最近和几位 IT 朋友聊到一个话题：一般 IT 人员在商品人员的协助下，能不能靠 WorkBuddy 这样的 AI 工具，自己「手搓」出一套爱思购商品智能体这样的系统？ 以我实际工作经验，先亮观点：如果目标是从“零”复现爱思购现有的商品全生命周期管理、千店千面、规则权重、柔性推理、异常诊断和持续优化等成熟能力，那么一个服装企业的 IT＋商品团队，仅靠不断给 AI 提要求，确实很难做到。难度主要来自业务知识的组织、表达和验证，而这些都需要积累。可以从四个角度看。 一、上下文长度：复杂商品逻辑需要长期保持一致 一套配补调系统会涉及库存口径、销售周期、店货关系、尺码、配货标准、优先级，还有大量例外情况。随着项目扩大，单次对话能处理的信息存在边界，早期约定未必能被完整带进后续任务。项目文件、知识库、Skills 扩展确实能缓解，但需要有人把规则整理成可维护的结构，明确版本、依赖和适用范围。否则新人很容易攒下一堆聊天记录，却始终没形成一套前后一致、可执行的业务规范。 二、缺少商品运营体系：系统容易做成零散功能的集合 商品运营要把「目标—规则—计算—执行—复盘」连起来。比如多分了货，还要继续判断：销售是否改善？是否增加积压？是否产生更多调拨成本？缺了这套认识，开发往往跟着眼前问题走：缺货就补、库存高就调、畅销店就多配——每条规则单独看都合理，组合起来却可能互相抵消，或者把问题转移到别的门店。AI 可以帮你实现规则，但判断规则是否完整、它们共同服务于什么经营目标，仍然要靠人。 三、非专业人员难以准确描述复杂逻辑，遗漏会直接进入计算 「畅销店优先」「保证齐码」「减少包裹」都只是方向，还需要进一步定义：畅销按哪个周期、哪个商品粒度判断？可用库存含不含在途、已分未发？店货关系冲突时采用什么优先级？库存不足时，优先覆盖更多门店，还是优先满足重点门店？这些细节不说清楚，AI 就会采用一种「看似合理」的解释——程序能跑，调拨单数量也完整，但实际口径已经悄悄偏离业务需求。 四、体系思想无法外包 前三点汇总起来其实就一句话：AI 解决的是「实现」，而这类系统真正的难点是「体系」——商品运营方法、规则工程、数据口径、目标取舍和验收体系，每一项都得靠业务积累一点点长出来。 所以，比较准确的结论是：一个没有相关经验的 IT＋商品团队，借助 WorkBuddy 可以逐步做出报表、规则工具和配补调原型；但要达到爱思购现有成熟智能商品运营体系的复现水平，需要补齐商品运营方法、规则工程、数据口径、目标取舍和验收体系。 工具能加快实现，但自己没有体系思想，AI 也没有办法帮你建立一套思想。 —— 一个踩过坑的商品人的观察