恒林恒峻·Nouhaus 是一家做家具跨境 DTC 的公司。从 2025 年 8 月起，我们用 12 个月把 AI 从"买来的单点工具"长成了"自己的组织"——截至 2026 年 7 月 27 日，五大自研体系共 123 万行生产代码、12 个月内 1,593 次自研提交、14 名在编数字员工分属 6 个部门、59 个技能包、44 个无人值守定时任务。artux 就是这套实践的产品化。 这篇文章讲的不是我们有多强，而是这条路上每一步为什么必须那样走——以及哪些坑是所有想自己做的公司都会踩的。所有数字都来自正在生产环境运行的系统或代码仓库实测，估算与实测严格分开标注。
起点：买过市面上的 AI 工具，用过，然后呢？
我们的起点和大多数跨境公司一样。问题不在于那些工具不够聪明，而在于三件事：
它们各管一段，彼此不通。 选品工具的结论进不了供应链系统，素材工具生成的图进不了上架流程，SEO 工具的报告和实际改站是两回事。每两个环节之间都留着一次人工搬运。
它们不懂这条业务链的具体规矩。 家具品类库存重、周转慢、跨 7 个仓库；主题改错一行 CSS 会让转化掉多少；结算页被机器人刷是什么感觉——这些经验没法从文档里学，只能从踩过的坑里长出来。
最关键的一条：用了一年，公司什么也没留下。 会用的人变强了，不会用的人还是那样，而会用的人的经验留在他自己的账号里。
于是从 2025 年 8 月起，我们开始自研。
四个阶段：工具 → 系统 → 组织 → 打通
| 阶段 | 时间 | 特征 |
|---|---|---|
| ① 工具期 | 2025.08 – 2025.12 | 哪里疼治哪里：产品资料、物流追踪、第一个 AI 生图插件、第一个自研 Shopify App |
| ② 系统期 | 2026.01 – 2026.04 | 业务系统化：利润测算、设计工作室、PIM 动销补货、多国 Feed、运维安全体系建立 |
| ③ 组织期 | 2026.04 – 2026.06 | AI 从工具变同事：数字员工体系上线，14 岗位 / 6 部门 / 59 技能包 / 2.2 万行岗位手册 |
| ④ 增长与打通期 | 2026.06 – 至今 | 攻守合一：GEO 工作站守流量入口、选品协作补齐前端、数字员工网关打通中台 |
关键节点都是 git 的真实首次提交日期：2025-12-10 AI 生图平台立项（第一个真正的 AI 能力，同日第一个自研 Shopify App）；2026-02-27 运维与安全体系建立（7 台服务器纳管）；2026-04-20 数字员工体系立项——组织化拐点；2026-07-09 数字员工网关上线。
第三阶段是分水岭。前两个阶段做的是"让系统替人算"，第三阶段做的是"让系统替人跑"。这两件事需要的工程量完全不在一个量级。
一件商品上架要穿过 5 个部门
DTC 的真相是：工厂样品 → 产品部分析 → 市场部定档 → 拍摄设计 → 上架 → 数据跟进。每次交接靠人催、靠开会——部门墙之间的等待就是利润的流失。
数字员工体系解决的正是这段。员工不换系统，在飞书说一句话就是派活；上一环产出一落库，数字员工主动推给下一环责任人：
- 样品信息自动入库建档，规格成本一次录入全链路复用
- 产品部分析一完成，总管主动把结论推给市场部责任人——不等吩咐，主动传交接棒
- 定档即生成下单与拍摄任务，责任人同步收到飞书卡片
- 素材完成直接进入上架流程，电商工程师数字员工接手改站
- 上架即入动销监测与 GEO 表现跟踪，闭环回到选品
- 承诺不蒸发：多人多天的事先落账本，平台逐人私信、自动催办、到点交报告
截至 2026-07-27，已累计产生 1,193 个任务产物目录、685 个交付文件、108 MB 交付物——市场研报、清洗数据表、生成图片、翻译稿、巡检报告，全部直接送达飞书。
八个环节，各自的"哪些活可以不用人干"
不按系统分类，按独立站实际经营链路分类。每个环节都问同一个问题。
