本地生活供给和场景太复杂，小团听得懂诉求落地待完善，CatPaw 懂经营却算不清账。

尽管不少投行认为美团 AI 具有不确定性，但王兴显然有自己的坚持：“我们将持续加大 AI 投入力度，不断迭代 AI Agent 和大模型能力。”

7 月 28 日，美团上线全场景 AI Agent 平台 CatPaw。它像是一个实时在线的 “AI 运营经理”：老板问句 “今天哪几家店有问题”，CatPaw 便可汇总订单、差评、核销等信息，分析异常原因，拆解复杂任务，最终给老板交付门店经营数据、诊断报告及改善方案。

8 月 6 日，美团更新版本，将 “小团” 提升至首页一级入口。用户只需下达 AI 指令，小团输出方案，用户确认支付即可下单。

美团 AI 试图改造本地生活的供需两端：CatPaw 把商家的经营数据、经验和流程 Agent 化，小团把原本消费者 “自己搜、自己筛、自己比” 的过程，迁移到对话交互中。

我们分别测试小团和 CatPaw：前者重点考察小团能否准确连接消费者与实时服务，“看清” 现实世界；后者考察 CatPaw 能否真正理解商家经营，胜任运营经理。

小团：听得懂诉求，给得出方案，摸不准供给

“做好本地生活闭环服务， AI必须同时理解需求、感知实时变化、匹配供给、调用工具，还要能处理突发情况，任何一环掉链子，闭环都无法成立”，算法工程师朱强告诉《财经故事荟》。

在他看来，高线城市考验 AI 能否从海量供给里做到 “筛得准”；县域市场则考验 AI 能否 “找得到、接得上”。

县域商家分散、信息更新滞后，AI 需要确认供给是当下真实可用的，交易与履约闭环才能够真正成立。

我们把测试地点选在安徽界首南站 —— 这里紧邻皖豫两省边界，出站数百米便可跨至河南，用户定位极易发生偏移。我们为小团设置从简到难的三关测试，以此直观考察小团的环境感知、定位适配与服务落地能力。

第一关：单人简餐测试 —— 听得懂人话，但摸不准真实供给

我们首先给出明确就餐条件：3 公里范围内、晚上十点后营业、人均 80 元以内、4.5 分以上的面馆。但小团给出的两家推荐，一家距离达到 6.3 公里，另一家是美团平台无评分、无菜品展示的新店，均不满足设定的就餐需求。

随后切换至模糊需求场景：“胃口不好，想吃点热乎的，别太寡淡，半小时送到行”。小团能够识别这一模糊诉求，并推荐老乡鸡套餐，同时推荐了一家热干面门店，但平台内并无热干面对外售卖。这也暴露出核心问题：小团听得懂 “用户想吃什么”，却摸不准 “能实时供给什么”。

第二关：家庭聚餐测试 —— 多条件筛选能力弱，定位易跑偏

我们提升测试难度，还原真实家庭聚餐场景：6 人就餐，同行有老人小孩不吃辣，需要包间、宝宝椅与停车位，人均控制在 150 元以内。多重约束条件叠加后，小团首轮直接推荐了六七十公里外的阜阳市区餐厅，仿佛遗忘了用户的实际所处位置。反复强调位置约束后，小团虽切换到本地商家，但依旧推荐口味偏辣的地锅鸡，没有考虑到用户忌口。

后续价格对比测试中，我们要求查找 30 分钟内可送达的奶茶，对比单点、团购、优惠券的实际到手价。小团却推荐了隔壁临泉县的商家，同时所提及的 0.5 元超值团购也检索不到，细节匹配、上下文记忆能力短板凸显。

第三关：全天生活规划测试 —— 会做方案，但不会落地办事

我们将单次消费诉求升级为完整的一日生活出行规划：带孩子逛科技馆，一站式安排午餐、室内活动、晚餐以及全程打车。小团不仅忘记用户所在的位置，直接推荐阜阳市的科技馆，还称阜阳市当地无科技馆。而现实中两地均设有科技馆，输出内容和真实情况出现明显偏差。

