几十万元加盟费交出去以后，才发现每天根本卖不到保本线，会怎么样？
对一家大公司来说，一次错误投资可能只是项目损失；对一个普通小老板来说，它可能是几年积蓄。
转让费、押金、装修、设备、首批进货一旦支付，大量资金迅速变成难以收回的沉没成本。等到真正开业才发现：预计每天 90 单，而实际需要 149 单才能达到经营保本，每天差 59 单，此时再想退出，代价已经很高。
很多小店的失败，并不是从开业后开始的。
签租约、交转让费、装修之前，风险结构可能就已经形成了。
这就是我做「铺路雷达」的原因：
让一个开店方案在现实投入之前，先在模型里经历一次压力测试。
30 秒看懂铺路雷达
一句话输入开店想法 → 系统自动拆解经营参数 → 补充位置与周边环境 → 计算保本线和现金压力 → 审计关键假设 → 调整方案实时重算 → 生成 14 天验证计划。
一、自我介绍
我曾在日本世界500强企业从事5年财务与经营分析，日常工作包括成本结构、预算差异、损益、保本模型和经营数据复核。
大企业做一项投资时，会有人拆成本、做情景推演、找敏感变量、质疑收入假设，再决定钱要不要投下去。我的角色不是无脑让AI替我做财务判断，而是负责定义计算口径、判断边界和验收标准，再让AI把这些专业分析解释给普通人听。
我做铺路雷达，是想把这套我过去工作中熟悉的分析方式，压缩成普通小老板也能使用的一套工具。普通人开一家小店时，很少有机会获得这种事前分析能力。很多人依赖的是中介话术、加盟宣传、社交平台案例、熟人经验和现场感觉。问题在于，这些信息分散、乐观、难验证，很容易让人把猜测当成事实。
铺路雷达希望把企业经营分析里最基础、最有用的部分，压缩成普通人能看懂、能操作、能继续验证的一套开店前风险推演工具。
我把哪些企业分析方法放进了铺路雷达？
单位经济模型｜一单生意到底留下多少钱
盈亏平衡分析｜每天至少卖多少单
瀑布图｜收入是怎样一层层被成本吃掉的
敏感性分析｜哪个变量最容易让方案翻车
SWOT｜当前方案的内部条件与外部机会风险
波特五力｜这个生意面对怎样的竞争结构
这些模型在铺路雷达里承担不同的决策任务。用户看到的不只是一段 AI 建议，还能沿着收入、成本、竞争和风险结构继续追问结论从哪里来。
二、产品简介：铺路雷达是什么
铺路雷达是一款面向小微创业者的 AI 开店前风险推演网站。
“铺路雷达”中的“铺路”有两层含义。
一层是“店铺之路”：从一个开店想法出发，经过选址、测算、验证、谈判和签约，最终走向实际经营。这条路上的每一步，都可能影响后续的成本结构和生存空间。
另一层是“为店铺铺路”：在真正投入之前，先把保本线、现金压力、位置条件、经营假设和待验证证据梳理清楚，为后续决策打好基础。
“雷达”则负责扫描这条路上的隐藏风险，包括租金、转让费、订单缺口、回本周期、周边环境、品类匹配、外卖抽佣和用工压力。
因此，铺路雷达希望帮助小微创业者从模糊想法出发，逐步看清开店路径，并在投入之前把关键风险提前暴露出来。
它的核心定位是：
小老板签约前的 AI 压力测试工具。
用户可以用自然语言输入一个很模糊的想法：
我想在南宁开个奶茶店，房租一万多，转让费八万，感觉每天能卖几十到一百单。
也可以在详细表单入口输入一组详细数据：
我想在南宁开一家35㎡奶茶店，月租12000元，转让费80000元，装修设备100000元，客单价14元，预计每天90单，外卖占比40%，平台抽成22%。
系统会通过自然语言分析，把口语化描述拆成可以计算、可以追问、可以验证的经营参数，并在关键数据缺失时标注默认假设和待验证信息。
三、目标用户与真实场景
铺路雷达服务的人群包括：
- 第一次开店的普通人；
- 准备接手转让铺位的人；
- 正在考虑加盟项目的人；
- 准备投入几万到几十万元的小微创业者；
- 想比较两个铺位风险的人；
- 需要和家人、合伙人、房东或转让方讨论方案的人。
这些用户常见的痛点是：
- 只看营业额，没有算每单真正留下多少钱；
- 只听“位置不错”，没有验证真实客流；
- 只相信“几个月回本”，没有算保本订单；
- 只看店铺热闹，没有算租金和转让费压力；
- 只拿一个铺位做判断，没有比较备选方案；
- 看完一堆建议，仍然不知道明天该去验证什么。
