云选通智能选址系统
产品经理作品集

1社会困境与机会洞察

在中国，近 500 万大龄孤独症人群的就业率不足 5%，背后是数百万个渴望融入社会的人生和家庭沉甸甸的期待。团队深入浙江 7 市 15 县调研，发现大龄星青年服务具备广阔市场和巨大发展潜力，但现实降下三重枷锁：

当前社会面向心智障碍青年的传统帮扶模式与技能培训，无法将其推向完全竞争的劳动力市场。团队访谈 10+ 企业、5 位残障服务专家、30+ 孤独症家庭，明确三大核心需求目标：孤独症青年上岗路径、商业造血能力、规模化复制机制。

心陷困境

痛点分析

市场分析

2第四空间：有壁垒保护的就业环境

第四空间不同于传统的居住（第一空间）、工作（第二空间）和公共社交（第三空间）三类空间，通过制度支持、技术赋能与场景共创，使星青年在一个有支持、可持续的场景中创造真实价值——定义为生产、销售和公益活动一体化空间。它包含四个同时成立的产品层：

3第一层 · 破局点：政策特许型商业点位

本项目针对轻餐饮与零售场景

在完全开放的市场中，仅靠公众爱心难以持续，项目的可持续性必须源于结构性优势。突破口在于：通过项目的公益属性，获取"特许经营资格"的独特资源——许多场地原本无法进行商业开发，但一旦承载"残疾人融合就业"的使命，便能获得政府、残联及物业的多方支持，突破常规商业限制，转化为具有选址优势和稳定性的助残点位。

政策特许型准入的四大场景

不把特殊青年直接推向激烈竞争市场，而是优先发现低竞争、高扶持的切入点——这构成了可持续商业模型的基石。我们的核心能力之一，便是系统化地发掘、评估与开发这类政策特许型商业点位。为此，我独立研发了云选通智能选址系统（Part II 详述），整合客流、商圈评估、政策支持与可行性、公益无障碍等多维数据，精准锁定适合星青年就业且具备商业潜力的位置，形成项目坚实的竞争壁垒。

云选通智能选址系统 · 工作台

4第二层 · 支撑体系：全流程赋能模型

点位只是起点，支撑其长期稳健运营才是关键。我们摒弃简单安置，为星青年构建"有支持、可成长"的工作环境。

融合编组与岗位拆解

人员配置采用 1+N+N 融合工作动态配比模型（店长 + N 普通员工 + N 星青年员工）作为基础配置，按任务复杂度、变化频率和社交要求拆解岗位，而非按诊断标签分工：普通员工负责统筹运营、核心制作、客户对接和带教星青年等变化快、社交复杂的环节；店长负责异常处理与灵活决策；星青年承担"结构化、低变化、弱社交"的标准化基础岗，按茶咖、烘焙、零售等业态的客单节奏、制作复杂度与社交压力测算最优人力结构，在成本可控与服务质量之间取得平衡。

星青年在点位中承担的具体岗位

岗位设计拆解点位的真实业务需求，将复杂工作流程分解为备料、包装、收银、清洁等标准化、可重复的结构化岗位，让星青年在能力适配的岗位上创造真实价值，避免纯安置性就业。

服务标准：12 项 SOP 手册

牵头制定覆盖点位运营全流程的 12 项标准化操作手册，包括出餐动线、卫生管控、库存管理、星青年在岗支持规范等，将经验固化为可复制、可培训的操作指引，确保新点位快速上手、老点位稳定输出。

就业档案 SaaS 系统 + 三全培育

建立"人-岗-点"三方资源库，整合星青年能力画像、点位运营数据与岗位需求清单；利用 SaaS 持续追踪就业表现，基于数据分析反向优化培训、岗位适配规则与支持策略。岗前实施"全面培训、全心陪练、全程陪护"的三全培育，利用就业点位的真实场景开展模拟实训，由就业导师等特教人员提供在岗支持；在岗以星青年兴趣特长为核心，实行"评估—培训—上岗—督导"全流程支持，确保自然支持体系建立与人岗精准匹配。

就业档案系统

标准运营模型

5第三层 · 盈利与循环：供应链服务

点位只是起点，供应链的规模化运作是项目自我造血的核心。对 13 家设备商、原料商比价谈判敲定集采目录，设备统一供应、原材料集中采购；建立补货台账与进销存动态库存管控，结合点位销售数据分析与成本测算，以采养点。自营品牌输出并支持加盟，统一采购原料与设备、标准化管理，用规模效应支撑多点位复制。

