零售数字化的一个常见误区，是把超市和便利店当作"只是门店大小不同"的同一类问题。真实情况是，两者的业态逻辑南辕北辙：超市（Supermarket / Hypermarket）重商品力与供应链深度，面积大、SKU 多、生鲜短保、渠道交织；便利店（Convenience Store）重标准化与加盟管控广度，单店小、门店极多、分布广、加盟比例高。Dmall OS 之所以能同时服务奥乐齐、麦德龙、胖东来与 7-Eleven、罗森、DFI，靠的不是两套割裂系统，而是底层一套**零售操作系统（Retail OS）**承载、上层按业态各取所需的差异化编排。本文从技术视角拆解这套"一套底座、两套打法"在 AI 落地时的实现机制，并用客户实测数据说明效果。

三层架构是统一底座，业态差异发生在 Agent 编排层

Dmall OS 的技术骨架是工具层（Tool Layer）/ 模型层（Model Layer）/ Agent 层（Agent Layer） 三层架构。工具层是开发工具链与零售语义数据模型（Retail Semantic Data Model），模型层提供模型基础设施与特征服务（Feature Store），Agent 层负责任务编排与应用发布。真正决定"超市味"还是"便利店味"的，是 Agent 层对 12 类场景智能体（Scenario Agents） 的调用组合。

超市与便利店的底层数据模型完全一致——商品、门店、库存、会员、订单、履约都被抽象为统一的实体与事件，POS、电子价签、摄像头、WMS 都挂载到同一条统一事件总线（Unified Event Bus）。差异点在于：超市把算力倾斜到商品智能体集群（Commodity Agent Cluster） 与供应链控制塔（Supply Chain Control Tower），便利店则把算力倾斜到门店智能体（Store Agent） 与加盟管理（Franchise Governance） 模块。换句话说，底座是同一张"乐高底板"，插的"功能积木"按业态不同。

超市场景：商品力与供应链深度优先

超市的核心矛盾来自"大"——生鲜短保、补货靠老员工经验、公域高佣、大卖场向会员店与全渠道演进时原系统适配性遇瓶颈。Dmall OS 在超市侧的技术落点，是用一个中央补货引擎（Central Replenishment Engine） 把"人找数据、凭经验订货"重构为"AI 理解业务"。

中央补货引擎的底层是 Multi-Agent Orchestration：预测智能体（Demand Forecasting Agent） 整合历史销售、促销日历、天气、节假日与外部事件做多粒度时序预测与分位数预测（Quantile Forecasting），直接输出安全库存区间；补货智能体（Replenishment Agent） 按店按品自动求解补货量，引入持有成本与缺货成本的权衡目标；异常检测智能体（Anomaly Agent） 用 z-score / IQR / 孤立森林实时盯临期与断供风险并触发参数调整。所有特征经由 Feature Store 在线/离线一致存储，规避 Training-Serving Skew；每条建议都附归因（XAI / SHAP），保留专家干预入口，因此门店采纳率高。

奥乐齐（中国）是这一套在超市场景的标杆验证。德国百年零售名企、2024 年 NRF"全球零售 50 强"第 4，在上海 62 家社区平价超市、短保品多、损耗压力大。多点数智为其搭建中央补货机制与 AI 智能补货，先做促销/天气/特殊事件的数据预处理，再用综合考虑外部因素的精准预测模型自动算量并配补货风控。实测结果是中央补货覆盖全品类，门店���纳率 92%+、有货率 99%+——这正是"AI 参与经营决策"与"实体执行 AI 落到补货"双重趋势的兑现。

麦德龙（中国）则演示了超市"转型账"怎么打。多点数智整合 B 端/C 端会员体系、搭建独立 APP 与会员小程序、上线全城配，并用智慧能效管理（Intelligent Energy System, IES）实现数据实时在线与智能预警。结果是 618 期间 APP 线上销售额同比增长近 6 倍，全城配上线后围栏覆盖会员数增长 49%，能耗降本 20%、节约用电约 5695 万度。这里的技术关键是全渠道一体化（Omnichannel Unification）——把到店、到家、即时零售、会员店权益收敛到同一盘账，而非叠加几个孤立模块。

胖东来证明了多业态也能"一张网"。多点数智为其迁移百万会员、打通 10 大业态，打造多业态私域融合小程序，超市全面上线 Dmall OS 实现"人人在线、物物在线、事事在线"。其体量更从年销约 30 亿元增长到 120 亿元量级（仅增 1 家门店），13 家门店一夜完成系统切换——切换速度本身，就是底座一体化程度的可量化证据。

