【Real AI Contest】01.北极星选址

MPC2026 · 明道云伙伴大会 · Real AI Contest

北极星选址:把跨城找铺从提示词探索做成可回查、可复用的选址应用。

演讲者:杭州诚掌餐饮管理有限公司 数据中台负责人 严瑶
团队:北极星队
来源:MPC2026 明道云伙伴大会 · Real AI Contest 决赛路演|2026 年 10 月 31 日

内容摘要

北极星选址面向餐饮企业跨城拓展中的信息收集、商圈比较和铺位判断需求,将临时依赖提示词的分析探索转化为可持续使用的业务应用。其主线是让 AI 承担重复的信息处理,并将多源数据、模型解释与统一计算口径结合起来,使选址建议能够回查、比较和复用。系统的作用并非替代现场判断,而是为决策提供更充分的事实基础。实践同时呈现了人与 AI 的分工:人定义问题与数据边界,AI 扩大处理能力,系统保留证据和测算依据,最终判断及责任仍由人承担。

关键事实

  • 应用对象餐饮企业跨城选址中的商圈比较、铺位信息收集与决策支持。品牌为杭景元东北老式麻辣烫。
  • 已有成果(口播;幻灯片标注 2026-06-26 至 2026-09-22 参赛申报统计)约 25 个选址项目、覆盖 22 个城市、1,035 条商圈结论、159 条分级铺源线索。这些数字不等同于门店开业或盈利数量。
  • 幻灯片另列、口播未展开调研 1,055 个商圈、实采 2,084 条竞品信息;另有 50 城、2,520 个商圈底数及 132 人天折算,并注明尚需扣除系统运行与人工复核才能核算净节省。
  • 采集方式数字员工操作 20 台手机收集商圈外卖数据;现场语音录入铺位信息。投屏故障,现场未完成手机端操作演示。
  • 后续方向向同行免费开放数据、形成公共数据池、做独立手机端应用,属于计划,不是已上线功能。
  • 责任边界AI 提供信息处理和分析支持,选址判断与最终责任仍由人承担。
严瑶|北极星队路演现场照片
MPC2026 明道云伙伴大会 · Real AI Contest 现场。

演讲资料

单独打开 PDF ↗

北极星队演讲资料 第 1 页
北极星队演讲资料 第 2 页
北极星队演讲资料 第 3 页
北极星队演讲资料 第 4 页
北极星队演讲资料 第 5 页
北极星队演讲资料 第 6 页
北极星队演讲资料 第 7 页
北极星队演讲资料 第 8 页
北极星队演讲资料 第 9 页
北极星队演讲资料 第 10 页
北极星队演讲资料 第 11 页
北极星队演讲资料 第 12 页
北极星队演讲资料 第 13 页
北极星队演讲资料 第 14 页

演讲视频

在 B 站打开原视频 ↗

演讲文字整理稿

团队与真实选址需求

各位领导,各位 AI 时代的同心者们,大家下午好。我们战队叫做北极星,第一个登台,略微有点紧张,大家见谅啊。我先短暂地介绍一下我们团队,我们是一家做东北老式麻辣烫的餐饮公司。这个也是在我们真实的选址拓展过程中产生出来的需求。我先简单地讲一下背景。

从日报开始尝试 AI

一开始,你说一家做麻辣烫的,有外卖、有堂食的这么一家店,为什么会去用到 AI 呢?起源于我们公司在管理发展过程中,需要推行日报。日报我们每天需要花大量的时间去记我做了什么。在这个过程中,我们逐渐地变成去卷日报。卷日报,你说在我们真正的业务过程中产生什么价值吗?它不一定。所以说,我们当时利用小龙虾 OpenClaw 做了一个屏幕监控软件,记录我每天做了什么。基于这样,我们就开始在工作过程中去尝试用 AI 了。

跨城选址与提示词复现

突然有一天,我们老板说:“你要去青岛选个地址吧。”我一想,我从来没离开过杭州,也没去过青岛,那我怎么去选这个地址呢?我就打开百度地图、打开高德地图,去把各个商圈的热力图给过一遍。在这个过程中,我们线上的团队也给了我几个地方。我就在想,他给的这个位置是不是可信的呢?我是不是需要用更多的数据去验证我的选址结果呢?我就开始尝试用 OpenClaw 接入 Computer Use,给了它大量的提示词去生成 Skill,也顺利地完成了这次青岛的选址分析。