6商业闭环、收入结构与落地验证

前五节分别回答了“为什么做、在哪里落地、如何支持上岗、怎样规模复制”。本节集中说明各方如何交换价值、项目如何形成收入，以及收入如何反哺点位与就业支持。

价值交换与收入来源

盈利逻辑：智能选址 SaaS 与决策服务、设备与原材料供应、加盟及项目服务和 To C 商品销售共同构成核心经营收入；政府购买服务与企业采购进一步扩大项目规模，政策、空间及公益资源用于降低固定成本。经营结余继续投入产品迭代、新点位拓展、培训和在岗支持，形成“产品与经营收入 → 就业支持 → 点位复制 → 数据沉淀与规模采购”的回流。

合作与资金回流

政府和街道提供政策、空间与公共服务连接，NGO 和特教机构提供专业支持与公信力，企业和加盟方提供岗位、订单、场景及经营网络，消费者贡献持续交易。项目方将这些资源组织成“吸纳—培训—上岗—经营—反哺”的闭环：加盟方聚焦经营与人员支持，星青年获得收入和职业成长，项目方以供应链、服务和经营收入继续扩大点位与赋能体系。

落地数据

项目获得央视新闻等国家级媒体关注和领域专家高度认可。

1行业痛点与产品定位

聚焦的痛点：轻餐饮与零售选址场景下，门店、餐车、第四空间三类点位的选址面临四个行业级问题：

产品定位：面向轻餐饮与零售行业的连锁品牌加盟商、品牌自营选址人员与小微品牌/创业者的 AI 辅助选址决策平台，用真实 POI、空间分析、政策证据和多 Agent 协作，筛选更值得实勘的点位。产品位于选址漏斗的"需求定义 → 初筛 → 证据分析 → 实勘决策"阶段，不是租赁成交平台。

目标用户：三类角色带着不同的决策情境使用同一平台

三类用户均分为普通类型与特殊群体融合就业类型——平台以完整的普通商业选址能力为基础，融合就业的政策能力从普通商业型中分叉嵌入，不压窄用户群体。两者的差异体现在：仅当项目类型选择"政策特许 / 减免申请型"时，才能选择第四空间载体；且多目标优化加权评分算法的权重不同：

残障/特殊青年不直接使用系统选址：他们在培训机构完成培训后，被分配至选址完成的点位上岗；若有开店意愿，则以加盟商身份进入系统。特殊群体赋能机构同理不参与选址，由品牌运营方完成选址。

2三大核心差异化

针对上述痛点，云选通形成三点传统选址软件不具备的差异化：

3产品架构与设计

3.1 功能结构与用户流程图

graph TD
  L[注册 / 登录] --> A[工作台
选址需求输入]
  A -->|点击「开始调研」| B[AI 调研流程
意图理解 + 四专项并行 + 综合决策]
  B --> C[选址调研
任务状态 + 四大专项分析]
  C --> C1[客流分析]
  C --> C2[商圈评估]
  C --> C3[政策分析]
  C --> C4[公益无障碍]
  B --> E[数据洞察
综合推荐 + 偏好建议 + Top 3 对比]
  C -->|复核专项依据| E
  B -.-> D[地图探索]
  D --> D1[客流热力]
  D --> D2[交通覆盖]
  D --> D3[消费潜力]
  D --> D4[竞争环境]
  D -->|交叉核验| E
  E -->|选择点位| F
  F -->|生成报告| G[报告中心
查看 / 下载 / 归档]
  E -->|收藏备选| H[收藏夹
持续跟踪 / 返回对比]
  H --> E
  I[系统设置
权限与规则配置] -.-> A
  

流程说明：用户注册登录后在工作台输入选址需求，点击"开始调研"后，系统先理解个性化诉求并完成候选召回与硬条件校验，再并行执行四项专业分析，最后由综合决策 Agent 识别跨维协同、冲突与取舍并形成排序。完成后，用户可在选址调研页查看任务状态和专项依据，在数据洞察页完成综合推荐、偏好建议与 Top 3 对比，并通过地图探索交叉核验；选定候选点后生成报告，在报告中心查看、下载和归档，未入选但值得复核的点位可加入收藏夹持续跟踪。

3.2 信息架构与数据模型

数据从原始需求到可追溯的决策报告，18 张 PostgreSQL 数据表完整呈现如下。所有业务表启用 PostgreSQL 行级安全（RLS），按 tenant_id 自动隔离租户数据。图中同时标注中文业务名称与英文表名：

graph TB
  subgraph IDENTITY[租户与身份 · 5 张]
    ORG[组织
organizations] --> MEMBER[组织成员关系
user_organizations]
    USER[用户
users] --> MEMBER
    USER --> SESSION[登录会话
sessions]
    ORG --> SETTING[租户设置
tenant_settings]
  end

  subgraph BUSINESS[选址业务 · 4 张]
    RESEARCH[调研任务
research_runs] --> AGENT[Agent 执行记录
agent_runs]
    RESEARCH --> CANDIDATE[候选点快照
candidates]
    RESEARCH --> REPORT[报告版本
generated_reports]
    CANDIDATE -->|选定点位| REPORT
  end

  subgraph POLICY[政策知识库 · 3 张]
    SOURCE[政策来源
policy_sources] --> VERSION[政策版本
policy_versions]
    VERSION --> CHUNK[政策分块与向量
policy_chunks]
  end

  subgraph GOVERNANCE[运行治理 · 6 张]
    AUDIT[审计日志
audit_logs]
    ERROR[应用错误
application_errors]
    SCHEDULE[调度记录
scheduler_runs]
    RUNTIME[运行时文档
runtime_documents]
    MIGRATION[迁移任务
migration_runs] --> SCHEMA[数据库版本
schema_migrations]
  end