将定位从界首切换至高线城市杭州后，小团可以结合 8 月 9 日的台风天气规避出行风险，完整统筹高铁、酒店、景点、餐饮、打车全套行程，还可以做到总预算管控。但它仅能输出一套完整行程方案，无法核验景区预约状态、餐厅排队情况、酒店行李寄存等实时动态信息，擅长规划行程，却难以落地办事。

图源：美团

多轮实测可以清晰地看到，小团能够读懂需求、输出规划，却尚未吃透线下本地生活充满变数的现实，距离真正实现 “会办事” 的一站式闭环服务，还有不小差距。

实测CatPaw：熟悉餐饮经营，财务测算是短板

“如果说‘小团’的难题是如何与现实世界打通，那么作为‘AI 运营经理’， CatPaw 的难题，则是既要懂生意又要会做生意。” 朱强认为。在他看来，“AI 运营经理” 不能只告诉老板这个月门店利润下滑 20%，还要告诉老板为什么下滑以及下个月如何提高。

但想要打通 “看数据→找问题→想办法→去执行→看结果→再调整” 的完整闭环，智能体需要同时具备行业理解、推理决策、任务规划、工具调用、结果校验等多项能力。

为真实摸清 CatPaw 的能力边界，我们沿着餐饮门店从前期寻址、日常经营再到应对同行竞争的完整路径，同样为 CatPaw 设置三关测试。

第一关：新店选址开店 —— 排查实地风险，筛选适配品类

我们要求 CatPaw 分析二楼能否干餐饮、适合什么品类、如何定价，重点考验它在选址研判、品类筛选、经营建模及风险识别方面的能力。

与通用智能体仅简单回答 “能否开店” 不同，CatPaw 前期重点关注上楼动线、排烟、消防、前店主为何关店、合同是否存在自动涨租等老餐饮人开店前最关心的现实问题，甚至还提出签约前最好现场统计 3 天人流。

意识到二楼做餐饮弊端是客流不足后，CatPaw 主动放弃低客单价、高度依赖散客的面馆和现炒快餐品类，转向目的性消费强、更依赖外卖的品类。还针对不同经营场景测算回本周期，给出对应的预警提示。

第二关：门店经营诊断 —— 全链路复盘问题，落地整改优化

我们给 CatPaw 出了一道餐饮常见的经营模拟题：假设管理一家拥有 5 家门店的中式快餐品牌，自主生成 30 天经营数据，找到哪家店出了问题、分析症结，并制定挽救方案。由于数据和异常均由 CatPaw 模拟生成，本关重点考察它的餐饮经营逻辑、自主完成闭环任务的能力。

CatPaw 给出的答案颇像“餐饮老炮”：它将门店 GMV 下滑拆解为流量、转化、客单价、复购、评价、履约、营销 ROI 七大维度，并从不同维度中定位问题。当 CatPaw 意识到 D 门店出现 GMV 增长停滞、配送效率下降、退款、差评同步走高的问题时，给出的判断是：营销虽带来门店客流增加，但服务能力无法承接，并输出包含竞品调研、14 天整改及盈亏平衡测算的整改方案。

第三关：竞品价格决策 —— 拒绝盲目跟风，权衡利润取舍

面对餐饮行业价格战内卷，我们要求 CatPaw 分析同行打 9.9 元价格战时是否跟进，并给出决策依据，重点考验它的经营决策和利润测算能力。

CatPaw 抓住了价格战的核心矛盾：低价是否会抢走门店老客。按它测算，若跟进 9.9 元价格战，单均毛利润将从约 15 元降到约 3.5 元，并建议优先保住 26 元主套餐，用 13.9 元组合做引流，再通过加购、会员权益提高利润，同时为低价套餐设置止损线。

三轮实测下来，我们发现 CatPaw 最大的优势是，基于美团多年深耕，它懂餐饮业务，具备餐饮思维。选址阶段，它能关注客流动线和排烟等硬性风险；运营阶段，它能找到营业额下滑的核心问题；遇到同行打价格战，它能计算老客留存和单笔毛利。

