掌握 AI Agent 的技能：零售業的未來關鍵

我不是 AI 專家，甚至連長期、重度使用者都算不上。

近期分享不少我對 AI Agent 的看法以及自己實作的分享…，確實是野人獻曝，大家看看就好。但是類似我一般的零售業者，尤其小、微企業（年營收 500 萬 ~ 億級）我相信為數眾多，怎麼能簡單地搞懂自己可以怎麼用 AI Agent，我認為是很重要的事。因此，今天再多分享一篇我這幾週的心得。未來，我應該就默默的做了。

「接入了最新的大模型，它寫文案很快，但一遇到要查庫存、算毛利，或者處理具體的售後流程，它就開始胡說八道，或者需要我們把資料複製貼上，累得要死。」

這其實不是模型不夠聰明，而是我們「用錯了方法」，或者「教錯了東西」。

最近我花比較多時間了解 Anthropic 專家與技術圈對於 AI Agent（智慧體）、MCP（Model Context Protocol，模型上下文協議） 以及 Agent Skills（技能） 的最新討論。這些聽起來很硬核的技術名詞，其實正揭示了零售業運用 AI 的下一個關鍵點：從「調教一個天才」，轉向「建立一套數位 SOP」。也就是如何把公司裡的「老師傅經驗」，轉化為 AI 可以執行的「Knowledge & Skills」。

為什麼我的 AI 員工總是「高智商、生活白癡」？

在相關的技術討論中，Anthropic 的專家 Barry 提出了一個非常傳神的比喻：

現在的 AI Agent 就像是一個智商 300 的「數學天才」。他非常聰明，運算能力極強，但他完全不懂稅法，也不懂你們公司的報帳流程。

如果你直接丟一堆發票給這個天才，叫他「幫我報稅」，他可能會用微積分去計算稅率，但完全忽略了財務主管提醒你「每月公關費用的上限」規定。

在零售場景也是一樣。你問 AI：「這週新品賣得好不好？」 這個「天才」可能會洋洋灑灑寫出一篇關於市場趨勢的論文，但他連你 ERP 裡的銷售數據都讀不到（因為沒有串接），也不知道你所謂的『好』是指售罄率超過 60% 還是毛利額達標（因為缺乏定義）。

這就是我們目前的困境：我們擁有強大的處理器（模型/CPU），但缺乏讓它與真實業務對接的傳輸介面（MCP），以及處理具體業務的應用程式（Skills）。

零售 AI 的新黃金三角：Agent、MCP 與 Skills

要解決這個問題，我們不能只靠寫更長的 Prompt（提示詞），而是要建立一套架構。我將其轉化為零售業的「人、貨、場」對應關係來理解：

Agent（智慧體）= 你的「儲備幹部」

他是那個智商 300 的天才，有強大的理解、推理和生成能力。但他剛入職，對你公司的業務一無所知，手邊也沒有任何工具。

MCP (Model Context Protocol) = 你的「ERP/POS 數據傳輸線」

簡單說，MCP 就是一條標準化的「數據傳輸線」。 以前，要讓 AI 讀取你的庫存表，你得把 Excel 下載下來貼給它；現在，透過 MCP，AI 可以直接「插」進你的系統裡（慢一點的方式也可以讓 ERP/POS 固定餵資料進入資料庫，讓 MCP 去抓取）。

• AI 問：「貨號 12345 還有貨嗎？」
• MCP 答：「連接 POS 系統查詢中… 回報：台北店剩 3 個，高雄店缺貨。」

MCP 解決的是「連接」的問題。它讓 AI 長出了手和眼，能觸碰到真實的業務數據。

Skills（技能）= 你的「SOP 與 師傅心法」

這是最重要的部分。Skill 是「封裝好的業務邏輯」。 它不是一句簡單的「請幫我分析」，而是一個包含具體步驟、規則、判斷標準的「數位資料夾」。

• 沒有 Skill 的 AI：只會泛泛而談地分析銷售。
• 有 Skill 的 AI：會執行「週一店長巡店 Skill」——
  1. 先調用 MCP 抓取上週銷售 Top 10 與 Bottom 10。
  2. 比對庫存週轉天數（若是滯銷品且庫存 > 50，標記紅燈）。
  3. 根據公司促銷規則，生成促銷活動方案。

