在 CarryGo 內部，存在一個世界模型——幫助組織以系統的方式觀察、模擬、行動與學習。
在產品層面上，CarryGo 是一個世界模型，最初為商業而建。
在系統層面上，它並非單一的基礎模型。它結合了世界狀態、動態模型、規劃器、一個持久的 DAG 運行時、Butler-Worker 執行機制與治理。
這個區別至關重要。
世界模型回答的是：世界處於何種狀態，以及一個行動可能如何改變它？
規劃器、DAG 與 Agent 回答的是：應該選擇哪個行動、誰能執行它，以及如何安全地完成它？
我們對世界模型的技術標準很簡單：
它必須維護一個可更新的世界狀態，估計基於行動的狀態轉變，並持續根據觀察到的現實進行校準。
CarryGo 將規劃、執行與治理連接到該模型，使模擬能夠進入實際運營。
一個企業本身就是一個世界
一個企業由產品、客戶、組織、資產、合約、通路、規則與關係所構成。
它是部分可觀察的：沒有人掌握所有相關事實。
它是多 Agent 的：員工、客戶、供應商、合作夥伴、平台、資本提供者與監管機構各自獨立行動。
它是非平穩的：在決策制定的過程中，庫存、現金流、競爭與市場情緒持續變化。
它是反身性的：一旦預測觸發了價格變動、行銷活動、補貨訂單或合作關係，被預測的對象本身已經改變。
語言模型可以在上下文視窗內推理這些動態。然而，預設情況下，它們並不會維護一個共享、可查詢且具版本控制的企業現實表徵。
CarryGo 的設計目的，正是為了提供這個缺失的層級。
它不僅僅解釋已經發生的事。CarryGo 將企業的資源、市場需求、競爭、成本與限制帶入同一個運作世界，以識別未被充分利用的能力、未被滿足的需求以及值得採取行動的機會。先看清整個業務，再決定從何處開始。
商業世界如何變得可操作
該系統可以透過五個層級來理解：
CarryGo 從企業初始化開始。產品、訂單、庫存、財務指標、組織關係、會議記錄、合約、政策與歷史專案都進入同一個運作模型。
它們不僅僅是被分塊以便檢索。它們成為具有關係、時間、來源、信心與權限的業務實體，形成當前的世界狀態。
由於企業是部分可觀察的，CarryGo 並不聲稱能存取一個全知的地面真實狀態。它維護一個帶有證據、來源與信心的信念狀態 Bₜ。
其核心的建模問題可以表達為：
P(Sₜ₊₁ | Bₜ, Aₜ, Eₜ)
給定當前的信念 Bₜ、一個候選行動 Aₜ 以及不可控的外部事件 Eₜ，哪些狀態可能隨之發生？新的觀察結果 Oₜ₊₁ 隨後會更新信念狀態並校準預測。
為什麼 CarryGo 是一個混合世界模型
CarryGo 並不依賴一個不透明的端到端模型來預測整個公司。它結合了四種動態：
- 用於合約、權限、庫存限制、財務限額與核准的確定性規則；
- 用於需求、轉換、履行、成本與風險的機率模型；
- 用於估計干預措施增量效果的因果與情境模型；
- 用於提出假設、生成計劃、解釋證據以及模擬利害關係人回應的 LLM 與多 Agent 模擬。
規則強制執行硬性邊界。機率模型呈現不確定性。因果模型降低了將相關性誤認為因果關係的風險。Agent 則在開放式情境中探索並執行候選計劃。
其結果是一個混合的商業世界模型，其組成部分可以被檢查、替換與校準。
從預測到執行：一個說明性的多維場景
多維是中國一個個人護理品牌，立足於透明與智慧製造，服務廣泛日常護理場景。
假設多維的一場直播轉換率下降了 18%。傳統的 AI 助手可能會立即建議修改腳本或增加促銷活動。
CarryGo 首先會問：腳本真的是原因嗎？
