给二手服装仓库用的收益路由 OS：给每件衣服判级，并把它送去毛利最高的转售渠道。

1. 二手需求的增速正在超过传统服装，仓库必须先上能保毛利、提吞吐的软件，不然劳动力瓶颈会先把供给卡死。
2. 从捐赠箱到批发买家，这条链路今天依旧不透明、也高度依赖人工，所以真正的运营卡点不在消费者前台，而在判级和路由。
3. 模型已经能用数百万笔二手交易来训练，这让“靠入仓图像预测下游价值”第一次变得像回事，而不只是继续依赖人工分拣员的直觉。
4. 新资金正在明确流向 AI 引擎扩张和货源仓处理能力，说明运营方和投资人都开始把上游基础设施当成一条独立的软件预算线。

催化因素。 Fleek 融资到位、二手需求被证实增速是传统服装的 3 倍，再加上一套用数百万笔转售交易训练出来的视觉语言模型，意味着仓库一边正被更大的处理量压着跑，一边软件终于能把判级变成数据优势。

在现有分拣线上装上轻量相机工位和操作员平板，让每件衣服在进桶前先生成一条结构化入仓记录。系统会预测品类、品牌档位、成色、风格属性和各渠道预期收益，再建议它该去精选古着、线上上架队列、批发批次、出口还是回收。主管可以对边缘案例手动改判，而每一次决策都会滚进数字批次护照，供买家在下单前查看。仓库经理还能看到吞吐、单件实际收益、分拣员差异，以及买家拒收和争议模式。时间一长，这个产品就会变成二手库存入仓、路由和质量控制的操作系统。

差异化。 这不是通用 WMS、不是一个相机分类演示原型，也不是又一个二手市场。真正的护城河，是“入仓建议—下游实际收益”之间的闭环：系统会学会哪条渠道最能把某件衣服卖出价值，再用这个反馈去改下一次路由。再把这层路由和面向买家的批次护照绑在一起，软件就不容易被一个单点模型或现有上架工具替掉。

待完成任务

flowchart LR
  Buyer[Warehouse GM] --> Pain[Manual grading creates low yield inconsistent lots and opaque supply]
  Pain --> Product[Garment yield-routing OS]
  Product --> Outcome[Higher margin per garment and faster trusted wholesale sales]

高管要点

• 切口是真的，但比“二手转售爆发”这条大叙事更窄：英国和全球的二手需求都还在快增，但最先能卖出去的产品，不是又一个前台店面，而是仓库里的决策层——把入仓图像变成更好的路由、定价和质检（[4], [5], [6], [7], [8]）。
• 运营痛点非常具体。Oxfam、英国环境署、MS Group 和批发运营方都说明，衣服在出口或转售前仍要靠人工分拣、判级、查污染、核规格，所以毛利在消费者看到商品之前，早就在入仓环节丢掉了（[9], [10], [11], [16], [28], [30], [31]）。
• 竞争强度高，但多半是侧面交锋。Fleek 是最接近的类比，Archive 和 Trove 主打品牌二手转售，PICVISA / Refiberd 主打纺织材料分拣；目前还没有哪个已抓取玩家，明确占住“中立、仓库优先”的收益路由层——同时覆盖转售、批发和回收（[1], [2], [17], [18], [19], [20], [21], [24], [25], [26]）。
• 监管在强化产品叙事：出口商必须留存分拣和质量评估证据，而 EU 纺织政策正在把单独收集、生态设计和数字护照式追溯推起来，所以数字批次护照和审计链会越来越值钱（[11], [12], [13], [14], [15], [27], [32]）。

市场定义

面向二手服装入仓中心的收益路由与质检软件：它夹在原始捐赠 / 回收服装和下游渠道之间，决定一件衣服该上架、打包、出口、修复还是回收，同时给买家留下一条可信记录，解释这次决策为什么这么做（[1], [18], [19], [20], [21], [25]）。

用户与买方

日常用户是仓库主管、分拣员、质检负责人和商业团队，他们需要更快、更一致的入仓判断；真正的经济买家通常是大型分拣商或批发商的 GM、COO 或供应链负责人，因为收益、吞吐、买家争议和出口合规，往往都挂在同一笔运营预算上（[9], [11], [16], [28], [29], [30], [31]）。

购买触发点

• 入仓高峰、新设施上线或新供应合同落地，会把人工分拣线上的瓶颈和质检波动一下子暴露出来。 [9][10][28]
• 规模一上来，出口与再利用合规就更难扛，因为运营方必须证明纺织品确实被分拣、判级，并按统一规格交付。 [11][32]
• 如果运营方想把更多货送进更高收益的数字化或精选渠道，就不能只靠整批货直觉，必须换更好的路由。 [1][2][3][21]

