我是在一个做服装的家庭长大的。父母创立了 MEACHEAL —— 一个经营了 20 多年的中国女装品牌。从小看着他们做打版、谈供应商、铺渠道，我一度觉得 software 跟这个行业没什么关系。

直到去年，我花了一个月时间，系统地用 ChatGPT 和 Claude 跑采购调研。我问的都是一个小 DTC 创始人会问的那类问题："在广东找一家做中端棉质针织的工厂，MOQ 500 以下"。我把回复全都记了下来。

结果高度一致：推荐出来的工厂，有的根本不存在，有的已经倒闭好几年，有的是把自己包装成制造商的中间商，有的只是听起来合理、但查不到任何官方登记的名字。

就是那一刻我意识到一件事后想起来很明显的事：AI Agent 面前横着一个数据问题，而中国制造业是问题最严重的地方 —— 这个承担了全球 40% 服装产能的行业，在几乎所有主流 AI 模型里都是"隐身"的。

过去一年我一直在做 MRC Data —— 一个 MCP server，把这些一直散落在上市披露、认证机构、政府登记里、AI Agent 根本找不到的中国服装供应链数据，整合成 Agent 能查、能推理的结构。

每个基于行业知识做决策的 AI Agent 都需要一个干净的数据源。招聘行业有 LinkedIn，创投有 Crunchbase，金融有彭博终端。

中国服装 —— 大概是这个星球上最复杂的制造生态之一 —— 的数据其实一直都在：全球上市品牌的强制披露、国际认证机构（OEKO-TEX、WRAP、ZDHC、SA8000）的公开数据库、中国服装上市公司的年报、海关和工信部的登记、GSXT 的信用档案。问题不是数据不存在，是从来没人把它整合成一个 AI Agent 能检索、能信任、能推理的结构。

所以我整合了。以下是这个过程教给我的 5 件之前没想明白的事。

1. AI Agent 正在成为"行业数据"的新消费者

过去 20 年，行业数据是为人类分析师设计的。买手打开一个数据库，读供应商档案，对照认证机构，飞过去验厂，谈判。每一层决策都有人类判断作为闸门。

Agent 不是这样工作的。

当 AI Agent 帮你规划一个 DTC 品牌上线时，它不只在搜索 —— 它在做推荐。"建议你选虎门 A 工厂，产能和资质都符合，预计 45 天交付。" 这一句话背后压着五六层推理，每一层都在引用前一层。

Agent 从"检索"转向"推荐"的那一刻，传统行业数据的两件事塌了：

  • 营销文案有毒。 人类分析师会本能地折扣掉推广话术。Agent 不会。"配备 BSCI 认证的领先工厂"对它来说没有差别，无论是事实还是抄别家网页的话。
  • 数据要结构化，不能是散文。 Agent 需要 deterministic ID、结构化字段、显式的验证状态。人类看着自然的一份 PDF 宣传册，到 Agent 眼里就是噪音。

你如果正在做会给出真实世界推荐的 Agent，你选的数据源不只是"知识库"，它是 Agent 所有下游决策的底盘。

2. 自填数据被 AI 消费后会变成毒药

在我知道的每一个 B2B 平台上，供给侧的数据几乎全是自填的。工厂自己填产能、自己填认证、自己填合作品牌名单。发布前通常没有任何第三方核验。

对人类买家来说，这种信息是"可疑但可用"。你去现场、打样、问三个尖锐问题，就能把真正的工厂和中间商分开。自填数据是起点，不是结论。

但对 Agent 来说，自填数据是结构性危险的。

想一个简单声明："BSCI 认证"。人类买家看到这四个字，条件反射就是 —— 要证书编号、查有效期、上 BSCI 官网对。Agent 看到 "BSCI 认证"，它只是 context 里的一句真值陈述。它会被用、被引、影响下一个 tool call。

推理是复合的。一个未经验证的声明会在一段对话里一路滚雪球。Agent 推荐一家工厂，然后算交期，然后起草合规备忘录 —— 每一步都在假设第一步是真的。

解决方式不是禁止自填数据，而是把"验证状态"做成数据模型的一部分。Agent 收到的每一个事实，都要带可追溯的来源和置信度。如果某个声明没有独立验证过，Agent 应该知道这件事，并把这个不确定性纳入它的推理。

3. MCP 是让这件事变得可解的协议

如果你还不熟悉 MCP：它是 Anthropic 在 2024 年底推出的 Model Context Protocol，把 "AI Agent 调工具、拿结构化数据" 这件事标准化了。Server 以 MCP 协议提供带类型的 tool（JSON schema 的函数），Agent 发现并调用，返回结构化事实，而不是散文。

为什么这对行业数据重要？

RAG 对非结构化知识（长文、文档、博客、整本书）仍然是对的工具，而且还在活跃演化。但对需要被 Agent 直接推理的结构化数据 —— 比如一家工厂的产能、认证状态、披露一致性 —— RAG 不是最优原语。你没法对一个 vector embedding 里的 verified_dims 字段做布尔推理，也没法让 Agent 直接问"这家工厂的披露和 SEC 年报一致吗"然后拿到一个可 act on 的确定答案。