铺路雷达把这些问题转成几个明确判断：
- 每天要卖多少单才能保本？
- 预计订单和保本订单差多少？
- 现金能撑多久？
- 亏损最可能来自租金、转让费、客流、毛利、人工还是外卖抽佣？
- 哪些信息已经确认，哪些只是估算？
- 签约前最应该补哪几项证据？
四、完整使用路径
复赛版已经从初赛 Demo 升级为完整 Web 产品流程。
用户路径如下：
输入模糊想法或详细数据
→ 自然语言分析
→ 高德 API 辅助位置和周边环境识别
→ 提取已知事实、估算项、默认假设和未知项
→ 生成风险结论和两类回本分析
→ 进入条件推演，调整租金、转让费、人工、客单价、订单量
→ 查看专业分析：财务、选址、环境、品类、运营
→ 补充证据并重新计算
→ 生成14天实地验证计划
→ 对比当前铺位和备选铺位
→ 输出可复制、可打印的风险报告
这条路径的目标很明确：
让用户在真正投入之前，把开店方案从“感觉能做”推进到“有数据、有证据、有验证计划”。
【图：首页与自然语言输入框】
五、核心功能亮点
1. 自然语言开店分析：模糊想法也能开始
普通人开店前，很少一开始就有完整表格。
他们更常见的表达是：
“房租一万多。”
“转让费八万。”
“学校旁边应该有人流。”
“感觉每天能卖一百单。”
“加盟方说半年能回本。”
铺路雷达允许用户先用自然语言描述想法。系统会自动识别城市、业态、面积、租金、转让费、装修设备、客单价、预计订单、外卖占比、人工、现金储备等信息。
数据越详细，测算越具体。
信息越模糊，系统越会提示哪些项目需要补证据。
【图：自然语言解析结果，展示从一句话到结构化参数】
2. 高德 API 辅助周边环境分析，从“用户说的位置不错”到可检查的环境证据
用户说“学校旁边”“商场附近”“附近餐饮很多”，这些自然语言本身不能直接作为经营事实。
铺路雷达会识别地点，通过高德 API 获取周边 POI 和区域环境信息，再交给风险分析层判断：
- 周边主要是什么类型的场所；
- 是否存在目标客群线索；
- 同类业态是否集中；
- 当前品类与区域环境是否存在明显矛盾。
地图信息在系统里属于辅助证据，不会被包装成真实客流或真实销量。最终仍会提示用户通过现场蹲点、竞品观察和小规模测试完成验证。
【图：地图与周边环境分析】
3. 两类回本与保本线：把“能不能撑住”算清楚
铺路雷达把回本拆成两类：
- 经营保本：每天要卖多少单，才能覆盖日常固定成本和变动成本；
- 投入回本：前期转让费、装修、设备等投入，需要多久才能回收。
很多小店看上去每天有订单，经营上仍可能不安全。
如果日常经营保本线过高，现金会持续被消耗。
如果投入回本周期过长，用户承担的资金压力和退出风险会明显增加。
系统会输出：
- 前期投入；
- 月固定成本；
- 每单贡献利润；
- 日保本订单；
- 预计日订单；
- 订单缺口；
- 现金压力；
- 财务硬风险。
这些数字让用户直观看到：
问题来自订单不够、租金太重、转让费太高、毛利太薄，还是几个因素同时挤压。
【图：风险结论卡片，包括保本订单、预计订单、订单缺口】
4. 规则负责算钱，AI 负责理解、解释和审计
铺路雷达采用“确定性规则模型 + AI 解释层”的结构。
规则模型负责：
- 前期投入；
- 固定成本；
- 贡献利润；
- 保本订单；
- 订单缺口；
- 现金压力；
- 风险分；
- 条件推演后的重新计算。
AI 负责：
- 自然语言理解；
- 信息缺口识别；
- 风险解释；
- 假设审计；
- 行动建议；
- 报告表达。
核心财务数字统一来自规则模型。
AI 输出成功、失败、超时或异常，均不会改写保本订单、订单缺口和现金压力等关键结果。这个设计提升了系统可信度，防止AI把账算乱。
同一组输入，在首页、结果页、推演页、专业分析页和报告页中，会读取同一组分析基线。
【图：规则模型与 AI 解释层架构】
5. AI 会犯错，所以我给 AI 加了一套 Harness
开店风险涉及真实资金，我不希望模型一次“看起来合理”的回答直接成为用户判断依据。
因此复赛版建立了一套 Harness 验证体系，把典型开店场景、边界条件、AI异常输出和跨页面一致性纳入自动检查。
