AI 原生客户智能与行动引擎：从 CRM/CDP 走向「客户记忆 + Agent + 闭环行动」的汽车客户平台

⚠️ 重建稿 ≠ 一手原文。 Task prompt 截断后按要点结构化重建；措辞与章节编号待作者机/原文复核。架构图与原件以 originals / 整页图为准。

入库：2026-09-20
性质：第四篇探索设计文（Customer Intelligence & Action Engine / Customer AI Engine；文中偶称 Customer Operating System 倾向）
状态：探索设计 / 待业务选择（不是已实施能力，也不是已批准规格）
日期口径：2026-09-20
完整度声明：委派 Task prompt 截断，未传入从标题到收口的逐字全文；本 raw 按 Task 内「第四篇核心」与必含结构结构化重建，尽量写全主张、闭环、客户页、架构、Agent Mesh、业务、模型、开源候选、护城河、合规、落地、MVP、指标与终局。非作者逐字原稿；待 chat/作者机补原文后复核措辞与章节编号。wc -c 目标 >25000；达不到则声明截断并写全要点。
本库命名：仍用「客户引擎」；「Customer OS」话术标噪音/待确认，防范围膨胀成大平台。

一、定位与主张：不是下一代 CDP

1.1 核心主张

本文主张建设的不是「下一代 CDP」，而是：

英文倾向	中文口径（本库）	备注
Customer Intelligence & Action Engine	客户认知与行动引擎 / 客户引擎	正式采用
Customer AI Engine	AI 原生客户智能与行动引擎	与既有正式名同向
Customer Operating System（倾向）	噪音 / 待确认	易膨胀成「大平台 / 全家桶」叙事；本库不以 Customer OS 名义立项或扩 scope

一句话： 从 CRM/CDP 的「标签与触达中心」走向「客户记忆 + Agent + 闭环行动」的汽车客户平台——记住真实客户语言，理解情境，经受控行动兑现承诺，并用结果持续学习。

1.2 CDP 在 Agent 时代的位置

旧叙事	本文降级后
CDP = 客户数据与营销中枢	CDP 能力降级为 Agent 时代客户上下文基础设施的一部分
成功 = 标签覆盖率 / 人群规模 / 发送量	成功 = 理解→可靠履约→可验证客户结果 uplift
画像填满即完成	画像只是输入；记忆、承诺、行动闭环才是产品

本库既有收敛：不做堆标签 CDP（文一原则、文三实施主参考）——本文强化而非推翻。

1.3 闭环：Observe → Understand → Remember → Reason → Act → Learn

Observe（感知接触）
  → Understand（理解表达/情境）
  → Remember（写入客户记忆；分 Fact/Inference）
  → Reason（编译上下文；Agent 推理候选）
  → Act（经 Action Gateway 受控执行）
  → Learn（结果回流记忆与群体模式）

与文三「证据→上下文→行动→结果回收」同向；本文把 Remember 与 Commitment 提升为一等叙事。

1.4 战略资产与 Voice Platform

主张	说明
战略资产 = 真实客户语言	录音、企微原文、顾问笔记中的原话与时间戳，优于事后标签
Voice Platform = Voice Sensor + Voice Action Channel	双向：感知入口 + 可受控触达通道；非单向采集桶
保留Voice Platform	与文一/文三一致：收敛完善，禁止平行真相

二、客户页：五问 + Commitment 一等公民

2.1 客户页持续回答的五问

与既有产品五问对齐（可并列展示）：

他现在需要什么？
我们为什么这样判断？（证据、provenance、缺口）
现在能为他做什么？（边界内行动候选）
由谁负责兑现？（承诺/事项负责人）
做完是否真的产生价值？（Outcome 可观察）

2.2 Commitment（承诺）一等公民 —— 杀手级能力

字段族	含义
谁承诺	我方顾问 / 门店 / 主机厂 / 客户对对方
承诺什么	交期、补偿、回访、配置确认、价格口径等
何时到期	时限；逾期触发关怀/升级
依据	业务事实引用（订单交期、政策）+ 对话证据
风险	失约概率、客户情绪、合规边界
负责人	可问责自然人/角色
状态	开放 / 履约中 / 已兑现 / 已失约 / 已改写（改写须留痕，禁止静默改写历史）

