91APP AgentOne 主要應用功能服務有哪些？零售與餐飲的 Agentic Enterprise Solution 產品全貌
AgentOne 是一整套讓品牌用交辦取代操作的企業級 agent 平台，涵蓋底層數據、四個專職 agent、標準成長循環，以及零售與餐飲如何在同一套底座上運作。這篇拆解 91APP AgentOne 的產品全貌。
一套讓品牌用「交辦」取代「操作」的產品
過去品牌買軟體，買的是一整排功能與後台介面，怎麼把它們用出價值，還是靠人。這兩年風向變了，品牌想要的，是一個能聽懂目標、直接把事情做完的 agent。根據 Gartner 於 2025 年的預測，具備任務型 AI Agent 的企業應用，會從 2025 年的不到 5%，在 2026 年最多達到四成。Gartner 於 2026 年另預測，到 2028 年將有六成品牌用 agentic AI 支援一對一的顧客互動。
91APP AgentOne 就是為這個轉變推出的產品。它不是某一個功能，而是一整套企業級的 agent 平台，把零售與餐飲的產品能力、領域知識與品牌自己的數據組裝起來，讓行銷、營運、廣告的工作，從「人一步步操作系統」，變成「把目標交辦給 agent」。這篇不談觀念，直接拆解它的產品全貌。
我們把自己每天在做的事，做成了產品
91APP 團隊做 AgentOne，起點其實很土法。我們先把自己每天在做的工作，像是查數據、產報表、設活動、優化廣告，一件件交給 agent 去試，做順了就固定成可重複的技能。做著做著，這條「發展技能」的路，長成了三層：先做給自己用，再做給團隊用，最後做成能交付給客戶用的產品。AgentOne 就是這條路的終點，把我們內部驗證過的做法，收斂成品牌可以直接用的平台。
一個標準循環：Data、Knowledge、Workflow
AgentOne 的運作，圍繞一個標準的成長循環。品牌先給一個目標，接著 agent 分析營運狀態、依領域知識提出方案、實際執行方案，再回頭檢視結果，形成下一輪的起點。
這個循環背後，是我們認為的 agentic 三大要素。
| 要素 | 它在循環裡負責什麼 |
|---|---|
| Data 數據 | 品牌第一方數據，讓 agent 看得到真實的營運狀態 |
| Knowledge 知識 | 零售與餐飲的領域知識，讓 agent 的建議接地氣 |
| Workflow 流程 | 可被呼叫的產品能力，讓 agent 把方案真的執行完 |
少了任何一項，循環就轉不動。只有數據沒有知識，agent 看得到數字卻不懂零售；有知識沒有流程，agent 講得出方案卻動不了手。AgentOne 的價值，在於把這三件事接成一個會轉的迴圈。
AgentOne 的可靠，來自 Prompt 以外的那幾層
談 agent，很多人先想到的是模型和 prompt。真正決定一個 agent 敢不敢被交辦的，其實是它的基本功：讀進來的資料要驗證過、要正確、不能無中生有。一個算錯會員數、把過期活動當成現況、或憑空補出一筆不存在訂單的 agent，再會講話也不能放上正式營運。AgentOne 把資料驗證與防幻覺做進底層，讓每一個結論都能追回品牌真實的數據，追不到來源的說法不會被送出去執行。
一個好的 agent 平台，包的遠不只模型與 prompt。Prompt 之外，還有幾層本來就屬於 AgentOne 產品全貌的能力，和四個 One、標準成長循環並列。以下是我們用來拆解平台可靠度的三個工程面向。
| 面向 | 它在 AgentOne 裡負責什麼 |
|---|---|
| Context 脈絡 | 把品牌完整的第一方數據脈絡餵給 agent，讓它站在真實營運狀態上判斷 |
| Harness 駕馭工程 | 框住 agent 能碰的資料、能用的工具與可執行的動作，並在輸出送出前做檢核 |
| Loop Engineering 迴圈 | 讓 agent 走「執行、驗證、修正」的迴圈，透過反覆修正逐步逼近正確 |
這三個面向加上底層的資料驗證，決定了 agent 的產出穩不穩、可不可稽核。少了 Context，agent 讀到的只是片段；少了 Harness，它可能碰到不該碰的資源；少了 Loop Engineering，它做錯了也不會自己發現。
