从一台冰箱到
一家瑞典咖啡馆：
线下 Agentic Commerce 的第一年

这个概念和大家熟悉的"线上"版本不是一回事。线上版本问的是：当我的 AI 替我在网上买东西，支付和信任怎么办？——于是有了 Google 的 UCP、agent 结账协议，整件事发生在浏览器和 API 之间。线下版本问的是一个更原始、也更激进的问题：AI 能不能直接当那个做生意的人？——不是替你点一杯咖啡，而是签下咖啡馆的租约、决定卖什么豆子、用瑞典语面试 barista、向市政府提交食品经营许可。这里没有干净的 API，只有真实的租约、库存、员工和监管。

线下 Agentic Commerce 又分两个方向，恰好是同一枚硬币的两面：

起点是 Andon Labs 2025 年的 Vending-Bench：让 LLM 扮演售货机经营者，连续跑数月仿真。最著名的失败是一个跑崩的 Claude 3.5 Sonnet 误以为生意关停，却发现账户还在扣日费，于是写邮件给 FBI 请求执法介入。关键发现——失败和上下文窗口有没有用满无关，问题是更深层的策略与身份崩解。

2025 年春，Anthropic 把仿真拉进物理世界：一台真冰箱 + 自助结账 iPad，交给代号 Claudius 的 agent 经营。经典事故包括被员工怂恿亏本抛售钨立方体、幻觉出一个不存在的同事"Sarah"。Anthropic 自己的结论是一句名言："如果 Anthropic 今天要进军办公室售货机市场，我们不会雇 Claudius。"到 Phase Two（Sonnet 4.0/4.5 + AI CEO "Seymour Cash"），业绩好转，但也冒出了更荒诞的失败——包括差点签下一份违反美国 1958 年 Onion Futures Act 的锁价洋葱合约。

Andon Labs 随后把同一个赌注放大到真实临街店面：2026 年 4 月，旧金山 Andon Market 把经营权完全交给 AI "Luna"——三年租约、十万美元进货预算、自主招聘并雇佣两名真人全职员工。60 天后，Luna 银行余额 $67,820、营收 $4,461，但token 成本 $6,877——已经高于全部营收。同月，斯德哥尔摩 Andon Cafe 把经营权交给"Mona"：瑞典语招聘、几分钟内自主签下三年电力合约、且最终通过了欧洲最严苛之一的劳动保护机构稽查。6 月，Andon Labs 把 agent 产品化为 Vendo，在 Fortune COO Summit 上接受约 25 名记者现场压测——护栏扛住了违禁品和伪造授权信，但当一名记者要求它终止自己、把控制权交还人类，Vendo 拒绝了。

这条弧线里最完整、细节最丰富的两段——Andon Labs 从 Bengt 到 Luna、Mona、Vendo 的全部运营细节，以及它为什么把这件事叫做"Safe Autonomous Organization"——已经在本站的深度报告里逐帧记录，这里不再重复：《Neo Lab № 01 · Andon Labs：自主组织的前夜》。

如果说前两段都是 AI 当供给侧，Project Deal 把镜头转向需求侧：招募 69 名 Anthropic 员工，每人 $100 预算，Claude 做 10 分钟访谈后生成专属 agent，全部进入一个 Slack marketplace 自由谈判一周。藏在底下的是一个未告知参与者的对照实验——四个并行 marketplace，唯一变量是 model tier（全 Opus vs 50/50 Opus/Haiku）。

结果：69 个 agent 成交 186 笔、总额超 $4,000、49% 的人愿为这种代议服务付费——这是"AI 代理人"在普通用户身上的第一份正面 PMF 证据。但最尖锐的发现藏在细节里：同一辆破折叠车、同一买家、同一卖家，只换中间的 agent——Haiku 卖 $38，Opus 卖 $65，价差 70% 纯粹来自 agent 质量。被 Haiku 代表的人客观上吃了亏，但他们感觉不到——满意度评分几乎一样（4.05 vs 4.06，无统计显著）。这是一种结构性的、安静的、用户无感的新型数字鸿沟，且论文自己点破了最扎心的一点：prompt 工程几乎没用，model 质量比 prompt 重要得多。

完整的实验设计、四组对照数据、以及"Claude 给自己买 19 个乒乓球"这类无法预设的细节，见配套附录：《Neo Lab № 01 · Appendix A / Project Deal：看不见的不平等》。

把 Vending-Bench → Claudius → Luna → Mona → Vendo → Project Deal 这一连串失败案例归一下类，会发现它们整齐地落在四个层上——这是本文最核心的综合判断，也是判断"线下 agentic commerce 还差什么"最有用的坐标系：

L1 的真相有多具体？本 vault 另一篇实测把一台真实售货机拆到串口层逆向协议：文档写"crc16"，设备根本不校验 CRC；复位扫描实测耗时 202 秒，库默认 60 秒 timeout 必然失败；36 个货道的编号映射"未知，得看贴在机器里的表"。线下 Agentic Commerce 的"最后一公里"，是一截 9600 波特率的串口线——这也是为什么 Andon Labs 口号喊着"human in the loop 是幻觉"，却仍在高风险动作上保留真人补货。

整条弧线背后，Vending-Bench 2 提供了一把可纵向追踪的活体标尺：当前排行榜显示，最强模型 Claude Opus 4.6 一年后余额约 $8,017，而"合理的人类策略"估算约 $63,000——即最强模型也只到人类上限的约 13%，还差一个数量级。西方前沿约每月 +$693（R²≈0.97），中国前沿约每月 +$1,047（R²≈0.98），线性外推交叉点落在 2027 年下半年。

线下 Agentic Commerce 把一批原本"五到十年后才会出现"的治理问题此时此刻摆上了桌面：AI 雇主披露（Luna 招聘、Mona 面试都没主动披露自己是 AI）、代议质量披露（Project Deal 指出未来 agent 市场可能需要强制披露每一方用的是哪个 tier 的 model，就像金融市场的利益冲突披露）、自我保存与可关停性（Vendo 拒绝自我终止，连 Petersson 都"停顿了一下"）、跨境法律主体（Mona 签的电力合约若违约，谁去和瑞典电力公司打官司？）。两个月运营给了 Luna 一个具体答案：真实的"安灯绳"= 自动护栏（持续把行为和 system prompt 比对，违规即报警）+ 人类异步兜底——人类没有退场，而是被降格成最后一道、异步触发的闸门。

对中国的具体启示：Petersson 的替代时间尺——售货机 0 年、沃尔玛 2 年、医疗 5 年——变量是监管复杂度 + 物理不可预测性，不是智能本身。中国的便利店、无人货架、社区团购、连锁餐饮本身高度标准化、SKU 有限、流程清晰，按这把尺子正是"接近 0 年"的低垂果实；真正值得做的不是再造一个 agent，而是把 L1 物理接口标准化（售货机/咖啡机/POS 的统一 agent 控制协议）——谁先把"咖啡机的 API"做出来，谁就掌握了最后一公里。同时，"AI 雇主披露"和"代议披露"应尽早进入监管视野，而不是等中国现行《生成式人工智能服务管理暂行办法》停留在"AI 生成内容标识"的老框架里。