这就是 MCP 想解决的另一个问题面。它和 RAG 不是替代关系，是并列原语：RAG 负责从文本海里捞上下文，MCP 结构化 tool 负责返回 Agent 能直接推理的事实。Agent 不是说"给我提到虎门工厂的文本"，而是直接调：

search_suppliers({
  cluster: "Humen",
  category: "sportswear",
  worker_count_min: 500,
  verified_only: true
})

……然后拿到一个结构化的工厂列表，每条带着自己的验证元数据。

这就是转变。行业数据提供方第一次有了统一接口，可以接到任何说 MCP 的 Agent 里 —— Claude Desktop、Cursor、Windsurf、Cline，名单还在变长。Agent 拿到的是结构化事实，不是猜测。

4. 服装是最难入手的行业之一 —— 所以我才选它

中国服装制造业有 3,500 万以上的从业者。供应商声明横跨 8 套认证体系（BSCI、OEKO-TEX、WRAP、SA8000、GOTS、GRS、Bluesign、ZDHC），每一套有自己的验证入口。营销文案几乎一样的工厂，实际质量能差一个量级。出口合规现在同时受三套重叠的法规约束（美国 UFLPA、欧盟 CSDDD 和 Forced Labor Regulation），各国理解还不统一。

这是一个困难的切入市场。而我选择它，有一部分就是因为它难。

我是在 MEACHEAL 里长大的。我知道这个行业里真正靠谱的工厂有多少 —— 手工艺扎实、合规干净、做过最挑剔的品牌 —— 但他们当中的大多数，从不上 Google、不投 B2B 广告、也几乎不在英文世界里发声。他们的价值只活在少数老客户的通讯录里。这就是今天 AI Agent 找不到他们的根本原因。不是好工厂不存在，是这个行业对外没有一份 AI 读得懂的名册。

如果一个数据源能做到让 AI Agent 信任中国服装这个行业，那同一套模板能复制到任何其他制造类目。从你有话语权的、最难的真实问题开始，解决它，然后再泛化。

5. 护城河不是"数量"。是"验证"。

做行业数据产品的本能是去冲数量。更多工厂、更多记录、在 landing page 上堆一个更大的数字。

数量不是护城河。 动辄上百万条记录的 directory 早就有了。它们也恰恰是我最初想修复的那种 AI 幻觉的主要来源。

真正的护城河是验证。

MRC Data 的每一条记录，在被标记为 verified 之前，要跑过一套多层验证 pipeline：

  • 跨品牌披露核对。 这家工厂是不是同时出现在多家上市品牌依据 SEC / EU CSRD / HKEX 法规披露的供应商名单里？单一品牌的声明权重低于跨品牌交叉。
  • 声称产能 vs 实际披露。 自填产能和上市品牌年报里披露的这家工厂产能是否一致？差异超过 20% 触发 discrepancy 标记。
  • 面料规格 vs 实验室实测。 供应商声称 180 克/平米纯棉针织，AATCC/ISO/GB 的实测数据符合吗？
  • ……还有另外四层，留给下一篇讲。

每条记录返回响应时带一个 verified_dims: "X/Y" 字段。Agent 明确地知道有几个维度被独立验证过，可以据此推理，不会把没检查过的猜测当成 ground truth。

这是我一直在琢磨的 AI 可消费行业数据的伦理设计原则：不撒谎，不藏不确定性，把你的验证工作写进数据模型里。护城河不是那些记录本身，而是每一条都对自己的声明诚实。

怎么上手

如果你在做 AI Agent 且在乎行业数据 —— 不只是服装，任何垂直都一样 —— 有三件事值得试：

1. Live demo（无需注册）：api.meacheal.ai/demo —— 对真实数据跑几个查询。

2. 接入你用的 AI 客户端（通过 MCP）。 MRC Data 已上架 Smithery、Glama、PulseMCP 等主流 registry —— Claude Desktop / Cursor / Windsurf / Cline / Zed / VS Code 等支持 MCP 的客户端都能一键安装。如果想手动配，config 结构在所有客户端基本通用，以 Claude Desktop 为例：

{
  "mcpServers": {
    "mrc-data": {
      "command": "npx",
      "args": ["-y", "mrc-data@latest"]
    }
  }
}

重启客户端，然后问它中国服装工厂的事。能跑。

3. npm 包快速试： npx mrc-data 本地启 server，开发循环够用。

收尾

你不需要在乎服装这个行业。但如果你在做 AI Agent，值得问自己一个问题：你所在的领域，AI 的行业数据是从哪里来的？ 如果答案是"从 B2B 平台爬来的"或者"公开文档 + embedding"—— 那这是个值得解决的问题，无论你在哪个行业。

明年出货的那批 Agent，卡点不会是模型。卡点会是它们能信任的数据。

我在做 MRC Data —— 把一直散落在上市披露、认证机构、政府登记里的中国服装供应链数据，整合成 AI Agent 能用的 MCP server。如果你在做相邻的东西（垂直 MCP server、Agent 基础设施、供应链 AI），欢迎聊。