在 CarryGo 内部，存在一个世界模型——帮助组织作为一个系统进行观察、模拟、行动和学习。
在产品层面，CarryGo 是一个世界模型，首先为商业而构建。
在系统层面，它并非单一的基座模型。它结合了世界状态、动态模型、规划器、持久化 DAG 运行时、Butler-Worker 执行和治理机制。
这个区别至关重要。
世界模型回答的问题是：世界处于什么状态，以及一个行动可能如何改变它？
规划器、DAG 和 Agent 回答的问题是：应该选择哪个行动，谁可以执行它，以及如何安全地完成它？
我们对世界模型的技术标准很简单：
它必须维护一个可更新的世界状态，估计基于行动的状态转换，并持续根据观察到的现实进行自我校准。
CarryGo 将规划、执行和治理连接到该模型，使模拟能够进入实际运营。
一个商业体本身就是一个世界
一个商业体由产品、客户、组织、资产、合同、渠道、规则和关系构成。
它是部分可观测的：没有人掌握所有相关事实。
它是多 Agent 的：员工、客户、供应商、合作伙伴、平台、资本提供者和监管机构都在独立行动。
它是非平稳的：库存、现金流、竞争和市场情绪在决策过程中不断变化。
它是反身性的：一旦预测触发了价格变动、营销活动、补货订单或合作关系，被预测的对象就已经改变了。
语言模型可以在上下文窗口内推理这些动态。然而，默认情况下，它们并不维护一个共享的、可查询的、带版本的企业现实表征。
CarryGo 旨在提供这个缺失的层面。
它不仅仅是解释已经发生的事情。CarryGo 将企业的资源、市场需求、竞争、成本和约束带入同一个运营世界，以识别未被充分利用的能力、未被满足的需求以及值得采取行动的机会。先看清整个业务，再决定从哪里开始。
商业世界如何变得可运营
该系统可以从五个层面来理解：
CarryGo 从企业初始化开始。产品、订单、库存、财务指标、组织关系、会议记录、合同、政策和历史项目都进入同一个运营模型。
它们不仅仅是分块用于检索。它们成为具有关系、时间、来源、置信度和权限的业务实体，形成当前的世界状态。
由于商业是部分可观测的，CarryGo 并不声称拥有全知的地面实况状态。它维护一个带有证据、来源和置信度的信念状态 Bₜ。
其核心的建模问题可以表述为：
P(Sₜ₊₁ | Bₜ, Aₜ, Eₜ)
给定当前信念 Bₜ、候选行动 Aₜ 和不可控的外部事件 Eₜ，哪些状态最有可能随之发生？新的观测 Oₜ₊₁ 随后更新信念状态并校准预测。
为什么 CarryGo 是一个混合世界模型
CarryGo 并不依赖一个单一的不透明端到端模型来预测整个公司。它结合了四种动态模型：
- 用于合同、权限、库存约束、财务限额和审批的确定性规则；
- 用于需求、转化、履约、成本和风险的概率模型；
- 用于估计干预措施增量效应的因果和情景模型；
- 用于提出假设、生成计划、解释证据和模拟利益相关者反应的 LLM 和多 Agent 模拟。
规则强制执行硬边界。概率模型表示不确定性。因果模型降低了将相关性误认为影响的风险。Agent 在开放式情境中探索和执行候选计划。
结果是一个混合的商业世界模型，其组件可以被检查、替换和校准。
从预测到执行：一个说明性的多微场景
多微是一个立足于透明和智能制造的中国个人护理品牌，服务于广泛场景下的日常护理需求。
假设多微的某场直播转化率下降了 18%。一个传统的 AI 助手可能会立即建议修改脚本或增加促销活动。
CarryGo 首先会询问脚本是否真的是原因。
它会读取流量构成、产品点击量、可售库存、退款、履约、定价和可比活动。它发现了三个变化：低质量流量达到了 41%，主打产品仅有 1.6 天的库存，并且部分需求正在被引导至一个利润率较低的替代品。
然后它会模拟两个选项。以下数字用于说明产品体验，并非生产性能预测。
选项 A：维持媒体投放，修改直播机制并立即补货。
- 预期增量贡献利润：18 万–26 万元人民币
- 缺货和履约风险范围：25%–35%
- 关键敏感因素：到货时间和有效流量成本
选项 B：减少低质量流量，调整产品组合并改变创作者出场顺序。
- 预期增量贡献利润：12 万–17 万元人民币
- 受众转移风险范围：8%–14%
- 关键敏感因素：受众匹配度和替代品利润率
审批通过后，规划器将选定的选项扩展为一个项目 DAG。内容团队修改机制。媒体运营调整投放。供应链验证库存。创作者的 Butler 协调排期。财务部门保障利润底线。每个节点都获得了执行者、截止日期、验收标准和工作项。
当结果返回时，CarryGo 会更新其对世界的解释——而不仅仅是总结。脚本质量的归因权重可能会降低，而受众匹配度和可售库存成为更重要的变量。下一个 DAG 可以在扩大投放之前增加一个联合受众和库存的门控。
DAG 描述了 CarryGo 打算如何改变世界。动态模型估计世界可能如何响应。结果记录了世界实际如何响应。
这就是进化的含义：一个更精确的图，一个变化的结构，以及一个更好的执行路径。
难点不在于唤醒 10,000 个 Agent
运行数千个模型会话相对容易。允许 Agent、人员和外部系统在不破坏同一个商业世界的情况下改变它，则要困难得多。
每一个重要的外部行动都可以理解为一个行动信封，至少包含：
一个 Agent 不能仅仅因为收到了提示就修改现实。行动必须通过身份、权限、预算、风险和世界版本检查。
持久化执行需要租约、幂等性、补偿和快照。受控的进化需要重放、影子运行、分阶段发布、审批门控、回滚和终止开关。
当我们说 AI 应该运营一个企业时，我们指的不是无限制的自主权。
我们指的是可以被分级、授权、观察、中断和问责的自主权。
我们如何知道模型是否在改进
CarryGo 不应通过其 Agent 说了多少来衡量智能。它应该根据结果来评估：
- 世界状态冲突率；
- 单步和多步状态预测误差；
- 预测风险与观察频率之间的校准度；
- 预期结果与实际结果之间的偏差；
- 约束违反、重复行动和回滚；
- 首次 DAG 通过率；
- 模型进化后的回归失败。
如果这些指标没有改善，“模型正在学习”就只是一个营销口号。
我们如何构建它
CarryGo 已经建立了商业世界模型的显式层：企业初始化、业务实体和知识、上下文组装、DAG 和项目执行、Butler-Worker 编排、多租户权限和执行追踪。
这一层使企业状态可追溯、规则可表达、行动可执行。
下一阶段将加强学习到的动态：场景模拟、结果归因、预测校准和受控的 DAG 进化。
在此之后，代表不同组织的 Butler 可以在明确的授权和最小披露规则下发现机会并进行协商。标准化的、低风险的交易可以在预定义的预算和合同边界内自动完成。
世界模型不是一个在单个版本中完成的功能。它是一个通过实际运营而变得更加准确的系统。
物理世界模型帮助机器人提问：如果我迈出这一步，我周围会发生什么？
CarryGo 帮助组织提问：如果我们改变产品、价格、渠道、团队或合作关系，业务接下来会如何变化？
LLM 帮助人们工作得更快。
CarryGo 使企业能够作为一个连贯的世界来理解、预测、行动和学习。