支付意愿

只要把产品卖成“保毛利 + 省人”的仓内升级，这笔预算就站得住：相邻玩家已经在卖 WMS、路由和 AI 工作流层，近期融资也说明投资人相信，运营方和品牌愿意为品牌二手转售基础设施付钱。 [18][19][20][21][22][23][33][34]

品类动态

增长信号 全球 CAGR 约 10%；英国年增速约 9%

验证信号

• Fleek 表示，这套模型已经和巴基斯坦、印度、迪拜的分拣员一起在跑，英国、欧洲和美国的试点也在推进。
• Oxfam Batley 每年处理 12,000 吨，Bank & Vogue 每年延长超过 120 million 磅服装的使用寿命，这说明量其实足够集中，企业软件能打进去。
• Archive 和 Trove 还在不断往 AI、WMS 和路由流程里走，说明品牌二手转售预算的重心正在从消费者 UX 转到运营层。
• PICVISA 和 Refiberd 已经证明，纺织分拣自动化这件事是可信的；只是商业化转售路由还没有被真正占住。

监管与技术约束

• 出口商必须先把纺织品分拣干净、去掉污染、按统一规格组织载荷，并保留质量评估和合同合规证据。
• 哪怕公司第一步先从英国起跑，EU 的纺织战略、生态设计规则和数字产品护照落地，都会持续抬高追溯要求。
• 材质成分和成色差异很大，所以转售路由很可能长期都需要“视觉 + 传感器 + 人工 QA”的混合工作流。
• 主观判级之所以贵，是因为一旦人判断不一致，后面就会一路传导成退货、过度处理，或低价打包。

竞争图谱可以拆成四类：AI 原生批发基础设施（Fleek）、品牌二手转售套件（Archive 和 Trove）、纺织材料分拣系统（PICVISA 和 Refiberd），以及仍靠人工跑现状的大型批发商或出口商。真正的空位，是一个中立的仓库 OS：它按单件衣服去优化商业去向选择，而不只是做品牌以旧换新、消费者前台，或纤维回收（[1], [2], [17], [18], [19], [20], [21], [24], [25], [26], [28], [29]）。

为什么现有厂商不会默认胜出

• AI 原生批发市场. Fleek 拿着最紧的交易闭环和全球供应商网络，但它的产品是和市场平台绑在一起的，未必会成为每个仓库都想用的中立主记录系统。
• 品牌二手转售套件. Archive 和 Trove 证明这类运营软件预算确实存在，但它们优化的是品牌自营退货和转售，而不是混装货源仓和跨境出口批次。
• 纺织回收自动化. PICVISA 和 Refiberd 在纤维识别或自动化回收分拣上很强，但它们并不解决可再穿服装的商业判级、价格带划分，或面向买家的批次护照。
• 人工批发商与出口商网络. 现有运营方早就懂等级、打包规格和出口市场，但抓到的页面仍在讲专家人工判断、买家验货和手工维护的质量预期，而不是闭环软件优化。

这家公司卖给英国二手服装仓库的是一套收益路由操作系统，而这些仓库今天对混装来货的判级仍主要靠人工。首个客户画像很具体：月处理量超过 200,000 件、分拣工位在 20 个以上的批发商或慈善分拣中心，那里分级不一致已经在制造买家争议和低价出货。MVP 是一套分拣线相机工作流：衣服入仓时先采集图像，预测品类、成色和去向，并生成一份主管和买家都能查看的数字批次护照。商业承诺也很具体：在不拖慢产线吞吐、也不要求客户替换整套仓储系统的前提下，把单件实际回收收益拉高、把分级波动压低。研究已经验证了痛点、采购触发点、相邻预算和监管顺风，但还有两个核心空白必须补上：英国到底有多少账户真正掌握自己的判级经济账，以及客户愿不愿意共享下游结果数据。滩头市场之所以刻意收窄，是因为品牌自营二手、全自动机器人和融资产品都很诱人，但都会拖慢 ROI 证明。一条分拣线的试点只要能跑出至少 5% 的净回收收益提升、吞吐不掉、争议率下降，公司就能从单线软件扩到整站合同，再往上做基准分析和买家信任基础设施。要是这组证据迟迟跑不出来，这门生意就该被当成工作流或合规工具，而不是一条能做成风投回报的路由平台。

问题

• 人工分拣员必须在几秒钟里判断品类、成色和大致买家价值，所以好货经常被低估，掉进更低收益的渠道。
• 仓库毛利和买家信任会随班次波动，因为判级标准、批次清单和质量证据都不一致。
• 出口和再利用运营方必须把分拣载荷和质量评估记录清楚，但 Excel、纸质规则和聊天软件照片既留不下可复用的审计链，也跑不出学习闭环。