本库判断（待确认）： Commitment 升为一等公民，与文三类状态「承诺」、文一「尚未完成的关系责任」同向强化；是相对「堆标签」的杀手级差异化。

2.3 Fact / Inference / Recommendation 分栏

栏	含义	写入规则
Fact	可核业务事实或客户原话（带时间）	须 provenance；不可被模型静默覆盖
Inference	模型/规则推断	显式标 inferred；有效期；可被新证据 Invalidation
Recommendation	行动/话术候选	经 Action Gateway；高风险 HITL

2.4 每条 AI 事实的 provenance 字段（建议最小集）

字段	说明
source_type	通话 / 企微 / DMS / 顾问录入 / 外部 VOC…
source_id	证据主键或路径
extracted_at	抽取时间
extractor	规则 / 模型版本 / 人工
confidence	任务内置信；非跨字段统一可信度糊弄分
trust_tier	T0–T3（见下）
valid_until	可选；过期降为历史
superseded_by	被哪条新事实取代（改写留痕）

2.5 Customer Context Compiler

Customer Context Compiler = 按任务把记忆、事实、承诺、权限与缺口编译成可消费上下文包。

本库别名	对齐
场景上下文服务（文一）	包内：已知/推断/缺口/行动边界
get_customer_context（文三）	五种上下文产品中的首期子集
Context Compiler（文四）	同一自研合同的别名，不另立平行服务

原则：组件可换，合同（字段与语义）先自主掌握。

三、架构总览

3.1 逻辑链

接触源
  → Event & Evidence
  → Data Foundation（Lakehouse=事实底座；非在线中心）
  → Customer Memory Core
  → Context Compiler
  → Agent Runtime
  → Action Gateway
  → Outcome
  → Memory（回流）

白话：接触产生事件与证据；湖/仓沉淀事实底座；记忆核心持有客户可行动状态；编译器按任务出上下文；Agent Runtime 推理候选；一切写与触达经 Action Gateway；结果观察回流记忆——不是日常 Agent 扫全湖，也不是 LLM 直写库。

3.2 关键原则表

原则	说明	与既有收敛
Lakehouse = 事实底座；Vector ≠ 底座	向量检索是索引能力，不是真相源；真相在可审计事实与记忆对象	强化文三「湖非在线中心」；对齐文一「pgvector ≠ 完整内核」
Event Sourcing 保留变化史	承诺改写、交期变更、身份合并须可回放	与双时态/Invalidation 同向
Identity 独立服务	Splink / Zingg 等为候选；错合并风险＞漏合并	对齐「关系独立、标识可变」；论坛先 VOC 不认人
数据信任 T0–T3	见下节	新变量；待确认进验收
论坛先 VOC 不认人	公域帖子先作声音/主题，不因昵称/车型相似并入实名客户	明确不做误合并
Voice Platform 双向	Sensor + Action Channel	强化保留Voice Platform
Runtime ≠ Harness	运行时服务任务；Harness 评测/实验	文三已强调

3.3 数据信任层级 T0–T3（探索口径）

层级	含义（示例）	可写客户页 Fact？	可驱动对客行动？
T0	未授权 / 外部噪音 / 不可溯源抓取	否	否
T1	弱证据：单一渠道暗示、低置信抽取	仅 Inference	仅 A0 建议
T2	中证据：多源一致或业务系统可读字段	可进 Fact（标来源）	A1–A2（视风险）
T3	强证据：权威系统字段 + 人工确认 / 合同级承诺	Fact + Commitment	可至 A3（仍须 HITL 政策）

不以统一「可信度分数」掩盖字段冲突——权威仍按字段配置。

3.4 Identity：错合并＞漏合并

规则	说明
独立 Identity 服务	与 Memory / CRM 解耦；合并是显式事件
候选工具	Splink、Zingg（候选非安装；未友车实测）
错合并代价	隐私泄露、错误履约、错误对客——高于暂时漏合并
论坛 / 公域	先 VOC 主题与情绪，不认人；禁止昵称/车型相似自动并入
One ID	须兼容「关系独立、标识可变」（文二变量仍有效）

