模拟场景：一条人流前五、零售倒数第三的大厅通道
先看一个模拟场景。某座约5万座的足球场，场馆运营团队每周一都会收到一份标准报表：上周比赛日入场4.6万人，餐饮收入、零售收入、停车收入分别是多少，同比上升或下降了多少。报表很完整，但几个月下来，零售收入一直在一个区间里波动，没有人能说清楚还有多少空间。
在引入Venue Agent试点后的第三周，系统在没有任何人提问的情况下推送了一条提示：东侧大厅通道在最近4个比赛日的人流量平均排名第4，全场共14个通道区域；但这一区域3家商铺的合计零售收入排名第12。按人流和收入的相关关系估算，这一区域每个比赛日可能存在约6万到9万元的零售收入缺口。
这条提示本身并不稀奇，任何一个认真的分析师把人流热力图和销售报表叠在一起，也可能发现同样的问题。区别在于，Agent不会停在这里。它会继续追问“为什么”，并把答案整理成运营人员可以直接判断和执行的建议。
从“报表回答问题”到“Agent提出问题”，差别在哪里
传统的场馆BI系统是被动的：先有人提出问题，再由系统查询数据、生成图表。它的上限取决于提问的人有没有时间、有没有想到这个角度。一个场馆运营团队通常只有几个人负责商业分析，面对几十个商铺、上百个广告位、数千个停车位和每年几十场活动，大量机会其实从来没有被检查过。
Venue Agent的思路是把“发现问题”这一步也交给系统做。它按照预设的规则和阈值，持续扫描场馆的各类数据，找到偏离预期的地方：人流高而收入低、排队长而转化低、某类活动后某品类销量异常、某个广告位的曝光与价格明显不匹配。然后它会按固定的分析路径展开，而不是随意生成一段文字。
需要强调的是，“主动”不等于“自主”。Agent主动提出的是问题和建议，是否执行、何时执行、执行到什么程度，仍然由场馆运营人员决定。
Detect → Analyze → Find Opportunity → Suggest → Monitor：一个完整闭环怎么跑
回到东侧大厅通道的例子，Agent的工作可以拆成五步：
- Detect（发现）：对比各区域人流排名与收入排名，找到偏差超过阈值的区域。这里设定的规则是人流排名与收入排名相差8位以上，且连续3个比赛日成立，才触发提示，避免单场偶然波动。
- Analyze（分析）：调取这一区域的商铺位置、商铺朝向、商品清单、收银排队时长、人流方向和消费时间分布。分析发现，东侧通道约70%的人流发生在开赛前25分钟和赛后10分钟，属于快速通过型人流；3家商铺中有2家的门面朝向与主人流方向相反，观众需要回头才能看到；主要陈列商品是价格较高的正价球衣，而东侧看台以客队球迷和家庭票观众为主。
- Find Opportunity（找到机会）：把分析结论转化为可量化的机会，例如“如果把其中一家店的陈列调整为低价围巾、帽子和儿童周边，并在人流方向一侧增设快速收银台，预计可以把该区域的零售转化率从约1.2%提升到2%左右”。
- Suggest（建议）：生成包含预期收益、所需成本、执行难度和风险的建议单，提交给零售运营负责人审批。
- Monitor（监测）：建议被采纳后，Agent在后续比赛日持续对比调整区域和对照区域的数据，判断变化是否来自调整本身，而不是对手球队、天气或比赛重要性的变化。
这个闭环的关键不在于每一步有多聪明，而在于它能持续、稳定地重复。一个分析师一年可能深挖十几个问题，而Agent可以对场馆的每个区域、每类资源做同样的检查，把人员的时间留给真正需要判断的部分。
不是一个大模型包办一切，而是多个模型与工具的分工协作
很多人想象中的场馆AI，是一个可以对话的大模型，问什么答什么。实际落地时，这种设计很快会遇到问题：大语言模型擅长理解问题和组织语言，但并不擅长精确的时序预测、空间计算和统计检验。把所有任务塞给一个模型，结果既难以解释，也难以验证。
在BB体育的设计里，Sports Venue Agent更像一个调度者，它自己不直接计算每个数字，而是根据问题类型调用不同的专业模型和工具：
- Forecast Model：预测不同活动类型的入场曲线、各时段客流和各品类需求，为“预期应该是多少”提供基准。
- Spatial Analytics：基于闸机、Wi-Fi探针或摄像头计数数据，分析人流在入口、大厅通道、座席区、餐饮点和零售点之间的方向与停留时长。
- Consumer Analytics：按活动类型、观众画像和时间段拆解消费品类、客单价和转化率。