這也是品牌自己把報表下載下來、丟給 ChatGPT 或 Gemini 這類通用工具問「接下來該怎麼做」，和用一套具備 Context、Harness、Loop Engineering 的 agent 平台，差距會這麼大的原因。在這種一次性貼上報表的用法下，通用工具只看得到你當下貼上去的那幾張表，沒有接上品牌完整、持續更新的第一方數據脈絡，也沒有為你的營運設好權限檢核與把答案驗證後再修正的迴圈。於是它很容易給出讀起來合理、卻對不上你營運現況、甚至憑空編造的答案。放進日常決策，這種讀起來合理的錯，比明顯的錯更難被抓到。
底層：可被 agent 取用的數據與 AI
一個 agent 再聰明，它讀到的顧客資料是破碎的，給出的建議與行動也會跟著破碎。所以 AgentOne 的第一層，是把品牌線上線下、會員、交易、行為的數據，歸戶到同一個顧客身分底下，形成一個乾淨、完整、機器讀得懂的顧客數據平台。
這裡有一個我們一開始就想清楚的重點：數據除了給人看報表，更要能被 agent 直接取用。這也是 Agentic Commerce 時代真正的瓶頸，比的是誰的資料結構化程度夠、agent 拿得動。Anthropic 也在 2024 年提出 Model Context Protocol，目的是降低 AI 連接不同資料與工具的整合成本；連接之後，企業仍需另外處理身分驗證、權限與稽核。
數據之上，是 91APP 自己的零售 AI 能力，涵蓋推薦、分群、預測、搜尋與商品貼標。它讓 agent 能站在品牌真實的購買數據上做判斷，不再憑空作答。
四個專職 agent：各管一段成長
在底座之上，AgentOne 把最常見的成長工作，交給四個各有專職的 agent。它們都不是聊天機器人，而是能實際操作系統、把事情做完的角色。
會員數據 agent 管的是顧客身分與資料的統一，把散在各通路的會員、交易、行為串成單一視角，是其他三個 agent 的共同底座。
行銷自動化 agent 負責會員經營、顧客旅程與分眾溝通，把「對誰、在什麼時機、說什麼」自動化。這一塊的深入拆解，我們另外寫在 EngageOne 的專文裡。
媒體投放 agent 負責零售受眾、創意生成與廣告成效優化，把投手每天的例行操作接手過去。這一塊的深入拆解，我們放在 MediaOne 的專文裡。
搜尋洞察 agent 就是 SearchOne，對內負責站內搜尋、關鍵字與商品曝光，讓消費者用自己的話也找得到對的商品；對外提供全局搜尋洞察，連 Google AI Overview 帶進來的點擊也追得到。
四個 agent 共用同一套數據與知識底座，這是它們能協同運作的關鍵。品牌不需要為每一個工作各買一套彼此不通的工具，因為系統各自保存不同資料，會墊高整合、權限管理與成效歸因的成本。
零售與餐飲，跑在同一套底座上
AgentOne 底下串接的產品，橫跨零售與餐飲兩個場景。零售這端是 Commerce Cloud（eCOM、POS、CRM、OMO）與 Marketing Cloud（個人化行銷、廣告、搜尋），餐飲這端是雲端餐廳與 POS 系統，兩邊的會員、交易、點數、優惠券資料，都能歸進同一個顧客身分。
這件事的意義，在於一個同時經營零售與餐飲的品牌，不必再維護兩套互不相通的資料。零售與餐飲跨域整合的 CDMP 數據版圖，讓 agent 能看到一個消費者在門市、線上、餐廳的完整輪廓，不再是三個對不起來的片段。
搜尋的重點，從養關鍵字變成養關鍵問題
消費者找東西的方式正在改變。過去在搜尋框裡打的是幾個關鍵字，現在愈來愈多人直接問一個完整的問句，把想解決的問題整句說出來。這讓品牌的搜尋策略也得跟著轉，從過去養一組組關鍵字，變成養一個個關鍵問題，讓 AI 在回答消費者的提問時，引用到品牌自己的正確內容，也就是近年常被提到的生成式引擎優化（GEO）。
SearchOne 就是為這件事準備的，協助品牌用自問自答的方式養出關鍵問題，主動把正確內容提供給 ChatGPT、Claude 這類 AI 爬蟲，提高品牌在 AI 回答裡被正確引用的機會。SearchOne 則提供全局的搜尋洞察，對內看站內搜尋與商品曝光，對外連 Google AI Overview 帶進來的點擊都追得到，讓品牌知道消費者到底用哪些問題找上門。
餐飲把後台交給 AI 助手