当前覆盖：
136 件规则案例
56 件 AI 输出校准
Harness 检查的重点包括：
- 同样输入能否稳定得到同样的核心财务结果；
- AI 是否擅自修改保本订单等规则数字；
- 条件推演、专业分析和打印报告是否引用同一分析基线；
- 信息缺失时是否错误地把假设写成事实；
- AI 超时或失败后，核心分析是否仍然可用。
对这个项目而言，AI能力决定分析上限，Harness决定它有没有资格被用户相信。
【图：Harness 校验结果或测试面板】
6. 证据台账：把事实、估算、假设和未知分开
普通人开店时，很多信息会被混在一起。
例如：
- “月租12000元”可能是用户确认事实；
- “每天90单”可能是乐观估算；
- “学校旁边客流稳定”可能是默认假设；
- “竞品实际销量”可能尚未验证；
- “转让设备值不值钱”需要现场核验。
铺路雷达会将信息分层：
- 用户已确认；
- 系统估算；
- 地图与周边环境辅助信息；
- 默认假设；
- AI 推断；
- 待验证信息；
- 高风险未知项。
这样用户能看到每个结论的依据。
报告也从一次性答案，变成一份可以继续补证据的决策底稿。
【图：证据台账与补证据入口】
7. 条件推演：看见风险如何变化
现实中的开店决策很少只有一个版本。
房东可能愿意降租，转让费可能能谈，人工可以调整，客单价和外卖占比也会影响结果。
条件推演模块支持用户调整：
- 月租；
- 转让费；
- 装修设备；
- 人工；
- 客单价；
- 预计订单；
- 外卖占比；
- 平台抽佣。
系统会实时显示风险变化，例如：
- 保本订单下降多少；
- 订单缺口缩小多少；
- 现金压力是否缓解；
- 回本周期是否仍然过长；
- 哪个变量最值得优先谈判。
这让用户能从“这个方案很危险”，继续推进到“什么条件下降低风险”。
【图：条件推演，调整前后对比】
8. 14天实地验证计划：把结论变成行动
很多分析报告只停在“建议调研”。
铺路雷达会把风险转成具体行动。
系统会生成 14 天实地验证计划，例如：
- 第1—3天：分时段记录铺位客流；
- 第4—5天：观察竞品价格、排队、外卖出单情况；
- 第6—7天：核实转让费包含的设备、证照、库存和可复用价值；
- 第8—10天：做小规模需求测试；
- 第11—12天：回填实测数据重新计算；
- 第13—14天：形成签约、砍价、换铺或暂停判断。
用户看完报告后，可以知道明天要去哪里、看什么、问什么、记录什么。
【图：14天验证计划】
9. 两个铺位对比：帮助用户比较方案
小老板经常会在几个铺位之间犹豫。
只看租金便宜或人流热闹，容易忽视风险结构。
复赛版支持当前铺位和备选铺位对比，从以下维度展示差异：
- 租金压力；
- 转让费压力；
- 周边环境；
- 客群匹配；
- 保本订单；
- 现金压力；
- 回本周期；
- 主要风险来源；
- 优先验证事项。
这个功能帮助用户把“我感觉A铺更好”转成“哪一个方案的风险更可控”。
【图：两个铺位对比】
10. Vercel 部署：完整 Web 产品形态
复赛版已按 Web 应用部署到 Vercel，评委可以通过线上链接直接体验。
体验链接：https://shop-risk-scanner.vercel.app/
产品完成度体现在：
- 可公开访问的 Web 链接；
- 无需本地配置环境；
- API 通过后端路由调用；
- 前端不暴露模型密钥；
- 支持 AI 增强模式；
- 支持稳定降级模式；
- 适配桌面端和移动端；
- 支持报告复制、打印和 A4 版查看；
- 评审期内保持线上可用。
线上部署让项目从本地演示文件升级为可真实访问的 Web 产品。
六、从企业经营分析，到普通人的一间小店
开一家店，本质上是一笔真实的经营投资。
市面上并不缺少会生成商业报告的AI工具。铺路雷达真正想解决的，不是报告写得像不像咨询公司，而是数字是否算得清、假设是否看得见、结论能否复核、用户下一步能否行动。我的财务与经营分析经历，主要体现在这些不容易被看见的地方：计算口径、证据边界、异常处理、跨页面一致性，以及对“哪些话不能轻易说”的克制。