解决方案

• 用轻量相机工位和操作员平板，在衣服进桶前先采集每件衣服，再推荐收益最高的下游渠道和价格带或等级带。
• 主管改判会把人留在环里，同时沉淀例外情况、分拣员差异和路由效果的结构化数据。
• 数字批次护照和运营看板，把入仓决策直接连到买家验收、争议和各渠道实际回收收益。

为什么我们会赢

• 这个滩头市场窄得足够好：一条分拣线、一个买家流程、一个经济指标——单件净回收收益——就能把 ROI 验出来。
• 把入仓图像、主管改判、路由选择和实际结果连成闭环的数据，比单独一套服装分类模型更难抄。
• 面向买家的批次护照，让内部运营工具变成一层信任基础设施；通用 WMS、人工批发商和回收分拣系统今天都还没给出这层东西。

里程碑

flowchart LR
  Wedge["One-line UK warehouse pilot"] --> MVP["Camera capture + routing + passport"]
  MVP --> Proof["5%+ recovery uplift, flat throughput, fewer disputes"]
  Proof --> Expansion["Full-site rollout, then multi-site benchmarks and integrations"]

创始团队

实验路线图

风险评估

必须成立的条件

• 至少有 10 个英国目标账户符合滩头市场画像，而且掌握自己的判级和路由决策权。
• 一条分拣线的试点，能在混装服装上把单件净回收收益拉高至少 5%。
• 辅助路由在完成上线磨合后，不会让产线吞吐下降超过 2%。
• 客户愿意在合同里共享足够多的下游成交、拒收和争议数据，形成学习闭环。
• 至少一半的付费试点，能在 6 个月内转成 $250k+ 的年度站点合同。

待尽调问题

• 英国到底有多少家运营方真的能做到月处理 200,000 件以上，并且自负判级 P&L？
• 首批共创客户今天能拿出的基线收益、争议率和吞吐数据到底有多少？
• 每个站点要校准到可用，需要多少人工服务；这样还能不能把毛利率守在 70% 以上？
• 在这一轮预算周期里，为什么中立的仓库 OS 能打赢 Fleek、Archive、Trove，或者通用 WMS 供应商？
• 要用下游结果继续训练模型，必须拿到哪些数据权利和买家同意条款？

模型合理性

• 收入引擎. 基础情景下的收入，来自 10 个仓库客户：它们先从约 $45K 的付费试点起步，再爬到约 $360K 的正式站点 ARR，最后逐步逼近 $400K 的 SOM 情景。
• 必须跑通的前提. 实施必须尽快标准化，才能在把毛利率守在 70% 以上的同时，仍以每 3-4 个月一个的节奏继续开后续试点。
• 模型会失效的情形. 只要后续试点整体晚一个季度，或早期有一个站点流失，现金水位就会在公司明确自我造血前掉向下行情景。
• 下一轮融资验证点. 能支撑下一轮 seed 融资的验证点是：到 Q4Y2 做到 5 个正式站点，部署周期压到 6 周以内，并且至少有 1 个账户已经开始向多线或多模块 ARR 扩张。

情景

敏感性

flowchart LR
  Accounts[Target accounts] --> Pilots[Paid lane pilots]
  Pilots --> Sites[Live site contracts]
  Sites --> Expansion[Line and module expansion]
  Expansion --> Revenue[Recurring revenue]
  Revenue --> GrossProfit[Gross profit]
  GrossProfit --> Cash[Cash runway]

警示项: 基础情景实际上假设到第 36 个月，计划中的 10 个试点都会转成正式站点；这个假设明显强于 BP 里“试点转站点 50%+”的底线。 · 英国滩头市场大约只有 40 个测算站点，前几家样板账户里只要错过一家，客户增长和定价信心都会一起放慢。 · 只有当实施成本快速压缩、服务成本保持在首年合同价值约四分之一以下时，毛利率才能越过 70%。 · 到 Q4Y2 为止，收入仍集中在少数几个客户上，所以哪怕只有一次流失或续约失手，跑道都会更接近下行情景。

• 异构库存拖累准确率. 不同仓库的灯光、货品结构和本地判级习惯差异太大，可能会让早期模型建议不够可靠。 缓解措施: 先从一个仓做起，让主管始终在环里，先用真实买家结果把模型训稳，再扩到新的仓库环境。
• 分拣线变革管理跑不通. 如果主管和分拣员不信这套路由建议，产品就会变成一块没人理的看板，而不是产线业务系统。 缓解措施: 先上一条线，逐工位证明收益提升和买家拒收下降，再把工作流设计成“让人工决策更快”，而不是第一天就取代人。
• 下游反馈太稀疏. 护城河建立在“知道哪条路最终卖得最好”这件事上，但很多批发商一开始未必能把买家结果追得足够干净。 缓解措施: 先挑那些本来就走复购渠道的客户，把结构化结果回传写进数字清单，并把首个试点定价绑在可量化的收益提升上，而不是绑在“全自动”故事上。