RevenuePilot 收益策略
AI 收益策略引擎
像量化策略一样运营酒店分销收益。
RevenuePilot 将加价、供应商、客群和市场策略从静态规则升级为 AI 可生成、可模拟、可受控保存的赚钱系统。当前已产品化自然语言草稿、模拟证据和保存确认链路，并沿着赚钱机会识别与收益 Agent 编排继续演进。
识别收益策略意图
从自然语言中抽取目标客群、市场、供应商、入住日期、金额区间、利润目标和转化约束。
发布前模拟证据
在启用保存前运行策略模拟，并把服务端签发的 condition/aim 证据绑定到当前草稿。
应用策略草稿
按新增或修改路径写入策略草稿，并保留审计上下文供后续治理扩展。
新策略和既有策略修改都必须带着服务端签发的模拟证据进入启用保存；缺少关键字段或证据与当前草稿不匹配时，RevenuePilot 只保留草稿，不允许直接发布。
三层能力架构
从策略配置到 AI 草稿生成，再到收益 Agent 编排，RevenuePilot 为不同成熟度的商业团队提供匹配的能力层级。
RevenuePilot Strategy
面向商业团队的策略配置层。支持加价、客群、市场和供应商条件策略模板，以及命中预览和发布前模拟证据。
- 收益策略模板与条件构建器
- 新增策略与既有策略编辑
- 发布前命中与收益模拟
- 草稿保存与变更差异
RevenuePilot Quant
用自然语言描述收益目标，AI 自动识别策略意图、补齐必要字段、生成可审核草稿，并要求通过模拟证据后才能启用保存。
- 自然语言收益策略生成
- 多轮澄清与字段补全
- 启用前模拟风险提示
- 草稿应用前变更摘要
RevenuePilot Agent
收益 Agent 串联赚钱机会识别、策略建议、多轮澄清、模拟证据、保存确认和审计上下文；当前已产品化草稿、模拟和保存确认链路，并向主动机会发现扩展。
- 赚钱机会识别与策略建议
- 保存前模拟证据校验
- 既有策略修改上下文
- 审计与治理能力预留
与传统规则引擎的差异
解决的是“能不能配置”，很少回答“这条策略能不能赚钱”。
多停留在推荐层，无法安全写入分销规则、供应路由和发布闭环。
策略生成、模拟证据验证、草稿应用和审计上下文在同一条链路中完成。
RevenuePilot 如何落地受控调价
描述意图、运行模拟、带审计上下文确认保存,三步走完调价闭环。
- 1
描述意图
商业团队用自然语言描述目标,RevenuePilot 识别策略意图并补齐必要字段。
- 2
运行模拟
启用前模拟会校验命中、收益影响、供应商条件、RBAC 与保存确认证据,凭感觉调价被屏蔽。
- 3
带审计上下文的确认
保存确认是最后一道闸门。既有策略复用修改上下文,审计与治理扩展点保留全部链路。