一个周一早上的提醒：C区比预期慢了四成
假设一家中等规模俱乐部的主场有4万个座位，下周六晚上有一场普通联赛，对手处于积分榜中游。周一早上九点，票务经理还没打开后台，就收到了一条系统消息：北看台C区目前售出22%，而过去同类比赛在开赛前12天的平均售出率约为37%，偏差超过四成，已经超出正常波动范围。
如果这是一个传统的价格预测工具，故事到这里就结束了。它可能会顺手给出一个建议价格，比如“C区下调15%”，然后等待下一个问题。但这条消息后面还附着一份简短的调查记录：系统已经查过C区的价格变化、这场比赛的对手和天气、比赛时间、过去五场普通周末比赛的销售曲线，以及相邻B区和D区的销售情况，并给出了一个与价格无关的初步判断。
这就是体育商业AI正在发生的转变：从一个等人提问、给出数字的预测工具，变成一个会自己寻找收入问题、自己查询数据、把原因和建议一起交给人的经营Agent。这篇文章用这个模拟场景，拆解这类Agent是怎样工作的，它的权限边界在哪里，以及它可能在哪些地方判断错。
问题：从“这张票卖多少钱”到“哪里出了问题”
价格预测工具回答的问题是明确的：给定一场比赛、一个座位区域和一个时间点，建议价格是多少。这类工具有用，但它有两个局限。第一，它是被动的，只有当运营人员意识到某个区域有问题并主动去问时，它才会发挥作用；而很多收入问题恰恰是在没人注意的时候悄悄发生的。第二，它的输出只有价格，而价格往往不是问题的根源。
经营Agent要回答的是另一类问题：在所有正在销售的比赛和区域里，哪里的表现偏离了预期？偏离的原因最可能是什么？有哪些可选的动作？这些问题没有人提前写好，需要Agent自己从数据中发现，然后决定下一步去查什么。这种能力的前提，是模型对体育商业里的实体和关系有足够的理解：比赛、座位、库存、会员、价格、对手、天气之间是怎样相互影响的。关于体育商业大模型需要理解哪些实体，可以参考体育商业大模型到底需要理解哪些实体和商业关系。
数据：Agent自己去查了哪些东西
在C区这个场景里，皇冠体育AI的Agent在发出提醒之前，依次查询了以下几类数据：
- 价格：C区本场票价比上一场普通比赛上调了40元，这是赛季初设定的阶梯规则自动触发的。
- 对手：对手处于积分榜中游，历史上与本队的比赛上座率属于普通水平，不是德比或关键战。
- 天气：比赛日预报晴，气温适中，没有异常。
- 时间：周六晚上七点半开球，属于需求最好的时段之一，不存在工作日或节假日影响。
- 历史数据：过去五场普通周末比赛中，C区在开赛前12天的售出率在33%到40%之间，本场的22%明显低于这个区间。
- 相邻座位：相邻的B区和D区本场售出率分别为39%和36%，处于正常水平；而D区的票价同样上调了40元。
最后一项是关键。如果价格是主要原因，那么同样涨价的D区也应该变慢，但它没有。这让Agent把注意力从价格转向了C区本身在这场比赛里有什么不同。它继续查询了场馆运营数据，发现本场客队预计来访球迷较多，客队看台向C区一侧扩大，C区的入口因此从北侧一号门改为二号门，购票页面上新增了一条“需提前90分钟入场接受安检”的提示。页面数据显示，这条提示上线之后，C区从浏览到下单的转化率明显下降。
模型：Detect → Compare → Analyze → Explain → Suggest
把上面的过程抽象出来，就是一个五步的工作流程：
Detect：发现偏离
Agent定期巡检所有在售比赛和区域，把实际销售速度和预期曲线对比。预期曲线来自同类比赛的历史数据，并且已经剔除了德比、决赛、节假日等异常场次。只有当偏离超出正常波动范围时才触发，否则每天都会产生大量没有意义的提醒。
Compare：横向和纵向比较
发现偏离之后，Agent首先做比较：和同一区域的历史比，和同一场比赛的相邻区域比，和同一时段的其他比赛比。比较的目的是缩小范围，判断问题是整场比赛的、某个区域的，还是某个时间段的。
Analyze：逐个排查可能的原因
在缩小范围之后，Agent按照价格、对手、天气、时间、座位、库存、页面体验等维度逐个排查。每排除一个原因，就要说明依据，例如“D区同样涨价但销售正常，因此价格不太可能是主要原因”。
