一笔订单可以显示“已完成”,玩家手里却还有没用完的服务。
这两件事可以同时成立。玩家买了几份拍立得或合拍服务,可能分次领取;售出这项服务的人,也未必是最后完成它的人。到了结算时,门店还要解释:谁做了什么,按哪条规则计算,原来的记录在哪里。
我们在门店系统定制中接触到的许多问题,都藏在这些看似矛盾的状态里。页面能打开、订单能支付,只是工作的开头。夏季交付之后的持续修改,以及九、十月的产品观察与商家材料,让我们逐渐看清:如果要为这个行业做产品,必须先把一件事怎样真正完成讲明白。
后来,我们开始用 FDE(Forward Deployed Engineering,前线部署工程)的视角整理这段经历。这里的重点,是在交付中理解业务,让实现接受实际使用的检验,再把反复出现的问题带回产品。历史定制是这段理解的来源;戏屿则是我们继续提炼共性、探索行业 AI 的方向。
“完成”需要不止一种记录
先把一个问题缩小。
假设一位玩家购买三份服务,第一次使用两份,余下一份以后再用。这个数量例子仅用于解释模型。如果系统只在订单上放一个“已使用”开关,无论开还是关,都会漏掉一部分事实。
把订单复制成三条,也不够。三份服务来自同一次购买,退款需要回到原来的购买明细;各次使用可能由不同人员完成,不能在购买时就把最终贡献固定下来。
因此,我们把几类记录分开考虑:订单记录买了什么,权益记录还可以获得什么,核销记录实际完成了什么,结算记录按什么依据确认报酬。 这些记录相互引用,而不是用一个状态彼此代替。

这层拆分有一个直接价值:剩余权益可以回答玩家“还能用几份”,核销明细可以回答前台“这次是否完成”,结算明细可以回答财务“这笔钱怎么来的”。同一件生意,在不同角色眼里需要不同的答案。
历史项目的操作材料,已经把部分规则落实为发券方式、有效期和人员绑定。它们看上去只是后台配置,却决定了一项服务能否在后续被准确使用。

真正检验模型的是例外
顺着正常流程做,很容易觉得设计已经完整。临时换人、部分退款和结算后的调整,会把隐藏的问题暴露出来。
仍用三份服务的例子:两份已经完成,玩家希望退掉最后一份。此时,订单层面有一笔退款,权益层面有一份失效,已经完成的两次服务却仍然存在。退款不能把它们一并抹掉,也不能让同一份权益被再次使用。
再向后走一步:如果已确认的结算需要调整,原来确认过的结果仍应能够解释,新增调整也要找到原因。具体怎样冲正、由谁批准,可以按业务约定设计;仅仅覆盖旧数字,会让下一次核对失去依据。

这也是权限需要进入业务设计的时刻。谁能确认服务,谁能发起退款,谁能更改归属,不能只靠“管理员可以做所有事”来回答。操作人、操作时间、原依据与调整原因,都是后续协作的一部分。
对我们来说,这些问题改变了需求讨论的方式。我们开始少问“列表再加哪一列”,多问“下一位同事拿到这条记录,还缺什么才能继续工作”。
交付得越具体,越要重新检查市场
一个项目可以把问题挖得很深,却不能自动证明所有门店都需要同样的产品。
九月,我们开始整理自有产品的范围,并观察两套演绎店小程序的公开页面:预约怎样开放、角色怎样选择、服务怎样呈现。十月,商家交流与经营材料补上另一侧视角:员工通过表单报账,表格计算,财务复核;空位信息则在群聊与海报里持续更新。
三类材料各有用途。定制记录让我们看到使用中的修改,公开页面帮助辨认不同预约组织方式,经营材料揭示系统之外怎样协作。它们仍不足以提供市场份额、付费意愿或增长效果的统计结论。
| 看到的现象 | 对产品判断的影响 | 还需要验证什么 |
|---|---|---|
| 热门场次集中开放预约 | 优先解释开放时间、角色余量与确认规则 | 页面之外如何处理占位、退改与异常 |
| 未满场次持续招募 | 场次与余位应成为招募内容的共同来源 | 变化发生后,多少信息仍需手动更新 |
| 员工填报、表格计算、财务复核 | 系统要保留明细来源,并接续已有操作习惯 | 换工具是否真的减少核对与重复录入 |
这一步让产品边界变得更清楚。我们倾向于复用场次、订单、服务与人员这些业务基础;具体场次费、贡献归属、会员阈值与品牌表达,则需要给门店留出配置空间。
市场评估也因此回到替换成本。商家已经会用的表格和群聊,是一套正在工作的办法。新系统必须让某件重要的事更可靠或更省力,才值得请团队改变习惯。功能表长一些,本身并不能回答这个问题。
AI 接进来以后,谁对结果负责?
有了这些业务关系,AI 的工作才开始具体。
“帮我招募周六晚的一场”至少需要门店、剧本、时间、剩余位置和已确认的说明。让模型从聊天上下文猜这些信息,会把过期余位或错误规则带进一张看起来很完整的海报。
我们希望探索的路径是:从被允许读取的业务记录中取信息,让 AI 帮助组织表达,再由负责人确认内容。需要形成业务动作时,调用受控工具;动作完成后,返回实际结果。生成内容与修改业务记录,应该拥有各自明确的责任与检查方式。

第一步可以很窄:回答一项经营问题,并让人能找到对应的统计范围与来源。接着是准备文案、海报或待办草稿。再往后,才讨论经过确认的操作。只读、草稿、执行是不同的任务,应该分别观察错误、返工与使用感受。
例如,核对某一时段的服务记录,可以检查回答是否漏单、统计口径是否一致;生成招募内容,可以检查时间、余位与品牌信息是否准确,以及改到可用版本需要多少次人工调整。要判断这项能力是否值得继续,必须同时看模型输出和整段工作。
这也解释了为什么历史业务系统的交付经验与 AI 探索有关:它们让我们知道信息在哪里,谁可以确认,哪些变化会影响别人。模型能力仍然需要接入与验证,业务基础则提供了检验它的具体场景。
FDE 带回产品的,不只是代码
OpenAI 在十月的一篇 FDE 介绍中,强调与客户共同处理具体问题,并将学到的东西带回产品。这个视角与我们在交付中反复遇到的事情相通:一个看似局部的修改,常常会迫使团队重新理解工作本身。参考原文
我们希望带回来的东西,包括一组更准确的业务对象,一套能够讨论例外的流程,以及对哪些差异值得保留的判断。还包括不那么显眼的交付工作:规则确认、操作说明、反馈入口,和出现问题时谁继续接手。
因此,这篇复盘使用 FDE 作为工作方法的视角。它不表示我们已经完成多家门店的 AI 生产部署,也不把历史客户定制改称戏屿标准产品的商用成果。
下一轮验证,仍然可以从一件小事开始:当余位变化、人员替换或一份服务被取消,相关的人能否继续正确地完成工作?AI 加入后,这件事是更容易解释了,还是又多了一个需要人工补救的环节?
戏屿要继续回答的,就是这些会在下一场营业中再次出现的问题。
本文依据截至十月底的交付与研究材料整理;数量流程为说明模型的假设,封面与图解于十一月补制。