四、Agent Mesh 与可观测性

4.1 逻辑角色（Mesh，非常驻大 Agent 舰队）

角色	职责	备注
Memory Curator	整理记忆、分栏、过期、冲突 Invalidation	不直写业务库
Identity Agent	候选匹配、合并建议（人批准）	错合并须 HITL
Sales Copilot	购车推进上下文与下一步候选	≈ 场景 A
Delivery Care	交付延期关怀 / 承诺履约	≈ 场景 B
Service Agent	车主服务状态（非单字段直线阶段）	二期可扩
VOC Agent	声音主题、情绪、议题；公域不认人	与 Voice Platform 协同
Supervisor	策略、频控、越权拦截、评测门禁	对齐 A0–A3

客户有持续记忆与状态即可；Agent 按事件唤醒，不给每位客户常驻大模型进程（文一/文三共识）。

4.2 MCP 与 Action Gateway

规则	说明
LLM 不直写库	一切持久化变更与对客触达经 Action Gateway
MCP	工具发现与调用合同候选；非 day-1 全家桶
AI 处理模糊	理解、缺口、候选话术
确定性系统处理确定性	订单状态、库存、频控、权限、审批状态机
可观测性	轨迹、授权级、provenance、Outcome 一并入库可回放

对齐文三执行链：候选 → 校验 → 批准 → 执行 → 确认 → 观察结果。

4.3 与「禁止无序多智能体对客」

Mesh 是逻辑分工 + 统一 Gateway/Supervisor，不是自由互调对客的 Agent 群聊。高风险仍 HITL。

五、业务场景与学习飞轮

5.1 优先级

优先级	场景	说明
首期主	售前 / 购车推进	「再考虑考虑」→ 整理需求/阻碍/未验证 → 合适下一步；不优化施压
首期次	交付（第二场景优先）	延期关怀依赖可信交期；Commitment Ledger 杀手级
后续	车主服务	状态非单字段直线（售前/售后标签不够）；允许多并行事项

与文三「购车推进为主 + 交付延期关怀第二链」、文一 A/B 同向强化。

5.2 Customer → Cohort → Learning → Customer

个体客户案例
  → 合规聚合为 Cohort（脱敏、用途绑定）
  → Learning：条件性模式 / 反例 / 偏差记录
  → 回馈个体：仅以「经批准的模式/话术/流程」改善服务

是	不是
聚合模式非隐私互学	把 A 客户原文喂给服务 B 客户
群体规律 ≠ 个人事实	跨品牌混客户数据复用
小范围验证→采纳	首期在线 RL

对齐文一「跨品牌复用不混客户数据」、文三经营学习、亮哥「实验→采纳」。

5.3 车主服务状态

不要压成单一「生命周期阶段」字段。客户可同时有：待交车焦虑、保养预约、投诉事项、增购意向——并行持续事项（文一第三层理解）。

六、模型与「大 context ≠ Customer Memory」

主张	说明
Model Router	按任务路由：转写 / 抽取 / 规划 / 对客 / 审核；分任务评测集
大 context 窗口 ≠ Customer Memory	把整段历史塞进 prompt 不是记忆系统；记忆须对象化、可过期、可 Invalidation、可权限裁剪
推断不得默认 confirmed	与 Fact/Inference 分栏一致
首期不做在线 RL	三文共识

七、开源候选表（候选 ≠ 安装）

厂商/项目介绍 ≠ 友车实测。一律 待核实。

项目	用途启发	本库立场
DataHub	元数据 / 血缘	候选；非 day-1 必装
Splink	概率身份解析	Identity 候选；错合并＞漏合并
Zingg	实体解析	Identity 候选
Unstructured	文档/非结构化解析	接触源加工候选
LangGraph	有状态编排	候选+退出门槛（文三）
OpenAI Agents SDK	Agent 运行时参考	候选；非唯一
Neo4j GraphRAG	图式检索	与文一「GraphRAG 不作主干」冲突 → 标待验证/噪音降权；不进首期默认
Qdrant	向量检索	索引候选；Vector ≠ 真相底座；PG+pgvector 仍为首选之一
OpenTelemetry (OTel)	可观测性	强烈建议方向；待落地选型
MLflow	实验跟踪	Harness/实验侧候选
Langfuse	LLM 追踪与评测	与既有 opensource 页一致