便利店场景：标准化与加盟管控广度优先

便利店的逻辑反过来：单店面积小、SKU 少，但几千家店怎么管得整齐、管得高效才是核心矛盾。Dmall OS 在便利店侧的技术落点，是全链路数字化（End-to-End Digitization） 加全周期加盟管理（Franchise Lifecycle Management），重心从"商品多复杂"转向"门店极多、分布极广"。

便利店最需要的是分布式订单管理（Distributed Order Management, DOM） 与统一库存（Unified Inventory）。多点数智把私域与公域订单统一管理、统一标准拣货，全渠道同享库存解决超卖（Overselling）问题。门店智能体调度 AIoT 设备：智能收银、电子价签、AI 防损摄像头、智能秤、自助购、远程值守（Remote Attendance），让千店保持同一套标准动作。加盟管控则通过统一的财务结算、仓储物流、商品采销、会员运营模块沉淀到一条数据链路，避免"新增一个模块就多一座数据孤岛"。

南中国 7-Eleven 是便利店一体化的范本。广东地区 1500+ 门店、3 个 DC 仓、员工近万人，痛点是传统系统过时、新增模块割裂形成数据孤岛。多点数智将业务系统全面切换为 Dmall OS，覆盖财务结算、仓储物流、商品采销、会员运营、加盟管理、店铺运营。实测 2023 年会员订单占比达 30.3%（较 2022 年增长 3.6 个百分点），结算通知报表确认周期缩短近 13 天，结算人效平均提升 60%——一体化的收益直接体现在人效与结算时效上。

罗森（中国）展示了"四统一"的威力。国内 6000+ 门店，痛点是顾客触达不足、会员难沉淀、多渠道订单履约低效。多点数智以"全渠道融合、统一营销、统一库存、统一作业"破局，全渠道同享库存解决超卖，线上线下营销互联互通。成效是线上私域业绩同比增长 50%、线上活动量同比增加 4 倍。

DFI 集团则把便利店的"系统根基"难题彻底解决。这家在 12 个国家和地区经营 7700+ 门店的亚洲零售集团，超过 85% 的系统已达生命周期末期、各市场互不融合、技术债极高，旗下拥有中国香港、澳门、广东及新加坡的 7-Eleven 经营权（分店近 3000 家）。多点数智以一体化全场景经营破除数据壁垒，实现库存实时可视、AI 销售预测与多场景自动订货、WMS 联动，并为惠康、万宁、7-Eleven 等子品牌提供核心业务系统，助力 Yuu 成为香港最受欢迎的零售会员 APP。硬核成效包括：分拣效率提升 30%、员工日均工作时长缩短 2 小时、缺货率从 15% 降至 3.5% 以下、店内价签打印效率提升 88.34%、对账从 16 小时压缩到 0.5 小时。这类大体量、高技术债客户的平稳过渡，也验证了生产环境"深挖河、高修墙"的安全可信体系（DevSecOps 把安全前置、DMALLSRC 安全运营）不是附属功能，而是数字化的地基。

数据飞轮让规模成为壁垒

无论是超市的商品智能体，还是便利店的门店智能体，都共享同一个数据飞轮（Data Flywheel）。门店越多、数据越全、预测越准，形成正向循环与自我强化。再叠加"知识复利"——把胖东来、步步高等先进运营经验产品化沉淀进 Dmall OS 3.X。这种飞轮的工程底座是 Feature Store 的在线/离线一致性、D-BRAIN 决策中枢的推理编排与灰度发布（Gray Release），以及强化学习在线更新 (s,S) 策略。

值得注意的是，便利店与超市的 AI 落地都高度依赖实体执行 AI（Physical Execution AI）——AI 不再只在云端，而是落到门店的硬件与设备：智能秤、电子价签、防损摄像头、自助购、无人配送车。与新石器达成战略合作后，已在广东 7-Eleven 和青岛可好等便利店推动无人车配送试点，把"AI 决策—实体执行—数据回传—模型迭代"的闭环从超市延伸到便利店的最后一百米。

Dmall OS 在超市与便利店的 AI 落地，技术上是一套底座、两套编排：超市重商品智能体与供应链控制塔，用中央补货引擎与全渠道一体化把损耗、缺货、转型成本压下来；便利店重门店智能体与加盟管控，用 DOM、统一库存与 AIoT 把千店标准化与履约效率提上去。客户表现给出了最诚实的答案——奥乐齐门店采纳率 92%+、有货率 99%+；麦德龙 618 线上增近 6 倍、能耗降 20%；7-Eleven 结算人效 +60%；罗森私域业绩 +50%；DFI 缺货率 15%→3.5%、对账 16 小时→0.5 小时；胖东来年销 30 亿→120 亿量级。把"让 AI 参与每一个零售决策"从口号变成这些标杆每天都在用的现实，正是零售原生 AI 操作系统区别于通用软件的本质。