网络，零CAC冷启动已验证。(2) 数据飞轮——Agent上线后用户操作和审批持续生成决策偏好数据，竞品无法复制。(3) 全栈执行层——Agent价值在手脚（直接操作预约/支付/营销/排班），从零造需数年。(4) 运营绑定——员工靠Agent执行SOP，离开系统不知道完整流程，不是切换成本是能力依赖。

亮点一：AI之间会协作、会学习、知道什么时候该问人。 Zenoti有6个独立AI Agent，但互不协调。我们的Agent有层级（Orchestrator掌握所有店状态→Supervisor协调当天流程→专项Agent执行），从用户操作中学习决策偏好，根据可逆性判断自动执行还是请示人。举例：owner在Manager App看到"3号店空了6个位，建议发优惠券，预计回填8个"——一键审批，立刻执行。 亮点二：渐进信任——第一月用工具，第二月AI建议，第三月自动执行。 每一步用户都有控制权。不追求所有事都AI化——预约操作留在dashboard（比自然语言高效），Agent只做它比人强的事。每一次GUI操作同时在教Agent偏好——用得越多越聪明。 亮点三：Agentic Commerce Ready——4月中旬上线，美业首个。 四大协议（ACP/UCP/MCP/A2A）正在定义AI Agent如何与商户交互。我们将Booking API暴露为协议端点——ChatGPT用户说"帮我约美甲"就能直查实时空档完成预约。分层数据策略：基础信息全开放，实时空档给ACP方，质量数据选择性开放，智能层只留自己。 亮点四：深度可配置——来自18年行业认知。 per-store小费规则、日结5步Checklist、营销自动化（触发式+变量树模板）、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。这些不是通用模板，是知道哪些东西每家店一定不一样。832个测试，35店跑生产。

团队补充：我目前是技术背景最强的成员（交互设计+计算机双硕士），但坦诚说我不是资深工程师。为此我建立了长期的技术 mentor 体系：两位 Senior Developer（分别来自 Amazon 和知名 SaaS 公司）已连续 6 个月以上每周与我做架构评审和工程辅导，覆盖系统设计、AI Agent 架构、生产环境运维等关键决策。这不是挂名顾问——他们深度参与了 Celoria 从零到 35 家店的整个技术演进。 联合创始人 Joey 经营 QQ Nails（纽约美甲连锁）18 年，50 家门店，同时是 100+ 沙龙的设备供应商。她是我们的首个客户、行业知识来源和早期分销渠道。日常运营已在向管理团队交接，正逐步过渡到全职投入 Celoria。她作为 18 年的行业老板，能站在最终付费者的视角审视产品——我们不需要猜客户要什么。 融资后第一个招聘：Founding Engineer，补强工程执行力。