大企业决定是否投入一个项目时，通常可以调用财务、市场、法务、数据和经营团队，通过保本分析、现金流预测、敏感性分析和市场验证降低决策风险。
一个准备拿出十几万元积蓄开店的普通人，很少拥有这些资源。他可能只有一张转让报价、一份加盟宣传、一段中介介绍、几次现场观察，以及一个直觉：
“我感觉这里生意应该不错。”
铺路雷达想缩小的，就是这中间的决策能力差距。
这套系统的分析基础
铺路雷达把以下几种成熟的经营分析思路组合进同一个决策流程。
1. 保本分析（Break-even Analysis）：每天大概要卖多少？
通过固定成本和单位贡献利润计算日保本订单，让“每天大概要卖多少”变成明确的经营门槛。
2. 贡献毛利（Contribution Margin）：每单毛利多少？
营业额无法直接代表赚钱能力。系统进一步考虑原材料、平台抽佣等变动成本，判断每完成一单究竟还能留下多少钱。（数据来自统计总局）。
3. 现金流压力分析：真的能回本吗？
对于资金有限的小店，能否撑过试错期和盈利能力同样重要。系统关注前期投入、固定成本、现金储备和回收周期，识别资金链压力。
4. 敏感性分析（Sensitivity Analysis）：哪个变量最容易让项目亏损？
租金、转让费、人工、客单价和订单量发生变化时，系统重新计算经营结果，帮助用户发现真正决定方案成败的变量。
5. 经营假设验证（Evidence-based Validation）：直觉真的对吗？
“人流不错”“一天应该能卖90单”“这个商圈适合奶茶”等判断会被拆成需要验证的假设，再转化为现场观察、竞品调查、合同核验和低成本测试任务。
因此，铺路雷达不会给用户一个所谓的“开店成功率”。
它提供的是一份签约前决策底稿：
- 当前方案需要什么条件才能成立；
- 最大风险来自哪里；
- 哪些结论建立在真实数据上；
- 哪些关键条件仍然只是估计；
- 哪些风险可以通过谈判降低；
- 下一步应该优先验证什么。
6. 决策审计：数据信息来源可靠吗？
系统会提示哪些结论来自确认事实，哪些来自估算或默认假设。
用户可以据此判断报告可信度，并决定下一步补证据方向。
铺路雷达给出的结果适合作为签约前参考底稿。
它的作用是帮用户降低盲目投入概率，提高和家人、合伙人、房东、转让方沟通时的证据质量。
7.STP分析：为什么选你？
8.MECE分析：有无没纳入考虑的因素？
9.SWOT与波特五力分析：你的竞争力如何？
七、从初赛 Demo 到复赛产品：升级了什么？
初赛时，我首先验证了一个核心想法：
AI 能不能帮助普通人把一个模糊开店想法，转换成可计算的经营风险。
复赛阶段继续解决三个问题：
能不能真的用？
算出来能不能信？
看完以后能不能继续行动？
因此，产品从初赛的风险扫描 Demo，逐渐扩展成今天的完整决策链：
| 初赛 Demo | 复赛产品 |
|---|---|
| 以固定案例和完整表单为主 | 同时支持模糊想法与详细数据两种入口，第一次使用也能快速开始 |
| 主要依赖逐项手填参数 | 支持自然语言识别，自动拆解城市、业态、租金、投入、订单和新增成本字段 |
| 品类和地区适配有限 | 支持不同城市与多类小微业态，并保留用户输入的细分品类 |
| 主要分析财务风险 | 加入位置、客流、竞争、经营容量和个人资金承受力等多角度判断 |
| 周边竞争依靠用户估计 | 接入高德 API 搜索候选商户，只有用户勾选确认的同类店才进入分析 |
| 只给一个风险结论 | 同时区分月度经营保本与前期投资回收，并展示订单缺口、现金流和资金跑道 |
| 结论使用了什么信息不够清楚 | 建立证据台账，区分事实、估算、假设和未知，显示来源、用途与补强动作 |
| 信息不足时只能重新开始 | 可在报告中补充证据，确认新旧值后重新计算，并展示可信度和指标变化 |
| 生成一份静态报告 | 增加条件推演，在不覆盖原始方案的前提下检验租金、成本和经营假设 |
| 分析维度较少 | 加入单位经济、敏感性、客流漏斗、竞品定位、SWOT、波特五力和问题树等咨询分析 |
| 看完报告后不知道做什么 | 输出验证优先级、14 天实地计划、通过门槛和低成本市场测试材料 |
| 单个铺位独立判断 | 支持把当前方案设为 A，与备选铺位 B 并排比较关键差异 |