它讀取流量構成、產品點擊、可銷售庫存、退貨、履行、定價與可比行銷活動。它發現了三項變化：低相關性流量達到 41%，主打產品僅有 1.6 天的庫存，以及部分需求正被導向利潤率較低的替代品。
接著，它模擬了兩個選項。以下數字用於說明產品體驗，並非實際績效預測。
選項 A：維持媒體支出，修改直播機制，並立即補貨。
- 預期增量貢獻利潤：人民幣 180,000–260,000 元
- 缺貨與履行風險範圍：25%–35%
- 關鍵敏感因素：到貨時間與有效流量成本
選項 B：減少低相關性流量，改變產品組合，並調整創作者排序。
- 預期增量貢獻利潤：人民幣 120,000–170,000 元
- 受眾轉變風險範圍：8%–14%
- 關鍵敏感因素：受眾契合度與替代產品利潤率
獲得核准後，規劃器將所選選項擴展為一個專案 DAG。內容團隊修改機制。媒體運營調整支出。供應鏈驗證庫存。創作者的 Butler 協調排程。財務部門保護利潤底線。每個節點都獲得執行者、截止日期、驗收標準與工作項目。
當結果回饋時，CarryGo 會更新其對世界的解釋——這不僅僅是摘要。腳本品質可能會失去歸因權重，而受眾契合度與可銷售庫存則成為更重要的變數。下一個 DAG 可以在支出擴大之前，加入一個結合受眾與庫存的檢查關卡。
DAG 描述了 CarryGo 打算如何改變世界。動態模型估計世界可能如何回應。結果則記錄了世界實際如何回應。
這就是演進的意義：一個更精確的圖譜、一個改變了的結構，以及一條更好的執行路徑。
困難的並非喚醒 10,000 個 Agent
運行數千個模型會話相對容易。允許 Agent、人員與外部系統在不破壞它的情況下改變同一個商業世界，則困難得多。
每一個重要的外部行動都可以理解為一個「行動信封」，其中至少包含：
一個 Agent 並不會僅僅因為收到提示就修改現實。該行動必須通過身份、權限、預算、風險與世界版本的檢查。
持久化執行需要租約、冪等性、補償機制與快照。受控的演進需要重播、影子運行、分階段發布、核准關卡、回滾與終止開關。
當我們說 AI 應該運營一個企業時，我們指的不是無限的自主權。
我們指的是可以被分級、授權、觀察、中斷並追究責任的自主權。
我們如何知道模型正在改進
CarryGo 不應該透過其 Agent 說了多少話來衡量智慧。它應該根據結果來評估：
- 世界狀態衝突率；
- 單步與多步狀態預測誤差；
- 預測風險與觀察頻率之間的校準；
- 預期結果與實際結果之間的偏差；
- 限制違規、重複行動與回滾；
- 首次 DAG 通過率；
- 模型演進後的迴歸失敗率。
如果這些指標沒有改善，「模型正在學習」只是一個行銷說法。
我們正在如何建構它
CarryGo 已經建立了商業世界模型的明確層級：企業初始化、業務實體與知識、上下文組裝、DAG 與專案執行、Butler-Worker 編排、多租戶權限與執行軌跡。
這個層級使企業狀態可追溯、規則可表達、行動可執行。
下一階段將強化學習到的動態：情境模擬、結果歸因、預測校準與受控的 DAG 演進。
在此之後，代表不同組織的 Butler 可以在明確授權與最低限度揭露規則下發現機會並進行協商。標準化、低風險的交易可以在預定義的預算與合約邊界內自動完成。
一個世界模型並非在單一版本中完成的功能。它是一個透過實際運作而變得更加真實的系統。
一個物理世界模型幫助機器人提問：如果我踏出這一步，我周圍會發生什麼？
CarryGo 幫助一個組織提問：如果我們改變產品、價格、通路、團隊或合作關係，業務接下來會如何變化？
LLM 幫助人們工作得更快。
CarryGo 使企業能夠作為一個連貫的世界來理解、預測、行動與學習。