  ORG --> RESEARCH
  ORG --> AUDIT
  RESEARCH --> AUDIT
  AGENT -.记录政策引用.-> CHUNK
  SCHEDULE -.定时同步.-> SOURCE
  RUNTIME -.保存权威状态.-> RESEARCH
  ERROR -.关联请求.-> AUDIT
  

18 张 PostgreSQL 数据表分为四层：

3.3 目标决策链路

统一评分口径：推荐分 = 四项专业得分按本次需求权重加权 + 跨维影响调整，最终限制在 0–100 分。专业 Agent 可在证据基础分上做有界校正（高/中/低置信度分别最多 ±8/±5/±2 分）；综合决策 Agent 可根据跨维协同或冲突给出 −10～+10 分调整，并因此改变相近候选的名次。调整必须引用同一候选至少两个不同专项的证据；高/中/低置信度由服务端再限制为 ±10/±6/±3 分，证据不足则归零。

不可突破的边界：AI 不能恢复被硬条件排除的点位，也不能改写地址、坐标、租金、POI 数量等客观事实；最终数值、引用有效性、调整幅度和排序均由服务端校验与计算。模型不可用时自动降级为确定性结果。

3.4 Agent 架构选型

6 个 AI 节点与模型分工（单次选址调研模型成本约 0.05 元，耗时约 30 秒）

4核心功能展示

4.1 工作台

用户注册/登录后进入工作台首屏，在一屏内完成选址需求的全量配置。系统将表单字段映射为统一的 ResearchIntent——显式槽位优先，自由文本补充提取。表单字段及规则如下：

表单联动规则：选定项目类型后，系统切换基准权重方案，核心诉求与自由文本用于形成个性化分析权重；第四空间载体仅在"政策特许 / 减免申请型"下开放。选定经营形态后，面积范围自动适配——选择"第四空间"时面积下限强制设为 60㎡，选择"餐车"时面积固定 20㎡ 且不可修改。预算、面积、区域和载体准入始终是硬条件，不因 AI 偏好而放宽。

登录页

工作台首屏

4.2 AI 智能选址调研

用户在工作台点击"开始调研"后进入选址调研页，系统执行完整的决策链路：

每个候选点生成独立的证据包，包含基础位置、载体类型、成本估算、周边活力、商业环境、交通、政策和招商线索。

AI 智能选址调研页

4.3 四大专项分析

在选址调研页点击"查看结果"后，跳转至四个专项 Agent 的详细分析页面，输出候选点证据所代表的经营影响、候选差异、机会、风险与核验动作。

政策分析 Agent 使用关键词 + pgvector 向量混合检索，从官方政策全文库中检索适用条款。入库来源限定中国政府网、残联、人社局等官方 HTTPS 域名；政策版本支持草稿、发布、归档和回滚，已发布版本不可变并保留 SHA256 哈希；每项引用携带标题、发布机构、条款号、版本号和原文链接，确保可追溯。

客流分析

商圈评估

政策分析

公益无障碍

4.4 地图探索 — 四维交叉分析

通过左侧导航栏进入。同一组候选点位在四个维度下分别呈现，用户通过切换标签对比不同维度的空间分布，形成交叉判断。

客流热力

交通覆盖

消费潜力

竞争环境

4.5 数据洞察

通过左侧导航栏进入，也可跳过地图探索直接到达。看板统一展示每个候选的四项专业得分、个性化权重、专业加权分、跨维影响调整与最终推荐分，让用户看清“原始证据如何影响专项判断、专项判断如何形成最终排序”。交叉分析重点呈现协同、冲突与取舍，而不是重复四个专项的结论；用户在此完成“哪个候选更值得优先实勘”的判断并选择点位生成报告。

数据洞察看板

4.6 报告中心

用户在数据洞察或地图探索中选择候选点后，系统冻结本次证据并生成正式报告。报告面向业务用户使用“推荐分、专业得分、综合影响”等产品化语言，包含候选点信息、最终 Top 3 对比、统一评分构成、成本与减免情景、四项专业判断、跨维协同/冲突、风险、30 天行动计划和政策引用。专项内容按“判断—关键证据—核验动作”去重呈现。支持在线预览、HTML 下载、版本生成和归档。