Explain：把原因写成人能看懂的话
分析的结果不能只是一个概率或者一个分数，而要写成运营人员能直接理解和核对的解释，包括依据了哪些数据、排除了哪些原因、还有哪些不确定。为什么解释比数字更重要，可以参考为什么体育商业AI必须告诉用户数字为什么变化。
Suggest：提出可选动作，而不是直接执行
最后一步是建议。建议应该是一组可选动作，每个动作附带预期效果、风险和观察周期，而不是一个单一的指令。
分析与解释：它最后交给票务经理的是什么
这份报告有几个特点。它没有直接说“降价”，因为证据指向的不是价格；它把每一个判断的依据都写了出来，票务经理可以逐条核对；它把建议分成了几个独立的动作，可以只采纳其中一部分；它主动说明了自己看不到什么。这些特点比预测的准确度更能决定一个Agent是否值得信任。
权限边界：可以查、可以算、可以建议，不能自己调价
Agent的能力越强，越需要清楚地划定它能做什么。在皇冠体育大模型的设计里，Agent的权限大致分成三层：
| 权限层级 | Agent可以做的事 | 需要人来做的事 |
|---|---|---|
| 读取与查询 | 读取销售、价格、库存、会员、天气、赛程等数据，自主决定下一步查什么 | 设定它能访问哪些数据源 |
| 分析与建议 | 比较、排查原因、写解释、提出多个可选动作 | 判断建议是否合理，补充Agent看不到的信息 |
| 执行 | 不执行调价、释放或回收库存、修改会员权益 | 审批并执行所有影响价格、库存和用户权益的动作 |
把执行权留给人，并不只是出于谨慎。调价会直接影响已经买票的用户和长期会员的信任，库存释放和回收会影响赞助商、客队和安保的安排，这些决定牵涉的利益方远远超出Agent能看到的数据范围。一个在数据上完全合理的调价，可能恰好发生在俱乐部和会员组织谈判的敏感期。Agent可以提醒这种风险，但不应该替人承担这种判断。
Agent可能在哪里判断错
即使流程设计得很完整，Agent仍然会犯错，而且有些错误比简单的预测偏差更隐蔽。
- 看不到线下信息。假设C区的一部分座位正在和一家企业洽谈团体包场，洽谈结果还没录入系统，Agent就会把这部分“慢”误判为异常，并给出不必要的建议。
- 把时间上的巧合当作原因。安检提示上线和转化率下降同时发生，不代表一定是提示导致的。如果同一时间C区的座位视角图也被更新了，Agent可能只抓住了其中一个变化。
- 排查路径被第一步带偏。Agent每一步查询都依赖上一步的结论，如果第一步的比较基准选错了，例如混入了一场节假日比赛，后面整条推理都会建立在错误的预期上。
- 过度报警。如果触发阈值设得太低，Agent会每天产生大量提醒，运营人员很快就会习惯性忽略它们，真正重要的提醒反而被淹没。
验证这些判断的方法，是让人参与关键节点：票务经理核对Agent的依据，补充它看不到的线下信息；对于建议中的动作，先选择影响小、可回退的一项执行，例如先改写安检提示，观察三天后再决定是否需要暂缓部分座位的销售；每一次采纳或否决，都作为反馈记录下来，用于调整Agent的比较基准和触发阈值。
人的决定：审批、反馈和责任
从价格预测工具到经营Agent，变化的不是模型会不会算，而是它开始主动承担“发现问题”和“组织证据”的工作。这让运营人员从大量的日常巡检中解放出来，把时间花在真正需要判断的地方。但判断本身，包括是否调价、是否改库存、是否调整会员权益，仍然属于人。
在C区这个模拟场景里，最终的决定可能是：采纳建议一，和安保部门协商后把入场提示改为“建议提前60分钟入场”，并在页面上补充二号门的路线图；暂不采纳建议二，因为客队球迷的实际数量还需要和客队确认；三天后再看转化率。这个决定综合了Agent的分析和Agent看不到的信息，也由做决定的人承担责任。
这也是体育商业大模型在经营场景里应有的位置：它负责更早发现、更快查清、更清楚地解释，人负责权衡、审批和担责。一个会自己寻找收入问题的Agent，价值不在于它替人做了多少决定，而在于它让每一个决定都建立在更完整的证据之上。