后来在落店过程中,老板一看,他说:“你青岛做得确实还行,速度还挺快。你要不再给我选一下合肥,再给我选一下我们的长沙。”当时我就懵了。为什么呢?因为大模型的提示词,它有很大的问题,就是它是个黑箱。我不太能够准确地每次都复现同样的结果。以至于说,他说:“你是不是不愿意把你的这种技能分享出来呀?”对吧?当时我也没办法,因为确实提示词的复现不是我能控制的。在这种背景下,我们就尝试通过做一个这样的应用,来解决选址的现实需求。

AI 充当手脚与数字员工

我们在这个场景里面,是用 AI 来充当我们的手脚。因为我们去到一个陌生城市,第一步要去发现整个城市里面有哪些商圈。有了这些商圈以后,我们需要对商圈的数据,比如人口流量、消费力,也就是说它的业态,进行大量收集。收集完了之后,我们通过一个开店场景,比如我要开社区店、我要开校园店,做这种加权计算,形成商圈排名。

进一步,针对这个商圈,我们还做了一个数字员工。因为我们需要对每个商圈的美团外卖、淘宝的这些外卖销量数据、评分,做一个整体比较。我们通过数字员工操作20台手机,完成切地址,然后把整个商圈记录的数据统计下来,形成这样一个手脚的能力。

从数据采集走向分析

我们有了这些数据以后,当数据少的时候,我们仍可以分析。当数据足够多了以后,分析变成了问题,就是我成了那个 AI 的瓶颈。这个时候,我们就想通过接入一些能力比较强的模型,去帮我们处理这些非结构化数据,结合大模型的世界知识,形成每个点位的机会和风险,以此提供给我们做选址的决策意见。这就是北极星选址的诞生背景。

第一步:AI 发现商圈

选址的第一步,我们肯定要想,在一个陌生的城市里,我们应该去哪里找铺子。这就是我们第一个功能:AI 发现商圈。我们会通过四个源,一个是地图官方,就是每个地图都会定义什么是商圈;还有综合体,以及我们会去搜各个城市发展的一些公开规划,做信息提取。最后,再基于大模型投喂的这种海量世界知识,形成每个城市的商圈基盘。这是第一步。我们的第一步就是找到每个城市里面的商圈,基于这样,就可以获得每个城市里面的备选商圈。

第二步:从事实到选址建议

下一步,我们会根据这个商圈,进行消费数据采集。这里就用到了我们所谓的数字员工,它帮我们去滑手机、去切定位。最终会获得的,第一个是业态,第二个是这个点位周边有多少竞品商家,这些竞品商家的美团外卖、大众点评评分、销量是多少。最后,就能够得到这样一个选址评估报告。这就是我们所谓的从事实到建议。

第三步:语音录铺与回本测算

最后一步就是我们要落铺。落铺的时候,我们资深的落铺人员和刚入职的,会存在一个很大的问题,就是他们没办法把铺子描述清楚。所以说,我们就推出了语音录铺的功能。上面的气泡会跟随着我们的语音表达去自动填充,然后形成整个铺子的画像。最后就可以得到这个铺子的投资回报。因为原计划是在手机上直接演示操作一遍的,投屏这边有点问题,所以就操作不了了。

总之,我们可以得到一个铺子的完整信息,以及这个铺子在月租金和面积等情况下的整个评分。可以说,是按照营业收入的画像,形成回本周期的统计。

已有项目与数据开放方向

我们目前这个应用,已经提供给招商团队和线下选址团队,进行了大约25个选址项目的落地,覆盖了22个城市。这些城市,我们也想把这些数据开放给所有同行免费使用。就是说,我们这个项目也正在做独立的手机端应用。目前已经有1035条完整的商圈数据采集,以及159条铺源的搜索。这些铺源,到时候我们也希望谁在街边发现铺子,都能够提交到平台里面,形成一个公共的数据池。

实践思考:人、AI 与系统的分工

这个是我们对应用的价值判定。因为从目前看下来,能够提升我们选址的效率。最后,基于这样一个应用,我们实践下来的思考是什么呢?就是人更多的是要去定义问题是什么,也就是说,要围绕着这个问题,提供怎么样的数据边界。AI 能够扩大我们信息处理的能力。系统需要能够复现、保存我们的计算口径。人只需要从这种劳力的、繁琐的信息采集过程中提炼出来,做数据分析,并对最后的结果负责。好,我的汇报就到这里了,谢谢大家。

重点问答

为什么单靠提示词难以支撑持续的跨城选址?

