每个开实体店的老板都知道，自己的生意需要AI。问题从来不出在技术上。

真正卡脖子的，是那个站在“我懂我的生意”和“AI知道该干什么”之间的人。

在行业里，这个人叫FDE——现场部署工程师。月薪两万，一个人最多服务5到10家门店。干不满18个月就会离职，因为这份工作出差密集、重复琐碎，而且极度无聊。中国有几十万家实体门店，每一家都需要FDE，但几乎没有一家雇得起。

MAFBE，就是把FDE这个人，用开源AI重做了一遍。

9个AI代理接管一家健身房

MAFBE全称多智能体健身商业实体，是一个开源框架，往一家实体健身房里部署9个自主运行的AI代理。一旦部署到位，这些代理接管的工作包括：会员管理——追踪、留存预测、流失预警；排课与动态定价——按场馆容量优化；员工评估——用客观指标替代直觉判断；供应商管理——自动询价与比价；内容生产——无需人工写手的每日社交媒体输出；基础设施监控——服务器与物联网设备的自愈健康检查；成本优化——每一块钱花在哪，是否偏离预算；投资叙事——实时定位与汇报；以及风险审计——一个独立的验证层，检查所有代理的行为。

创始人不插手。代理之间通过事件总线通信，经由审计代理交叉验证。只有当这套自治系统走到了真正的死胡同，才会升级到创始人那里。

真实健身房里的107天

这不是模拟。自2026年4月起，MAFBE一直在东莞万江一家名为ZWISERFIT的实体健身房内运行。这个选址是故意的——万江是中国健身渗透率最低的街区之一，如果系统在这里跑得通，那它在任何地方都跑得通。

107天的生产指标说明了一些事情：7次基础设施故障中自愈了6次；日常运营中提取出1830条结构化知识条目；会员流失率下降了42%；员工客户比降至1:58——在传统模式下，这个比率是1:12到1:20之间，意味着两名员工支撑了116个月的活跃会籍。

每一个代理的每一次动作都被记录下来。每一个错误都被追踪。每一次修复都是结构性的——当一个bug出现，一个新的约束条件就会被加入系统，确保同一个bug不会发生两次。

部署远大于模型

AI行业对模型有一种执念。哪个模型最好？哪项基准测试得分最高？MAFBE执着的是部署。原因很简单：没有部署的模型，只是一个演示；带着107天生产部署数据的模型，才是一门生意。

模型能做的事情——生成一篇健身文章，分析一个趋势，写一则营销标题。

部署能做的事情——在107天内无需人工干预地经营一家真实健身房，7个基础设施故障中自愈6个，从日常运营中提取1830条结构化知识。

竞争对手可以复制我们的模型栈，但他们拿到的是一个演示。当他们试图复制我们的部署时，面对的是107天的生产数据——而到那个时候，我们已经跑到了第200天。

不做单体AI，做五层架构

MAFBE不是一个巨无霸式的“AI代理”，而是五层相互连接的架构，每一层都有明确的职责。底层是感知层，负责从健身房SaaS、IoT设备、社交媒体API摄取实时数据。往上是认知层，9个代理各自拥有独立的知识图谱和推理管线。第三层是协调层，通过事件总线串联起代理间的通信与冲突解决。第四层是审计层，一个独立的验证代理持续检查其他代理的决策，确保合规与财务安全。最上层是交互层，向创始人提供聚合视图，仅在必要时请求人工介入。

这种分层的设计来自107天的实战经验。一个单体AI在出现错误时，整个系统都可能瘫痪；而在五层架构下，某个代理的异常会被审计层捕获，协调层会重新调度任务，基础设施层的自愈机制会尝试恢复——整个过程无需人工触达。

开源这件事本身

MAFBE现在是开源的。框架、代理逻辑、部署手册、107天的生产日志，全部公开。

这个决定的逻辑并不复杂：实体零售和本地服务行业的数字化，最大的障碍不是技术门槛，而是缺乏一个能被行业从业者理解、上手、根据自身业务改造的操作性参考。一个闭源的产品解决不了这个问题。公开部署日志，就是在说：这不是一个实验室里的概念验证，这是一家真实健身房107天的运营事实。

东莞万江的低健身渗透率街区，1830条从日常运营中提取的结构化知识，6次自愈，42%的流失率下降，两名员工支撑的会员体量——这些数字构成的开源竞争力，远比模型基准测试上的几个百分点更有说服力。