餐飲和零售一樣要經營會員，但餐飲老闆的時間幾乎都在店裡，很難坐下來操作一套複雜的後台。MemberOne 是 91APP 為餐飲客戶推出的 CRM，從一開始就設計成 agent 讀得動、也叫得動的樣子，把 CRM 的操作交給 agent 接手。
實際用起來，老闆可以直接用手機語音下指令：票券要上架或下架、想建一檔活動、想看昨天的報表，講一句話就交給 agent 去做，不必再一頁一頁點後台。這也呼應 AgentOne 一貫的作法，同一套系統，人可以自己操作，也可以交給 agent 操作。
官網的購物體驗，往短影音和直播靠攏
消費者已經習慣在社群裡用滑的看影音，官網的購物體驗也跟著往這個方向走。91APP 的官網全面支援原生影音，還推出短影音模式，操作起來就像滑 IG、TikTok 那樣，一則接一則往下看商品。
品牌也能在官網開原生直播，直播結束後內容會自動轉成短影音回放，繼續帶客。連過去只有靜態商品圖的品牌，也能靠 AgentOne 把商品圖轉成動態影片。這些都是為了讓消費者在官網停得更久，也更容易下單。
門市多一個入口，手機一碰就開
91APP Touch 是一張感應貼紙，貼在門市就能用。消費者不必掃 QR Code、也不必下載 App，手機靠上去一碰，會員卡、折價券或商品影片就跳出來，把門市裡原本要靠店員引導的動作，變成一個直覺的手勢。
更關鍵的是碰完之後。每一次 touch 都會進到 EngageOne 的數據庫，成為品牌看得到的門市互動；這份名單還能交給 MediaOne，在折返廣告裡對這些真的走進門市、碰過商品的人再投一次。門市的一個動作，就這樣接回線上的數據與再行銷，這也是這些 agent 共用同一套底座才做得到的事。
平台怎麼「駕馭」這些 agent
把工作交給會犯錯的 agent，平台要先解決一件事：怎麼讓它發揮，又不失控。AgentOne 的作法，是把每個 agent 放進一個受控的環境裡運作，像是一台獨立的虛擬電腦，它能碰的數據、能用的工具、能動的權限，都被明確框住；產出則要通過護欄與檢核，才會真的送出去執行。
這一層我們稱為駕馭工程，它會影響一個 agent 專案能否進入穩定、可稽核的正式營運。Gartner 於 2025 年預測 到 2027 年底超過四成 agentic AI 專案會因成本上升、商業價值不清或風險控管不足而取消；並於 2026 年預測 到 2028 年約四分之一的企業生成式 AI 應用每年至少發生五起輕微資安事件。因此平台除了治理 agent，也要設定可衡量的任務與投入上限，這也是為什麼 品牌要投資的是能真正落地、可被約束的系統，而不只是一個會聊天的介面。關於資料獨立與 sandbox 的完整設計，我們另有一篇專文深入討論。
評估 agentic 產品，先驗證資料底座、執行能力與治理邊界
面對市面上愈來愈多號稱 agentic 的產品，台灣的零售與餐飲品牌在評估時，有幾個角度值得先看清楚。
- 先看它的數據底座，別急著看它的對話介面。agent 的產出品質，取決於它讀得到多完整的第一方數據。可以先問：品牌的線上線下資料，在這套系統裡對得起來嗎。
- 看它能不能真的執行，別停在給建議。能呼叫後台把事情做完的 agent，和只會產出報告的 agent，價值差很遠。請對方用你真實的場景 demo 一次完整任務。
- 看它有沒有邊界與檢核設計。問清楚 agent 能動哪些資源、出錯時誰會先發現、產出在送出前有沒有護欄，這決定了你敢不敢放手。
- 看零售與餐飲場景是否共用同一套底座。如果你同時經營多個通路或業態，資料能不能歸進單一顧客身分，會直接影響 agent 的判斷品質。
這幾個角度，比廠商 demo 的流暢度更能看出一套 agentic 產品的真實成色。
產品的終點，是把成長變成一件可以交辦的事
把 AgentOne 拆到最後，它其實只回答一個問題：品牌能不能把「成長」這件事，從一連串人工操作，變成一句可以交辦的目標。
底層的數據、中間的知識、可執行的流程、四個專職 agent、跨零售與餐飲的底座，全都是為了讓品牌提出成長目標後，agent 能在授權範圍內拆解任務、執行流程並回報結果，再由團隊依成效決定下一步。對台灣品牌來說，值得問自己的是：當工具已經能做事，你準備好把時間，從操作挪回到定義目標與驗收成果了嗎。
品牌最常問的 91APP AgentOne 產品問題