选品：一句话发起类目调研 → 价格带、评分分布、品牌集中度、进入机会矩阵 → 出版级研报直发飞书。需求工单化 7 个流程状态，"球在谁手里"用三态正交标记让责任永不悬空，节点停留 ≥3 天自动预警。
供应链：日均销量（7/14/30/90 四窗口）、可售天数、动销率、库存盈亏——每日 07:30 无人值守。补货动作分五档，建议量三项拆分并附可解释的补货理由。领星 ERP + Shopify + Wayfair + WFS + Coupang 库存每 4 小时同步，覆盖 7 仓 5 国。
素材：10 个 AI Agent 六阶段协同，41 个家具专用配方，8 个 AI 修图工具，15 款可切换模型。每次调用记录 Trace / 用途 / Token / 耗时 / 错误分类 / 美元成本（6 位小数）——AI 成本必须可观测，否则没人知道钱花在哪。
建站上架：10 个自研 Shopify App 共 25.9 万行全部自有可控；4 套主题工程 1,184 个 Liquid 文件 / 29 万行。电商工程师数字员工的六步工作流最后两步是硬约束：PC 1440×900 + 移动 390×844 双视口截图自检 → 交预览链接 → 确认后才推 live。
技术 SEO：站点审计 29 条规则，健康度按三档严重度加权。词到页闭环——承接词（GSC 实际接住的）+ 机会词，分配到 Title / H1 / 正文 / FAQ 的具体位置。Schema 可生成 Product / BreadcrumbList / Organization / Offer 并含防双实体机制；无数据源的 Review 类拒绝生成——不伪造评分。
GEO 增长：买家开始直接问 AI"哪款人体工学椅值得买"。市面 GEO 工具的数据多来自爬 AI 网页界面——不稳定，也不可信。我们只采信平台官方引用元数据，接不到官方数据就标"未接入"。方法论有学术依据（Princeton GEO 研究，KDD 2024：加统计数据 +32%、引述 +41%、引用来源 +30%，开头 150–200 字权重最大）。单轮 AI 引用监测成本 $0.08，这是代码实测口径，不是估算。
财务分析：刻意不用 AI。跨境财务要的是可复算、可审计——44 科目标准化 P&L、五维汇总、三时序对比、杜邦分析 / 盈亏平衡 / BCG 矩阵。确定性的事交给确定性的系统，这是我们对 AI 边界的判断之一。
运维安全：零侵入架构，本机 SSH 出站管理 7 台服务器，服务器上不装任何 Agent。安全审计 17 项，WAF 8 条自定义规则 + 50 余个恶意 ASN 黑名单 + 25 个合法 Bot 白名单。刷卡机器人专项对云服务商 ASN 走质询而非拦截——不误伤真实买家。
让 AI 进企业的不是模型，是约束
对外交流最常被问"AI 会不会乱来"。我们的回答不是保证，而是写进代码里的机制——每条都不是文档规范，是执行路径上过不去的闸门。
| 机制 | 说明 |
|---|---|
| 发布与回写从类型上无法自动化 | 调度器只接受"采集/分析/巡检"三类任务，刻意不定义"写"类型——写生产的任务在注册阶段被拒绝，有单元测试常驻断言 |
| 回写六铁律 | 幂等键防重复 · 二次确认才真写 · 写前快照 · 一键回滚 · 全链路审计 · 失败进死信队列 |
| 上线前人工闸门 | 数字员工改完主题只能推预览 + 双视口截图 + 预览链接，然后停下——必须等运营明确回复"确认上线" |
| 白帽红线 | 不买外链、不建站群、不伪造结构化数据、不代品牌对外发声、不存个人隐私。接不到官方 API 就标"未接入"，绝不造数 |
| 权限不可绕过 | 接口按 6 级权限分级，清单外默认拒绝，完备性测试保证清单与实现对齐 |
| 运维操作护栏 | 8 条绝对禁止命令、10 类需人工确认操作、删除改用移动到备份目录、改配置强制先备份带时间戳副本 |
第一条值得展开：把"不能做"变成类型系统里不存在的东西，比写在提示词里可靠得多。 提示词会被绕过，类型不会。
