把店铺交给AI Agent七天：零人工干预的真实实验

当“AI Agent 接管业务”从科幻概念变成可执行的实验，一位 YouTube 创作者决定用自己的真实小店做赌注。他给了 AI 七天时间，不写代码、不调流程，只动嘴描述业务需求，然后看着 AI 自动搭建工作流、处理订单、回复客户、管理库存和定价。实验结束时，账本上留下的数字和那些“故意不修复的错误”，比任何 demo 都更有说服力。

实验设定：三条铁律与一个“不可能”的前提

这个实验的核心设计非常克制：一货架零食和小玩意，12 件商品，约 200 美元库存，真实供应商名单，真实支付通道和 WhatsApp 商业号码。创作者设定了三条规则：所有交易真实发生、亏损由自己承担；自己不运营店铺，只对超过 50 美元的支出做审批；上线后不修改 AI 的任何指令——即便它犯了错。

第三条规则是整个实验的灵魂。大多数 AI 演示都会在出问题时悄悄修正，但这位创作者选择让错误留在系统里，以便观察 AI 的决策路径。他对着 Make 的 AI 助手 Maya 口述了整个业务逻辑：订单从 Shopify 进入后记录到 Google Sheet、扣减库存、通过 WhatsApp 确认客户、在 Slack 同步；客户消息由 AI 查阅表格后回复；库存低于三件时自动邮件联系供应商，24 小时无回复则跟进；每天早上九点复盘销售，三天未售出的商品自动降价并重写描述。五个应用、五套场景，一句“永远不要在退款问题上擅自回复客户”被即时写入指令。

Make（原Integromat）是一个可视化自动化平台，用户通过拖拽模块连接不同应用（如Shopify、Google Sheets、Slack），构建自动化工作流（称为“场景”）。其AI助手Maya允许用户用自然语言描述业务逻辑，自动生成对应的场景配置。与Zapier等工具类似，Make强调多步骤、条件分支和错误处理，适合处理跨应用的复杂业务流程。本实验中，创作者正是通过口述需求，让Maya在Make中搭建了五个场景，覆盖订单处理、库存管理、客户沟通、供应商联系和定价调整。

七个交易日的关键节点

第一天，真实订单、真实刷卡、真实资金入账。AI 读取订单、记录、扣库存、给客户发消息，全程没有经过人工确认。第二天，某商品库存跌破阈值，AI 自动向供应商发出邮件，并依据表格数据判断是否跟进。

第三天出现了最值得关注的客户纠纷。一位客户声称订单有问题，AI 没有轻信，也没有指责，而是先比对记录，再给出礼貌而坚定的回复——第一天的退款规则在此刻生效，它没有打扰店主。第四天，AI 需要一笔超过 50 美元的支出，通过 Slack 推送理由，创作者在公园里按了一个按钮完成审批，AI 将授权记录进表格并下单。第五天，附近出现更低价竞争者，创作者只发了一张照片，AI 自行重写了商品列表和定价，店主没有指定任何一个数字。

第六天是“本周最糟糕的决策”，创作者完整展示了 AI 的推理过程、本可拦截它的护栏机制，以及他为什么没有在第一天加上那道护栏——他想看看 AI 能否自行做出判断。按照第三条规则，错误被保留下来。第七天结账：营收、销货成本、手续费、包装、配送、自动化运行成本，全部来自账本；订单量和消息回复量直接上屏；最关键的指标是实际工作时间，仅包含几次 Slack 审批，且每次计时。

一个诚实的边界声明

创作者在结尾主动拆解了实验的局限：七天不是一年，12 件商品不是一个商品目录，一个货架不是一间仓库，几十个订单不足以证明 AI 能运营仓储。AI 没有眼睛和手，不能接电话、不能解决纠纷、不能把商品装进袋子——所有物理环节仍然是人在做。它的记忆只有一张电子表格，这是刻意设计：只信任账本的智能体无法被说服去相信别的东西，但反过来，如果表格错了，AI 会自信而礼貌地错上一整周。

护栏机制同样是机械性的。50 美元审批限额不是模型在“谨慎”，而是模型根本无法批准自己的支出——只有店主在 Slack 的回复能写入授权。创作者明确表示，不会把法律、医疗或任何“错一次就不可挽回”的事务交给 Agent。他还给出了一个判断标准：如果一项工作每次都是同样的五步，那需要的是自动化，不是 Agent；Agent 适用于需要判断力的场景。

AI Agent（智能体）是指能够感知环境、自主决策并采取行动以达成目标的AI系统。与传统的自动化脚本不同，Agent通常具备推理能力，能在动态环境中处理非结构化输入（如自然语言消息），并调用工具（如查询表格、发送邮件）完成多步任务。本实验中的AI Agent通过Make平台连接多个应用，根据预设规则和实时数据做出判断，但其记忆和决策依据仅限于一张电子表格，这既是设计选择也是能力边界。

真正的惊喜不在订单

创作者坦言，让他意外的不是 AI 能接单或发邮件——这些自动化能力早已存在。真正的冲击在于：他可以用日常英语描述一整个业务，看着 Maya 搭建工作流，然后让 AI 在五个不同应用之间做出真实决策，并且每一个决策都可追溯、可审查。有些决策很好，有些很糟，但全部透明。

这也解释了实验的真正价值：它没有证明 AI 可以取代店主，而是展示了“业务描述即工作流”的可行性，以及可审计的决策链在多大程度上改变了人机协作的边界。店主仍然选择了商品、价格、供应商和规则——一个从未有人类参与过的店铺，反而更难测试。

实验结束后，店铺仍在营业，Agent 仍在运行。创作者留下了一个问题：你愿意让 AI Agent 接管你的生意七天吗？对于任何考虑将 Agent 引入业务流程的团队来说，这个实验给出的不是答案，而是一套可复用的评估框架——真实资金、保留错误、机械护栏、完整审计。

背景补充

销货成本（COGS）是零售业的核心财务指标，指获取或生产所售商品的直接成本，包括采购价、运输费用等。在实验中，创作者将COGS与营收、手续费、包装配送费及自动化运行成本（如Make订阅费）一同计入账本，以计算真实利润。这一做法确保了实验的经济透明度，避免了demo中常见的“忽略隐性成本”问题。