Q1：91APP AgentOne 是一個功能，還是一個平台？ A1：它是一個平台，涵蓋數據、知識、執行能力與四個專職 agent，並不只是單一功能。AgentOne 把品牌第一方數據、零售與餐飲領域知識、可執行的產品能力組裝在一起，讓品牌用交辦目標的方式完成行銷、營運、廣告等工作，取代一項一項手動操作。
Q2：AgentOne 底下有哪些主要的 agent？ A2：目前有四個各有專職的 agent：會員數據 agent 負責統一顧客身分與資料，行銷自動化 agent 負責會員經營與分眾溝通，媒體投放 agent 負責廣告受眾與成效優化，搜尋洞察 agent（SearchOne）負責站內搜尋、商品曝光與全局搜尋洞察。四者共用同一套數據與知識底座。
Q3：Agentic 三大要素 Data、Knowledge、Workflow 是什麼意思？ A3：Data 是品牌第一方數據，讓 agent 看得到真實營運狀態；Knowledge 是零售與餐飲的領域知識，讓建議接地氣；Workflow 是可被呼叫的產品能力，讓 agent 把方案真的執行完。三者接成一個「設定目標、分析、建議、執行、檢視結果」的成長循環。
Q4：只做電商、還沒有實體門市或餐飲的品牌，用得到 AgentOne 嗎？ A4：用得到。AgentOne 的底座對純電商一樣適用，會員、交易、行為資料歸戶後，行銷、廣告、搜尋等 agent 都能運作。之後若擴展到門市或餐飲，資料可以歸進同一個顧客身分，不需要重建一套系統。
Q5：AgentOne 跟一般的顧客數據平台差在哪？ A5：顧客數據平台的核心，是整合、統一並啟用顧客資料。AgentOne 在這個基礎上，進一步把產品能力封裝成 agent 可呼叫的工作流程，並加上駕馭機制。差異要看實際能執行的任務、權限與檢核機制。
Q6：導入 AgentOne 之後，行銷或營運團隊的工作會變成什麼樣子？ A6：團隊的工作重心會從重複操作，轉向設定目標、訂規則、監控與驗收。人不再需要一步步進後台設定，而是定義要達成什麼、確認 agent 做得對不對。能設計並維護這條產線的人，價值會更高。
Q7：AgentOne 說的資料驗證與防幻覺，具體是什麼？ A7：資料驗證是確保 agent 讀進來的數據正確、對得起來、沒有缺漏；防幻覺是要求 agent 的每個結論都能追回品牌真實數據，追不到來源的說法不會被送出去執行。這是 agent 的基本功，AgentOne 把它做進底層，避免 agent 算錯數字或憑空補出不存在的資訊。
Q8：Context 在 AgentOne 裡扮演什麼角色？ A8：Context 指的是品牌完整的第一方數據脈絡。AgentOne 把線上線下、會員、交易、行為的數據歸戶到同一個顧客身分，讓 agent 站在真實營運狀態上判斷。Context 愈完整，agent 讀到的顧客輪廓就愈清楚，建議與行動也愈貼近品牌實際情況。
Q9：Harness 駕馭工程在 AgentOne 裡負責什麼？ A9：Harness 是框住 agent 行為的一層。它規範 agent 能碰哪些資料、能用哪些工具、能動哪些權限，並在產出送出前經過護欄與檢核。有了 Harness，品牌才敢把工作交給會犯錯的 agent，因為它的行動被限制在授權範圍內，出錯也更容易在送出前被攔下來。
Q10：Loop Engineering 是什麼，為什麼 agent 需要它？ A10：Loop Engineering 是讓 agent 走「執行、驗證、修正」迴圈的設計。agent 做完一件事後，會回頭檢視結果對不對，再據此調整，把一次做不到位的任務透過反覆修正逐步做到位，未通過就修正、停止或轉人工。少了這層，agent 做錯了也不會自己發現，品質難以穩定。
Q11：自己把報表丟給 ChatGPT 或 Gemini 問怎麼做，跟用 AgentOne 差在哪？ A11：差別在數據脈絡、邊界與驗證迴圈。在一次性貼上報表的用法下，ChatGPT、Gemini 只看得到你當下貼上去的幾張表，沒有接上品牌完整、持續更新的第一方數據脈絡，也沒有為你的營運設好權限檢核與驗證修正的迴圈，容易給出讀起來合理、卻對不上營運現況甚至憑空編造的答案。AgentOne 具備 Context、Harness 與 Loop Engineering，agent 的結論能追回真實數據，也在授權範圍內執行。