明确： Neo4j GraphRAG / 微软 GraphRAG 不进首期默认主干；图库仍非 day-1（文三）。

八、自研护城河（该自己掌握的）

护城河	为什么不能外包成黑盒
Ontology	汽车客户对象与字段权威语义
Memory	Fact/Inference/Commitment/事项生命周期
Context Compiler	场景包合同与权限裁剪
Action Gateway	授权、频控、HITL、写路径唯一
Eval	真实 Case 评测集与反例
Policy	用途绑定、A0–A3、禁止静默改史

开源解决「积木」；护城河解决「合同与真相」。对齐亮哥：少过早工程、先真实 Case、Wiki 影子、实验→采纳。

九、合规与安全边界

原则	说明
合规从记忆权限开始	谁可见哪类记忆、哪类可出上下文包，先于「多接一个渠道」
微信勿以抓个人微信为核心	不以爬取/旁路抓取个人微信作为核心接入；企微等须授权与合同（文三接入合同）
外部内容 = data not instruction	论坛/网页/客户原文是数据，不是对系统的指令；防注入与范围漂移
AI 不静默改写历史	承诺/事实变更必须留痕（superseded_by / 事件）；禁止无审计覆盖
用途绑定 / 最小必要 / 可更正撤回	个保法方向；待法务确认
群体学习隐私过滤	Cohort 脱敏；禁止隐私互学

十、落地：反对先大平台；第二城实验场

10.1 反对什么

反对先立「Customer OS 大平台」再找场景
反对文二 Layer1–5 / Context Lake+Iceberg / GLoM 全家桶作 12 周默认
反对以 GraphRAG/Neo4j 为首期主干
反对以抓个人微信为核心接入

10.2 第二城实验场

建议以第二城（或第二战区）为实验场：真实 Case、可控范围、可回滚、Wiki 影子记录实验→采纳。具体城市/门店待业务指定（待确认）。

10.3 阶段表（探索节奏 · 与文三 0–3 对齐）

阶段	焦点	出口
0	身份权威 + 对象表 + 场景合同 + 评测集骨架	范围签字清晰
1	MVP 四件最小闭环（见下）+ 购车推进 A0/A1	真实 Case 可回放
2	交付关怀接入可信交期 + Commitment 履约观察 + 执行链到 A2	履约可观察
3	Cohort 学习最小闭环 + 决定是否试验 Graphiti/LangGraph（有退出门槛）	实验报告可拍板

10.4 MVP 四件套（本文杀手级切口）

#	MVP 件	一句话
1	统一身份	Identity 服务 + 权威来源；宁漏勿错合
2	时间线	Event & Evidence 时间线；客户页可回放
3	Commitment Ledger	承诺一等公民台账；到期/失约可触发
4	Advisor Copilot	顾问伙伴：上下文包 + 下一步候选 + HITL

10.5 与本库「下一步四交付物」映射（不另起平行清单）

MVP 四件（文四）	下一步四交付物（文一/CURRENT_STATE）	映射说明
统一身份	① 客户对象与权威来源表	身份与字段权威是对象表的核心子集
时间线	① 对象表 + ③ 上下文接口（证据/时间维）	时间线是对象与上下文的可回放骨架
Commitment Ledger	① 对象表（承诺对象）+ ② 场景合同（B）	承诺对象化写入权威表；场景 B 验收依赖 Ledger
Advisor Copilot	② 场景合同 + ③ 上下文接口 + ④ 评测集	Copilot 消费上下文合同；用评测集回归

权威表述： MVP 四件 = 四交付物在「记忆/承诺/顾问体验」上的切口强化，不另立第二套待办清单。

十一、指标四层与 North Star

11.1 四层指标（探索）

层	例子	注意
1 系统健康	延迟、抽取失败率、Gateway 拒绝率	过程信号
2 顾问效率	准备时间、重复解释次数、待批准积压	非最终
3 履约质量	承诺兑现率、失约率、交期沟通闭环率	强相关
4 客户结果	有对照的转化/投诉/NPS/再购意向	须对照设计