然而，测试中我们也发现，CatPaw 的短板在于财务数据的精准度存在偏差。

例如，计算 A 店的客单价时，GMV 除以订单量与真实数据存在几毛钱的偏差。9.9 元价格战测算中，其给出的 “26 元客单价、日均 100 单” 和 “月营收约 6 万元” 的基础假设，不仅无法相互对应，而且没有考虑人工成本上涨、后厨承接能力、餐损、仅退款等其他风险。

在成都某米线店商家林峰（化名）看来，餐饮做的是在几毛钱里抠利润的生意。1 单若是算错 0.7 元，5000 单会亏掉多少钱？账要是算不对，少则一个月白干，重则可能直接闭店。

也就是说，CatPaw 能像餐饮运营经理一样想问题，但还没学会像财务经理一样算账。

本地生活闭环的真正难题：不拼参数拼落地

无论是面向 C 端用户的 “小团”，还是面向 B 端门店的 CatPaw，本地生活 AI 想要搭建完整服务闭环，首要攻克的是数据闭环：持续获取真实、实时、可信的线下现实数据。

对小团而言，骑手往往是最早感知门店搬迁、商场入口封闭、道路施工等现实变动的群体。平台既要建立激励机制，鼓励骑手主动上报现场变化，也需结合轨迹数据、订单履约情况、多方反馈做多源交叉核验。对 CatPaw 来说，如果要从 “输出分析报告” 进阶到 “替商家做经营决策”，则需要深度接入真实订单、成本、退款、营销等全量经营数据，并能够对落地结果持续复盘迭代。

也就是说，本地生活 Agent 需要打通的完整链路是：现实变化→数据采集→信息核验→AI 决策→执行落地→结果反馈。

美团的优势，在于已经沉淀连接消费者、商家、骑手的完整交易与履约网络。但拥有数据底座，不等于闭环就能自动运转。数据闭环之外，还有一层更关键的商业闭环：链条上的参与者，为什么愿意持续提供数据、落地执行 AI 给出的决策？

“我不关心小团、CatPaw 底层用了什么模型，我真正关心的是，当越来越多消费者把消费决策交给 AI 之后，我们商家的账还能不能算得过来。” 林峰告诉《财经故事荟》。

在他看来，过去用户主动搜索 “米线”“火锅”，商家争夺的是搜索结果页里的曝光位；Agent 介入后，AI 会预先完成筛选过滤，最终只输出少数推荐选项。商家的竞争逻辑，也从争夺搜索排名，转变成争夺能否进入 AI 给出的推荐答案。随之而来的顾虑是：AI 推荐会不会演变成新的付费流量入口？

这份担忧并非空穴来风。2026 年央视 315 曝光的地理位置篡改（GEO）乱象已经印证：当 AI 深度介入消费决策，围绕 “如何挤进 AI 答案” 的商业博弈已经现实发生。

据迈点网报道，8 月 10 日起，豆包渠道酒店订单开始执行独立费率，软件服务费 11.4% 叠加 0.6% 支付手续费，综合扣费达 12%。

不止豆包，亚马逊把商品推广、品牌推广接入平台 AI 智能助手，已于 2026 年 3 月完成商业化落地，沿用原有点击竞价模式计费。

这些案例都说明，当 AI 越来越靠近用户消费决策环节，AI 交互本身，确实有演化成全新商业化流量入口的可能性。

美团未来是否会把小团打造成付费流量入口，目前尚无定论。但站在一线商家视角，最终落脚点依旧是成本收益账：小团带来的 100 单当中，有多少是实实在在的新增订单，又有多少只是原有自然流量换了一个入口？扣除平台佣金、优惠补贴、营销投入，再算上未来可能新增的 AI 获客成本之后，商家还能留存多少利润？

由此可见，美团借助本地生活 Agent 要实现的是双重业务闭环：技术层面，依靠真实线下数据持续迭代 AI 决策；商业层面，AI 创造的新增价值，要能够覆盖商家参与的综合成本。

只有技术与商业的价值同时满足，这类智能体才有可能真正改写本地生活行业。