同样的活，人工 vs 系统
系统侧为代码中的真实配置（任务超时上限、执行频率、实测成本）；人工侧为按常规作业强度的合理估算，已注明依据，不与实测数据混淆。
| 场景 | 人工/外包 | 系统 | 估算依据 |
|---|---|---|---|
| 全站技术 SEO 审计（122 页 × 29 规则） | ≈ 10 小时 | 30 分钟 · 每日自动 | 人工逐页检查按 5 分钟/页 |
| 动销与补货测算（7 仓 × 11 指标） | ≈ 4 小时/次 | 每日 07:30 无人值守 | 人工导出多仓数据后 Excel 建模按半天 |
| 电商图片套件（主图 + A+） | 3–5 天 | ≈ 2 分钟 | 外包常规交付周期；系统侧为平台标注时长 |
| 类目市场调研报告 | 2–3 天 | 数十分钟 · 一句话发起 | 人工收集数据并成稿按 2–3 工作日 |
| SEO/GEO 体系建设 | 10.8–36.8 万/半年 | 一次投入 · 长期资产 | 外包侧为实际收到的报价单区间 |
| AI 引用监测（8 提问词 × 多引擎） | — | $0.08 / 轮 | 代码实测成本口径，非估算 |
用一次，沉淀一次
59 个技能包不是一次设计出来的，是长出来的。总管发现员工反复使用同一个流程（比如供应商深度尽调、产品 VOC 采集分析），会主动提议沉淀为标准技能——确认后一句话执行，可共享全员。
加上 81 篇知识库文档和 2.2 万行岗位手册——这是我们把自己的 SOP 教给 AI 的过程。它的价值不在于文档本身，而在于：员工的日常使用本身，就在为公司积累能力资产。
为什么把它做成产品
市面上做 Agent 的公司很多，做 SEO 工具的也很多。但要把一条 DTC 全链路的 SOP 教给数字员工，前提是这家公司自己真正跑通过这条链路——知道选品卡在哪、知道补货算错的代价、知道主题改错一行 CSS 会让转化掉多少。
走完这 12 个月我们发现一件事：在"接一个 agent"和"让它成为员工"之间，隔着的那部分工作量，远超前者。 多租户隔离、凭据不落地、记忆的归属切分与改口机制、常驻实例的开通升级健康上报备份回滚、席位与额度计量——这些都不是模型问题，是工程问题。而工程问题一旦被解决一次，就可以被复用。这条分界线的完整版，写在《为什么企业还需要数字员工平台》。
artux 就是这部分工作的产品化：一企业一实例、数据不出网、飞书里派活、经验沉淀在组织。这套体系我们自己每天在用，它还在长。
FAQ
这些数字是怎么统计的？
分三种口径并分开标注：实测取自生产系统与开发库快照（2026-07 期间），代码取自代码仓库统计（不含测试代码、依赖包与构建产物），估算为合理推算并注明依据。人工侧的耗时全部是估算，系统侧全部是真实配置或实测。
14 名数字员工是 14 个不同的模型吗？
不是。是 14 个岗位，每个岗位有自己的能力边界、工具白名单和独立工作区——它做不了的事，平台不会让它硬做（产品化之后对外开放的能力与状态，见能力清单）。员工只跟总管说话，背后分工无需感知。
为什么财务分析刻意不用 AI？
因为跨境财务要的是可复算、可审计。同样一批数据跑两遍必须得到同样的结果，且每个数字都要能追到来源。确定性系统在这件事上是更好的工具，用 AI 是错配。
数字员工会不会读到员工本人无权看的数据？
不会，这是架构保证的。网关不重写鉴权——以"发起人本人"身份铸造受限凭证，请求回环打进中台，穿过既有的权限体系由业务系统在源头鉴权。权限不复制、不镜像，唯一真相源在业务系统。
一家没有工程团队的公司能复制这条路吗？
自研这条路需要工程投入，这是实话。artux 的存在就是为了让不需要重走这 12 个月的公司直接拿到结果——一企业一实例，注册后审核开通，飞书里配好凭据就能派活。
想了解更多可以看什么？
可以先从最小成本的验证开始：免费注册，申请 7 天全功能试用（档位与席位口径见定价页）。建议用试用期跑一个你现在真的每天在人工做的活，而不是跑演示场景——后者看不出差别。