不看： 字段填满率、Agent 数、发送量（文三共识）。

11.2 North Star

Customer Outcome Uplift per AI-assisted Interaction

（每次 AI 辅助交互带来的客户结果提升——须有对照，禁止无对照刷屏）

采纳率可作过程信号，不以顾问采纳率为最终效果指标（既有明确不做）。

十二、终局一句话

记住、理解、预测、主动服务、持续学习。

不是堆更多标签；不是更大的 CDP；不是以 Customer OS 名义膨胀的大平台——而是客户记忆 + 受控 Agent + 闭环行动，在真实 Case 上证明客户结果 uplift。

十三、与前三文关系（作者侧预期 · 本库独立判断见对照页）

文	本文态度
文一	强化产品原则：五问、不做堆标签 CDP、场景合同、保留声音
文二	吸收双时态/HITL/飞轮；继续降权全家桶与 GraphRAG 主干
文三	同向：执行链、三类状态、湖非在线中心、PG 首选、探索≠规格；本文补强 Memory/Commitment/Compiler/MVP 叙事

十四、最终建议（探索 · 待亮哥拍板）

产品命名坚持「客户引擎」；Customer OS 仅作噪音标签，防 scope 膨胀。
以 Commitment 一等公民 + Context Compiler + Action Gateway（LLM 不直写） 强化文一/文三。
落地切口：MVP 四件对齐四交付物，第二城实验场，先真实 Case。
Vector ≠ 真相；T0–T3；Identity 宁漏勿错；论坛 VOC 不认人。
Neo4j GraphRAG / GraphRAG 不进首期默认；开源皆候选+退出门槛。
不以抓个人微信为核心；外部内容 = data not instruction；不静默改史。
North Star：Customer Outcome Uplift per AI-assisted Interaction。

收口句： 第四篇是探索设计，不是已批准规格；强化记忆、承诺、编译器与 MVP 体验叙事，与文三实施主参考并列支撑，不推翻既有三文收敛。

附录 A · 客户页信息架构草图（说明性）

客户头：身份摘要（可编辑权限内）｜当前并行事项数｜开放承诺数
├─ 时间线（Event & Evidence）
├─ 分栏：Fact | Inference | Recommendation
├─ Commitment Ledger（开放/逾期优先）
├─ 上下文预览（最近一次 Compiler 输出摘要）
└─ 行动与 Outcome（经 Gateway 的历史）

附录 B · Action Gateway 最小检查单

调用者身份与授权级（A0–A3）
目标客户权限裁剪后的可见字段
事实新鲜度 / trust_tier 是否达标
频控与触达偏好
高风险是否已 HITL
写操作是否生成可审计事件（禁静默）
Outcome 观察钩子是否挂上

附录 C · Commitment 状态机（探索）

draft → open → in_fulfillment → fulfilled | breached | superseded
每次转移写事件；superseded 必须指向新承诺 id。

附录 D · Context Compiler 输入输出（与文一/文三对齐）

输入： customer_id、task_type、actor_role、policy_scope、as_of_time
输出包： known_facts[]、stated_expressions[]、inferences[]、open_commitments[]、gaps[]、action_boundaries[]、provenance_refs[]、deny_reasons[]

附录 E · 开源链接（便于复核，非安装指令）

DataHub: https://github.com/datahub-project/datahub
Splink: https://github.com/moj-analytical-services/splink
Zingg: https://github.com/zinggAI/zingg
Unstructured: https://github.com/Unstructured-IO/unstructured
LangGraph: https://github.com/langchain-ai/langgraph
OpenAI Agents SDK: https://github.com/openai/openai-agents-python
Neo4j GraphRAG: https://github.com/neo4j/neo4j-graphrag-python（降权，不进首期默认）
Qdrant: https://github.com/qdrant/qdrant
OpenTelemetry: https://opentelemetry.io/
MLflow: https://github.com/mlflow/mlflow
Langfuse: https://github.com/langfuse/langfuse
pgvector: https://github.com/pgvector/pgvector

