多租户才是真门槛:一个 AI 服务几百家商户还各自干净,这比模型强不强更决定成败。先在一家店验证。

🦩 第 6 篇 · 2025 年 11 月 19 日
做完这套,我清楚记住了一个判断:很多做 AI 的人纠结"模型强不强",但真正让 AI 在真实业务里立住脚的,是"能不能一个 AI 服务成百上千家商户,还互不串线、各自干净"。 这篇文章讲我用 OpenClaw 这类底座落地"多租户 Agent"时,究竟隔离开了什么。
一句话
要做"一家店一个懂行的 AI"很容易想成"每家店单独开一个 AI"——那是做不下去的(门店多了没法维护)。正确做法是:一个共享 Agent 服务所有门店,靠两层隔离让每一家都像"只为我服务"——一层是会话语境隔离,一层是业务数据隔离。
为什么不能"每家店一个 AI"
如果真开成每家店一个专属 AI:
- 万级门店 = 万套系统要维护,更新话术、修 bug 都要全量推
- 成本随门店线性涨,房租还没省先被模型账单拖垮
- 不共享、没法进化:一家店学到的好经验传不到别家去
所以现实是:一个 Agent 大脑,服务 N 家店。 它怎么保证 A 店的客户不会看到 B 店的数据、A 店的会话不会串进 B 店?靠隔离。
落地要点
- 一条会话,一套独立记忆(会话隔离)
每个客户每次对话都有唯一的会话钥匙(session-key),格式类似
agent:main:station:{门店id}:customer:{客户id}。 Agent 靠这把钥匙记住:这是"3号门店的张三在问水票",跟别家别的客户严格分开,互不污染上下文。 - 一个库,按门店分栏(数据隔离) 订单、客户、水票这些业务数据,表里都带门店 id,读写都按门店过滤。隔离不在"开好几个系统",而在同一系统里把数据从根上按商户隔开。
- 一层 Agent,多个入口(不用每家店一套) 各家门店只是"接入同一个 Agent 的不同入口",门店差异收敛成薄薄配置(自己的店名、价目、活动),不各干一套 AI。
- 系统 prompt 锁边界 让 Agent"只说这家店的业务、不编造、不越权看别的店",从源头防串。
踩过的坑
- 会话拿错钥匙 = 上下文串台:最危险的 bug 是把门店/客户 id 拼错了,A 店的服务员回着 B 店的事还没人发现。钥匙要用规范格式并在源头校验。
- 不是"多开几个系统"是"一个系统内部隔好":一开始我差点想给每家店复制一份,后来发现维护是灾难;正确是共享+隔离。
- 隔离要测"串不串"而不是"通不通":稳定性验证要专门测 A 家会话会不会漏出 B 家数据,这类边界错了是要命的隐私事故。
对真实场景的思考
做这个项目最大感受:“千家店共享一个聪明大脑、各自又是独立干净的店” 这个 state,听起来像产品包装,做起来其实是纯工程问题——会话隔离、数据隔离、边界锁死。 有了这套,门店想加就加,成本不会跟着店数疯涨,各家学到的好话术还能沉淀反哺整个网络。
这也是为什么我用 OpenClaw 这类底座搭:模型是那张会说话的"嘴",真正扛住"千家店隔离、各店上下文干净"的是底下那层工程底座——它把会话管理、数据分栏、权限这些脏活扛住了,我只需要管业务本身。
一句话总结:很多店共生一个 AI,靠的不是每家开一个,是一个 Agent 大脑 + 会话隔离 + 数据隔离把每家隔成"独立又共享"。真正值钱的不是模型,是那层隔离的工程。
延伸阅读
- 本地生活门店的 Agent 团队,一次真实复盘
- 不是一岗配一 AI,我收敛成几个 Agent
- 从本体论到知识图谱,三层架构怎么搭
- 多渠道来的问题,AI 怎么用一个大脑接住
- 零售智能订货,怎么不再断货和积压
- 自动化剪辑能干和不能干,门店实拍复盘
- 总部一个活动,全量门店怎么同步执行
- A2A 不只是连 Agent,门店之间也要协同
- AI 项目为什么大多死在第二个月
- AI落地效果怎么衡量:北极星加配套指标
相关阅读
标签
双号关注
扫码关注「广说新零售」公众号 + 视频号
本地生活 AI 落地、Agent 实操、真实门店怎么跑起来。扫码关注公众号与视频号「广说新零售」,持续看可收藏的做法;有场景也可私信聊合作。

公众号

视频号
继续读
同栏目相关文章,方便对照着看。
AI落地这条路,我为什么一直走下去
不是因为它热。踩过的坑越多越确认:AI只有放进真实业务跑,才知道哪些是真需求,先看AI落地。
AI 落地和创业一样,都要算清 ROI
上项目时轰轰烈烈,上完算账发现是负的。AI 落地不是技术选型,是商业决策,先算 ROI。
AI落地效果怎么衡量:北极星加配套指标
没有指标,AI运营要么靠感觉,要么靠注水的汇报。一个北极星指标加六个配套,价值才可量化,先看AI落地。
不是急着做AI和人的分工不是谁,是先核对AI落地
员工最怕被取代。真实落地里,花时间最多的不是调模型,是处理人和AI的关系与信任,先看AI落地。
Agent 架构设计:几张卡片把系统搭清楚
系统越复杂越容易乱。每个角色先写一张卡片,职责、边界、入口、出口说清,再往代码里落。