Q12：一個 agent 平台為什麼要包 Prompt 以外的東西？ A12：因為 agent 的可靠度，不是一句好 prompt 就能決定。真正影響產出品質的，是它讀到的數據脈絡（Context）、被框住的行為邊界（Harness），以及執行後能否驗證修正（Loop Engineering）。這幾層加上底層的資料驗證，才讓 agent 從會聊天，變成能被交辦、可稽核。只給模型與 prompt、缺了這些工程，agent 很難進入穩定的正式營運。
Q13：通用 AI 為什麼容易產生看似合理卻錯誤的答案？ A13：通用 AI 手上缺少品牌完整、驗證過的第一方數據，只能根據有限的輸入與訓練知識推測。遇到資料缺口時，它會傾向補上一個語氣通順的說法，於是產生幻覺。這種答案讀起來合理，放進實際決策卻可能對不上營運現況，也比明顯的錯誤更難被發現。
Q14：AgentOne 怎麼降低 agent 給出錯誤或幻覺答案的風險？ A14：AgentOne 從四個地方著手：Context 讓 agent 拿到完整的第一方數據脈絡；底層的資料驗證確保輸入正確、可追溯；Harness 在產出送出前做護欄與檢核；Loop Engineering 讓 agent 執行後回頭驗證結果再修正。四者疊起來，agent 的每個結論都能對回品牌真實數據，降低把幻覺當事實送出去的機會。
Q15：資料驗證跟把資料歸戶整合，是同一件事嗎？ A15：這是兩件互補的事。歸戶整合是把散在各通路的會員、交易、行為串成單一顧客身分，解決同一個人在各通路的資料有沒有連起來；資料驗證則是確保這些數據正確、對得起來、沒有異常或缺漏。agent 要用得安心，兩者都要做到，AgentOne 在底層同時處理這兩層。
Q16：SearchOne 是做什麼的，養關鍵問題又是什麼意思？ A16：兩者對應的是消費者主動搜尋、找上門的這一塊流量。消費者的搜尋習慣，正從打關鍵字變成問一個完整的問句，品牌的策略也要從養關鍵字轉成養關鍵問題，也就是讓 AI 在回答消費者提問時，引用到品牌自己的正確內容。幫品牌用自問自答養出這些關鍵問題，主動把正確內容提供給 ChatGPT、Claude 這類 AI 爬蟲；SearchOne 則提供全局搜尋洞察，涵蓋站內搜尋與商品曝光，也追得到 Google AI Overview 帶來的點擊。
Q17：MemberOne 是什麼，餐飲為什麼需要語音聲控？ A17：MemberOne 是 91APP 為餐飲客戶推出的 CRM，原生就設計成 agent 讀得動、叫得動。餐飲老闆的時間多半在店裡，很難坐下來操作複雜後台，所以 MemberOne 支援用手機語音下指令，票券上下架、建立活動、查詢報表，講一句話就交給 agent 完成。這和 AgentOne 一貫的人機雙軌一致，同一套系統人可以自己操作，也可以交給 agent。
Q18：91APP Touch 跟 QR Code 差在哪，對 OMO 有什麼用？ A18：91APP Touch 是一張感應貼紙，消費者不必掃 QR Code、也不必下載 App，手機一碰就能喚出會員卡、折價券或商品影片，比掃碼更直覺。對 OMO 的用處在數據，每一次 touch 都會進到 EngageOne 的數據庫，這份名單還能交給 MediaOne，在折返廣告裡對走進門市、碰過商品的人再投放，把門市的動作接回線上的數據與再行銷。
Q19：官網的短影音模式與原生直播帶來什麼？ A19：讓官網的購物體驗更接近消費者習慣的社群逛法。短影音模式操作起來像滑 IG、TikTok，一則接一則看商品；原生直播結束後會自動轉成短影音回放繼續帶客；連只有靜態商品圖的品牌，也能靠 AgentOne 把圖轉成動態影片。目的都是讓消費者在官網停得更久，也更容易下單。
91APP AgentOne 系列
這篇是 91APP AgentOne 系列的一篇，其他篇：
- 91APP AgentOne 是什麼？從 AI 助理到數位產能
- 91APP AgentOne × EngageOne：個人化行銷交給 AI Agent
- 91APP AgentOne × MediaOne：廣告投放交給 AI Agent
- 91APP AgentOne 的資安底線：資料獨立與 Sandbox