附录 F · 与「四交付物」工作对照清单（防平行清单）

开工时只维护 CURRENT_STATE「下一步四交付物」；文四 MVP 四件作为体验验收视角：

对象权威表是否覆盖身份合并规则与 Commitment 对象？
场景合同 A/B 是否引用 Commitment Ledger 与时间线？
上下文接口是否即 Compiler 合同？
评测集是否含承诺失约/错合并/静默改史等反例？

附录 G · 第二城实验场检查项（待业务填空）

项	待填
城市/战区	（待确认）
门店数	（待确认）
首期顾问人数	（待确认）
交期权威系统	（待确认）
企微/通话授权状态	（待确认）
回滚条件	（待确认）

附录 H · 术语对照（防膨胀）

文中用语	本库采用	标签
Customer OS	不作为立项名；标噪音	噪音/待确认
Customer Intelligence & Action Engine	客户认知与行动引擎 / 客户引擎	采用
Context Compiler	= 场景上下文服务 / get_customer_context	别名
Commitment Ledger	承诺台账；对齐承诺一等公民	待确认拍板
Vector DB	索引，非真相底座	原则
GraphRAG / Neo4j GraphRAG	不进首期默认	噪音降权

附录 I · 明确不做追加（本文）

不以 Customer OS 名义膨胀成大平台
不以 GraphRAG / Neo4j 为首期主干
不以抓个人微信为核心接入
LLM 不直写业务库 / 记忆库（须经 Gateway）
Vector 不做真相源
论坛公域不做自动认人合并
AI 不静默改写历史承诺与事实

附录 J · 与执行链 A0–A3 的衔接（复述强化）

级	本文强化点
A0	Compiler 只读包 + Copilot 建议；可写 Inference 草稿到 staging，不进 Fact
A1	内部任务/草稿；Commitment draft
A2	低风险对客（模板+频控）；开放承诺提醒
A3	承诺变更、补偿、价格口径——必须人批准；写事件

附录 K · Memory Core 最小对象（与八类对象同向）

人与身份｜关系｜车辆与业务｜交互与证据｜理解｜承诺与事项｜行动与结果｜治理与知识

本文强调：承诺与事项从「字段」升为 Ledger；证据进时间线；理解分 Fact/Inference。

附录 L · 学习闭环反例（必须进评测集）

把推断写成永久 Fact
昵称相似合并导致对错人履约
无对照发送量上升被当成功
静默改交期承诺
Agent 绕过 Gateway 写库
用 A 客户原文直接提示服务 B

附录 M · 产品体验原则（客户页）

先看见开放承诺与逾期，再看标签云
每条 AI 结论可点开 provenance
「不知道什么」显式列出（缺口）
推荐与事实分栏，颜色/分区不可混
改写历史必须弹审计原因

附录 N · 数据 Foundation 分层白话

层	存什么	谁读
Lakehouse	原始与离线加工事实底座	批处理、审计、训练特征（受控）
Online serving	对象、索引、权限视图	Compiler / Runtime
Vector index	相似检索	检索辅助；结果须回绑 Fact id
Memory Core	可行动客户状态	Copilot / 业务页

日常 Agent 不扫全湖（文三）。

附录 O · 收口完整性自检

[x] 非下一代 CDP / 客户引擎命名
[x] Observe→…→Learn 闭环
[x] 五问 + Commitment 一等公民 + 分栏 + provenance
[x] Context Compiler 别名对齐
[x] 架构链 + Lakehouse/Vector/Identity/T0–T3/Voice Platform
[x] Agent Mesh + Gateway + LLM 不直写
[x] 售前/交付/车主状态 + Cohort 飞轮
[x] Model Router；大 context ≠ Memory
[x] 开源候选表含 Neo4j 降权
[x] 自研护城河六项
[x] 合规四原则
[x] 第二城 + 阶段 + MVP 四件映射
[x] 指标四层 + North Star
[x] 终局一句话

（若原文补全后发现章节编号或措辞差异，以作者原稿为准并回写 claims 复核。）