未确认点位前仅保存调研草稿，不生成对外正式报告。

报告中心

报告详情 · 决策结论与评分构成

报告详情 · 四项专项分析

报告详情 · 排名、成本与行动计划

4.7 权限管控与系统记忆

三级角色权限矩阵

系统采用 RBAC（基于角色的访问控制）+ 多租户隔离架构，所有业务表启用 PostgreSQL 行级安全（RLS），按 tenant_id 自动隔离，确保租户 A 无法读取租户 B 的任何选址记录。

运营管理员只能管理普通用户，不能查看或操作平台管理员账号；至少保留一名活跃超级管理员，防止锁死。

安全机制

系统记忆与可追溯性

系统的"记忆"分为四个维度，确保每个决策都可审计、可回溯：

系统设置

5技术实现与部署

技术栈

系统架构

graph TD
  UI[HTML/CSS/JS 前端] --> API[Node.js API 与业务服务]
  API --> AUTH[身份认证与租户权限]
  API --> SEARCH[全杭州空间召回与硬条件校验]
  API --> AGENT[受约束 Graph Multi-Agent 编排]
  API --> REPORT[报告生成与版本管理]
  SEARCH --> AMAP[高德地图与真实 POI]
  AGENT --> BAILIAN[阿里云百炼 Qwen]
  AGENT --> RAG[政策混合检索]
  RAG --> PG[(PostgreSQL + pgvector)]
  AUTH --> PG
  REPORT --> PG
  NGINX[Nginx 反向代理 :80] --> API
  subgraph Docker Compose
    NGINX
    API
    PG
    BACKUP[每日备份容器]
  end
  BACKUP --> PG
  

测试体系

21 项自动化测试（architecture 4 项 + infrastructure 5 项 + citywide-search 12 项）覆盖架构安全、数据治理和选址引擎三个层面，使用 Node.js 原生 node:test 框架，通过率 100%。测试既验证 AI 可以基于有效跨维证据调整排名，也验证硬条件、候选事实、引用边界和成本上限不会被模型突破。

用例集 A：AI 架构安全（architecture.test.js）

用例集 B：数据治理与报告策略（infrastructure.test.js）

用例集 C：选址引擎核心逻辑（citywide-search.test.js）

工程规模

1产品复盘

产品设计考量

1. 从真实商业瓶颈切入：把“能否找到兼具经营潜力与合作准入条件的点位”识别为融合就业规模复制的前置问题，让智能选址系统直接服务点位扩张与 To B 决策收入，而不是脱离商业模式的独立功能
2. 兼顾通用市场与特殊场景：以轻餐饮和零售的普通商业选址为基础能力，将融合就业、政策合作与公益无障碍作为可配置分支嵌入，既扩大产品适用面，也保留差异化壁垒
3. 形成从需求到行动的决策闭环：串联需求理解、全市召回、硬条件筛选、逐点证据、四项分析、综合比较、报告与实勘动作，最终回答“先看哪里、为什么、风险是什么、下一步确认什么”
4. 让规则、数据和 AI 各司其职：规则守住预算、面积和事实边界，地图与政策库提供证据，Agent 负责经营解释和跨维取舍，服务端完成限幅与最终计算，避免把智能等同于自由生成
5. 把政策能力做成可治理资产：官方来源、版本、内容指纹、混合检索、引用与回滚共同保证结论可追溯，使政策分析从一次性搜索升级为可维护的产品能力
6. 完成从商业方案到工程交付的连接：商业侧已有点位、就业与营收验证，产品侧具备数据库、租户隔离、审计、测试、部署和降级机制，形成可以继续积累数据和迭代模型的基础

关键取舍

• 决策辅助，而非自动签约：首期聚焦实勘前筛选与优先级判断，把租赁、消防、用途和合作准入留给现场及书面确认
• 通用主干，特殊能力分支：不为融合就业另建一套孤立系统，通过项目类型、权重和规则切换复用同一选址引擎
• 先保可用，再增加智能：预算、面积和载体准入先做硬过滤；AI 只在合格候选中解释经营影响、识别冲突并有限调整排序
• 覆盖广度与分析深度分阶段：先用 13 区县网格完成全市召回，再对最多 6 个候选逐点精查，避免一次性精查全城带来的延迟与接口成本
• 速度与推理质量分层：结构化比较使用快速模型并行执行，政策长文本和综合决策使用推理模型；所有节点设置调用、token、费用和降级边界
• 数据不足时不制造确定性：缺少真实客流、成交租金和现场无障碍数据时使用代理指标，并把不足转化为实勘核验动作
• 政策更新与发布分离：自动采集保证更新效率，人工发布控制适用性风险；首期聚焦杭州，先积累可靠样本后再扩展城市

下一阶段路线图

2能力映射