Skill 解決的是「專業度」與「穩定性」的問題。它把我們腦中的「零售 Know-how」變成了 AI 能執行的程式碼或結構化指令。

如何構建零售業的「Knowledge & Skills」模式？

有一個觀點讓我觸動很深：「Don’t Build Agents, Build Skills Instead.（別造 Agent，去造 Skills）」。

我們不需要為了每一個場景去開發一個獨立的、龐大的 AI 機器人。相反的，我們應該像「整理資料夾」一樣，構建一個個小而美的 Skill。

那麼，作為一家零售企業，我們該如何落地？我自己期待（對，我也在這個過程努力中）可以從以下三個步驟開始：

第一步：盤點「隱性知識」，將其「顯性化」

很多零售老闆最頭痛的，就是金牌店長的經驗無法複製。「為什麼他看一眼就知道這款包會賣？為什麼他知道這時候該推加價購？」這些往往被稱為「手感」或「直覺」。

但在 AI 時代，無法被結構化的經驗，就無法被 AI 賦能。 我們需要把這些「隱性知識」拆解出來。例如：

• 選品邏輯：不只是「憑感覺」，而是「過去 30 天同類競品銷量上升」+「毛利空間 > 30%」+「符合當季流行色」。
• 客服應對：不只是「態度好」，而是「識別退貨原因」+「安撫情緒」+「提供換貨方案」+「記錄客訴標籤」。

第二步：採用「檔案系統」思維，構建 Skill 庫

Skill 的本質其實非常簡單，它可能就是一組資料夾和檔案。這意味著我們不需要懂高深的程式碼，也能參與構建。

我們可以試著建立這樣的企業知識庫結構：

• 📂 熊老闆零售 Skills 庫
  • 📂 01_商品管理
    • 📄 滯銷品判斷標準 (定義什麼是滯銷)
    • 📄 補貨計算公式 (調用 MCP 獲取銷量與庫存，計算建議補貨量)
  • 📂 02_會員營運
    • 📄 沉睡客群喚醒話術(包含不同場景的 Prompt)
    • 📄 優惠券發送規則 (定義發券的門檻)
  • 📂 03_數據分析
    • 📄 週報生成模版
    • 🔌 MCP 連接器 (指向 BigQuery 或 Google Sheet)

在這個架構下，MCP 負責「搬運數據」，Skill 負責「加工數據」。 這不僅僅是技術的升級，更是組織資產的累積。以前這些知識散落在資深員工的腦袋裡，員工離職，經驗就帶走了。現在，這些經驗被封裝成 Skill，變成了公司的「數位資產」。

第三步：讓非技術人員成為 Skill 的開發者

這是一個令人興奮的趨勢：財務、人資、法務等非技術人員，正在成為 Skill 的構建者。

在零售業，最懂商品的不是 IT 部門，而是採購；最懂客人的不是工程師，而是客服主管。 我們應該賦能這些業務專家。不需要他們寫複雜的 Python 程式碼，而是讓他們用自然語言寫下清楚的邏輯（Prompt Engineering 的進階版），或者配置簡單的規則文件。

例如，我們的採購主管可以創建一個「新品定價 Skill」：

• 輸入：成本價、競品價格（透過 MCP 抓取）、預期毛利。
• 邏輯：如果競品均價 < 成本 * 1.5，則建議定價為…；否則…
• 輸出：建議售價與預估利潤表。

當這個 Skill 被建立起來，以後任何一位新進採購員，只要呼叫這個 Skill，就能擁有主管級的定價能力。

我的實作建議：從「小場景」開始

我知道大家看到這裡可能會覺得工程浩大。這時候就需要：Think Big, Start Small.（大處著眼，小處著手）。

不要一開始就想做一個「全能零售 AI CEO」。請先從團隊最痛、最重複的工作開始。

1. 庫存查詢助手（MCP 的應用） 先別管複雜的分析。能不能讓門市人員用手機問一句：「Targus XX 型號黑色電腦包還有貨嗎？」AI 就能透過 MCP 從 POS 系統抓出準確數字回覆？光這一個功能，就能節省大量的溝通與查詢成本。

2. 自動化週報分析（Skill 的應用） 每週的週會，大家都要花時間做報表。能不能把「讀取數據 -> 計算成長率 -> 識別異常 -> 生成摘要」這套流程，封裝成一個「週報 Skill」？讓 AI 自動產出初稿，團隊成員只需要專注在「制定對策」。

3. 知識庫問答（RAG + Skills） 把我們過去累積的銷售培訓手冊、SOP，變成一個 Skill。當新員工問：「客人嫌貴怎麼辦？」AI 不是胡亂回答，而是根據我們設定的「價值塑造法」來引導。

用 Skills 打造屬於自有的資產與專家

通用的大模型（如 Claude, GPT-4）會越來越強，也會越來越便宜，這是基礎建設，大家都有。 但屬於你企業獨有的 MCP 連接能力（你的數據），以及經過你打磨的 Agent Skills（你的 Know-how），才是別人偷不走的護城河。

正如我們所期待的願景：我們正在打造一個由「人」和「Agent」共同維護的組織能力知識庫。

未來的組織圖裡，可能不會只有「行銷部」、「業務部」，還會有一個「Skills 研發部」。而每一位優秀的零售人，都將成為 AI 的教練，把自己的經驗轉化為程式碼與規則，讓 AI 成為我們最強大的分身。

別再只是把 AI 當成聊天機器人了。從今天開始，盤點你的流程，建立你的連接（MCP），封裝你的技能（Skills）。

與各位共勉。