- Venue Intelligence：管理场馆的静态资源信息，包括商铺面积与朝向、广告位位置、停车场分区、租约条款和历史调整记录。
Agent负责把这些模型的输出串起来：发现异常时调用Spatial Analytics确认人流性质，调用Consumer Analytics查看品类结构，调用Venue Intelligence核对商铺条件，再调用Forecast Model估算调整后的预期收益。最后由语言模型把结论整理成运营人员能读懂的建议单，并标注每个结论来自哪一个模型、用了哪些数据。这种可追溯的结构，是让人工审批真正有意义的前提。
误报从哪里来：一个“机会”可能只是数据问题
主动发现机会的另一面，是主动制造误报。如果Agent每周推送30条“机会”，其中一半是数据问题或不可执行的建议，运营团队很快就会不再看它。在模拟试点中，误报主要来自以下几类：
- 数据口径问题：某区域的人流数据来自新安装的计数设备，前两周校准不准，导致人流被高估。
- 结构性原因被当成机会：某通道人流高但收入低，是因为它是消防通道或贵宾专用通道，本来就不允许设置零售。
- 单次活动的特殊性：一场关键的保级战或德比，人流和消费结构都偏离常态，不能作为调整依据。
- 因果误判：调整后收入上升，可能是因为那一场比赛对手更有吸引力，而不是因为陈列改变。
在这个模拟试点的前两个月，Agent推送的提示中约有40%被运营人员标注为“不适用”。这些标注本身就是重要数据：每一条被驳回的提示都会记录原因，用于调整阈值、补充Venue Intelligence里的资源约束，以及排除特定活动类型。第三个月后，“不适用”的比例下降到约15%。
护栏怎么设：哪些事Agent可以做，哪些必须人来决定
为了让Agent既有用又可控，需要提前划清边界。一个比较稳妥的做法是把Agent的动作分成三级：
- 可以自动执行：生成分析、推送提示、整理建议单、更新监测看板。这些动作不改变任何实际经营安排。
- 需要单人审批：调整商品陈列建议、增加临时收银台、调整餐饮点备货量等影响较小、可随时撤回的动作，由对应负责人审批后执行。
- 需要多方决策：调整商铺租金、变更广告位价格、改变停车收费策略、涉及商户合同的调整，Agent只能提供分析，由管理层和商务团队决定。
此外还有几条基础护栏：每条建议必须附带数据来源和置信区间；同一区域在监测期内不重复推送新建议，避免多个调整同时发生导致无法评估；涉及观众安全、消防通道和疏散路线的区域，一律排除在零售和广告建议之外。
回到东侧通道：建议执行以后发生了什么
在模拟场景中，零售负责人审批了其中两项建议：一是把背对人流的一家商铺改为以低价周边为主，并在门口增加面向主人流方向的立式陈列架；二是在开赛前30分钟和赛后15分钟增设一个移动收银点。商铺朝向调整涉及装修和租约，没有被批准，留待下一个招商周期讨论。
此后的4个比赛日，Agent按照对照区域方法持续监测。东侧通道的零售收入平均提升约38%，同期对照区域上升约6%，扣除整体波动后，调整带来的增量约为每场4万元。这个结果低于Agent最初估算的6万到9万元，原因是客队球迷比例在其中两场偏高，对主队周边购买意愿很低。Agent在复盘中把“客队球迷比例”加入了东侧区域的预测变量。
这个例子体现了Venue Agent的真实价值：它不一定每次都算得准，但它让“发现—分析—建议—验证”这个过程可以持续发生，并且每一次偏差都会被记录和修正。
场馆引入Venue Agent前，最需要先准备的不是模型
很多场馆在讨论AI时，首先关心选哪个模型。但从试点经验看，决定Agent效果的往往是更基础的条件：人流数据能否按区域、按时段采集；销售数据能否对应到具体商铺和具体时间；场馆资源信息是否结构化，比如每个商铺的朝向、每个广告位的可视范围；以及运营团队是否愿意为每条建议给出“采纳”或“不适用”的明确反馈。
如果这些基础条件还不具备，比较现实的路径是先从单一场景开始，例如只针对零售点位或只针对餐饮排队，让Agent在一个范围内跑通闭环，再逐步扩展到广告、停车和VIP资源。更多关于场馆收入结构的基础分析，可以参考体育场馆商业运营中对比赛与演唱会的对比；关于BB体育大模型如何组织多模型分工，可以查看Sports Venue AI栏目。
BB体育AI研究组认为，下一代场馆AI的分水岭不在于能不能生成漂亮的报表，而在于能不能在人没有提问的时候，找到值得去做的事，并且诚实地告诉人它有多大把握。