| 单页展示为主 | 形成风险结论、条件推演、六章节专业报告、实地验证、测试工具和两铺位对比的连续流程 |
| AI 解释可能与计算结果冲突 | 规则模型统一关键数字，AI 只解释行业、位置与经营问题，并接受数字引用检查 |
| API 不可用会影响体验 | DeepSeek 失败或超时自动降级，规则数字和核心报告仍可正常生成 |
| 本地 Demo 感较强 | 完成手机端与 A4 打印适配，并具备 Vercel Web 应用部署架构 |
| 依靠少量人工试跑 | 建立可重复验收体系，当前仓库已验证 44/44 个规则案例和 20/20 份 AI 输出校准 |
这一阶段最大的变化，是产品开始形成一个完整闭环：
想法 → 计算 → 质疑 → 推演 → 验证 → 再决策
九、技术可信度：AI 也需要被检查
开店涉及真实资金。
因此，我一直把“结果是否可信”放在“AI输出是否漂亮”前面。
当前系统采用：
确定性规则模型 + AI Agent + Evidence Layer + Harness Verification
四部分共同工作。
规则模型掌握保本线、贡献利润、订单缺口、现金压力等核心数字；
AI Agent 负责自然语言理解、信息缺口识别、解释、交叉审计和行动建议；
Evidence Layer 记录信息究竟来自用户事实、系统估算、地图证据还是待验证假设；
Harness 则持续检查整个系统。
目前已经完成：
136 件规则案例校验
56 件 AI 输出校准
并覆盖：
- 核心财务数字一致性；
- 不同页面结果一致性；
- AI 修改规则数字检查；
- 缺失字段和边界输入；
- 外部接口异常；
- AI 超时与失败；
- 稳定降级；
- 移动端和 A4 报告。
这些校验无法预测一家真实门店最终一定成功或失败。
它们解决的是另一个问题：
当系统告诉用户“149单才能保本”时，这个149应该有稳定来源，可以重复计算，可以被检查。
【图：系统架构】
九、产品演示视频
视频链接：
十、TRAE 实践过程
我在 TRAE 中完成了从产品结构、规则模型、AI Agent、自然语言解析、高德 API 接入、Harness 校验、页面重构、Vercel 部署到复赛材料整理的多轮迭代。
复赛核验证据计划选取几个关键阶段：
生成“AI开店验证工作台”
把Demo流程：输入想法 → 风险报告
升级为：输入想法 → 识别已知与未知信息 → 选择并执行验证Skill → 风险报告 → 14天验证计划 → 调整方案重新测算。
Session ID:4316009609838636:e3736401cf677b46f1fe5d924afee930_6a34ca327082c85d9b883787.6a60e39e0e2e8bfa726e8898.6a60e39d0e2e8bfa726e8896:TRAE Work CN.0.1.39.no_sid.no_ppe.T(2026/7/22 23:37:02)
增加Agent反复反馈与讨论闭环
实现：市场Agent输出 + 财务Agent输出
→ 风险审计Agent提出 objections
→ 市场Agent和财务Agent各修订一次
→ 行动建议Agent生成最终结论
Session ID:4316009609838636:f1d7c3876679ae1ce6b96e0cc2017e12_6a34ca327082c85d9b883787.6a61b4e90e2e8bfa726e8bff.6a61b4e80e2e8bfa726e8bfd:TRAE Work CN.0.1.39.no_sid.no_ppe.T(2026/7/23 14:30:01)
验证计算逻辑，使得demo真正向产出可以商用的分析的智能工具转变
保证所有的输入数据，输入以后能否真的反映到分析结果里。保证输出过程不是黑箱，框架有商学理论依据。得出来的结果真正可靠。