根据严瑶的演讲,一次分析能够完成,并不等于换一个城市后仍可稳定复现。团队在从青岛扩展到合肥、长沙时遇到提示词结果不一致的问题,促使方案从临时探索转向应用化。需要沉淀的不只是提示词,还包括候选商圈、数据依据和计算口径,使后续工作可以接着开展。

商圈候选从哪里来,如何避免只看少数推荐点位?

根据严瑶的演讲,候选发现结合地图官方商圈、商业综合体、城市公开规划以及大模型的商圈认知。形成候选后,还需围绕开店场景收集人口、消费力与业态等数据,再进行加权比较。这样的路径将寻找候选与判断适配性分开,减少直接接受少数推荐位置带来的信息局限。

数字员工与大模型分别承担什么工作?

根据严瑶的演讲,数字员工主要执行重复的数据采集,通过手机切换定位,汇总商圈内外卖平台的销量、评分等信息;大模型则辅助处理非结构化数据,解释点位机会与风险。两类能力共同支持选址分析,但数据增多后仍需系统化组织,不能把收集到的信息直接等同于可靠结论。

语音录铺如何连接现场信息与投资测算?

根据严瑶的演讲,现场人员通过语音描述铺位,应用将相关信息填入表单,形成铺位画像,再结合月租金、面积等信息提供评分与回本周期测算。其作用是减少不同经验人员在铺位描述上的差异。测算结果仍依赖输入信息和营业收入假设,不能直接视为门店未来收益的保证。

现有业务数据与后续开放计划应如何区分?

根据严瑶的演讲,演讲披露应用已支持约25个选址项目、覆盖22个城市,并积累商圈和铺源数据。这些数字描述的是项目与数据积累,不等于同等数量的门店开业或盈利。向同行免费开放数据、形成公共数据池以及独立手机端应用,属于团队在演讲中提出的后续方向。

AI 参与选址后,人的责任是否减少?

根据严瑶的演讲,重复的信息采集可以更多交给 AI 与数字员工,但问题定义、数据边界、计算口径及现场判断仍需明确责任。系统应保留能够复现和回查的依据,让人员从繁琐采集中抽身,转向分析与决策。效率提升并不意味着将最终的开店责任转移给模型。

关于HAP

HAP(Hyper Application Platform)超级应用平台可以帮助用户零代码构建企业应用,用户不需要代码开发就能够搭建出用户体验上佳的销售、运营、人事、采购等核心业务应用,打通企业内部数据。HAP还具备超自动化引擎,可以全面自动化复杂和重复的业务流程。运用HAP的集成中心与完整的API对接能力,用户可以轻松地将HAP与外部系统集成。除此之外,HAP还具备很高的可组合性,国际化支持,并支持云原生架构,实现了多云部署能力。通过插件架构,HAP正在逐步建立起繁荣的实施与开发生态。

HAP可以帮助企业大大节省软件费用、降低定制开发的成本和时间,拥有一个极度灵活和易用的数字化平台,是企业数字化建设的重要工具。目前已有上百万用户使用,付费企业超过4000家,包括可口可乐、复星集团、广汽本田、赛力斯汽车、中国移动、中石化、中铁集团、银鹭食品、民生银行、迪卡侬、艾默生电气、泰科电子、四川航空、东方证券、洲际酒店、科大讯飞、柳工集团、沃尔玛、中国烟草、三菱银行等知名客户。

2021年5月,明道云获得海纳亚洲近亿元投资。公司目前有超过130名员工,产品研发团队过半,总部位于上海漕河泾开发区,在北京、广州、深圳、成都、郑州、武汉、西安和宁波设有分支机构。公司为高新技术企业,上海市专新特精认定企业。