Session ID:4316009609838636:4f448dd5deb00b37196ff249ba58cc57_6a34ca327082c85d9b883787.6a632f220e2e8bfa726e8f50.6a632f220e2e8bfa726e8f4e:TRAE Work CN.0.1.39.no_sid.no_ppe.T(2026/7/24 17:23:47)
接入现实数据：高德API和国家统计局数据
Session ID:4316009609838636:4f38220ebc25c8e15c13b33829c6455e_6a34ca327082c85d9b883787.6a64121a0e2e8bfa726ea535.6a64121a0e2e8bfa726ea533:TRAE Work CN.0.1.43.no_sid.no_ppe.T(2026/7/25 09:32:10)
修改计算逻辑和UI结构使界面更为易用和逻辑连贯
Session ID:4316009609838636:e3dc224714de42316af3a262daffbaab_6a64dfe188830f8ae0b18d20.6a657a4421785e0f98949c79.6a657a4421785e0f98949c77:TRAE Work CN.0.1.39.no_sid.no_ppe.T(2026/7/26 11:08:52)
为了增强数据可靠性，创建96个案例进行各个业态的报告输出，并用另一个独立大模型反复多次进行独立复核（包括输出结果的数字审计、来源真实性、变量单调性、计算逻辑、图表数据一致性等的复核）
Session ID:4316009609838636:d971313f8b337169543177a5e244bcb9_6a696d7c0464d470c082eb00.6a696d7c0464d470c082eb03.6a696d7c0464d470c082eb01:TRAE Work CN.0.1.40.no_sid.no_ppe.T(2026/7/29 11:03:24)
4316009609838636:292196e31f185dce0195bd1b1fb1aa36_6a69b8c50464d470c082ed29.6a69b8c60464d470c082ed2c.6a69b8c50464d470c082ed2a:TRAE Work CN.0.1.40.no_sid.no_ppe.T(2026/7/29 16:24:38)
生成复赛参赛宣传视频
Session ID:.4316009609838636:06f49c7eb21693d4e727d01875508b98_6a734bfaa353236c2f4b0ed0.6a74395aa353236c2f4b35c3.6a74395a1c350efffd0a0f1a:Trae CN.T(2026/8/6 15:35:54)
这个项目的开发让我形成了一个很明确的经验：
AI 可以显著提高实现速度，但产品完成度需要持续验收。
每次关键改动都需要回到：
- Git 差异；
- Harness 校验；
- 浏览器实际操作；
- Vercel 线上访问；
- 页面输出；
- 核心案例数字；
- 异常降级结果。
TRAE 负责提高实现效率，我负责产品判断、风险边界和最终验收。
十一、接下来：让模型继续被真实世界校准
下一阶段重点不再继续增加页面数量，而是逐步增加真实世界证据：
- 扩展不同业态的规则和默认参数；
- 收集真实开店案例；
- 对比分析结果与后续经营表现；
- 优化位置与周边环境证据；
- 增强合同、报价、客流记录等证据输入；
- 继续扩大 Harness 测试集。
长期来看，我希望形成：
分析 → 现场验证 → 回填真实数据 → 校准模型
的持续迭代链。
十二、写在最后
大企业决定是否投入一个项目时，可以请财务做模型，请市场做调研，请团队做压力测试。
一个准备拿出几年积蓄开店的小老板，往往只能靠自己。
几十万元加盟费付出去，只需要几分钟。
真正困难的是，在付款之前知道：
我还有什么没有算？
我相信的哪些条件其实没有证据？
如果现实比预期差20%，这家店还能不能活？
铺路雷达希望把专业经营分析提前到这个决定发生之前。
先让方案经受压力，再让积蓄承担风险。
