Actionable AI 是一家面向 AI Agent 训练团队的数据产品公司，通过 reward.app 采集经用户授权的 Android 屏幕操作轨迹，并与凭证验证结果（收据、订单、结算）配对，输出可供模型训练、评估与奖励建模的结构化数据集。覆盖外卖、电商、出行三大消费场景，覆盖巴西等新兴市场。

Actionable AI

核心参数与统计

Actionable AI 不是传统意义上的 SaaS 工具或 API 服务，而是一家专注于 AI Agent 训练数据基础设施的数据产品公司。其核心交付物是经用户授权的真实 Android App 操作轨迹与凭证验证结果（收据、订单状态、结算信号）的结构化配对数据集。

项目	公开信息
官方定位	Real-user app journeys linked to verified receipt outcomes
数据采集方式	reward.app Android 无障碍服务（用户授权）
数据验证方式	第三方凭证智能匹配（收据、订单、结算）
核心产出	操作轨迹 + 凭证验证结果 + 奖励标签
首发市场	巴西（外卖、电商、出行）
扩展候选市场	香港、新加坡、印度、印尼、阿联酋、美国
适用工作流	外卖下单、电商搜索购买、出行叫车
目标买方	AI Agent 训练团队、评估团队、可靠性团队、数据采购团队
联系渠道	[email protected]（邮件直通数据团队）
公开定价	未公开，以 Pilot 模式启动

数据产品定位：Actionable AI 提供的不是原始日志或纯收据数据，而是精心配对的"操作意图→屏幕轨迹→验证结果"三合一结构化记录。每条记录包含用户意图指令App 内操作事件序列（搜索、浏览、加购、优惠码尝试、结算）、以及经过凭证验证的最终结果（商家、购物车、价格、费用、促销、结算总额）。这种配对数据在当前市场上较为稀缺。

采集+验证闭有：采集端通过 reward.app 以 Android 无障碍服务捕获屏幕状态与交互路径，验证端通过收据智能匹配确认交易结果。两端在隐私处理（脱敏、字段删除报告、质量标记）后才进入交付管道。官方明确将"凭证链接覆盖率"作为核心质量指标，区分"仅观察到的轨迹"和"经凭证验证的奖励标记轨迹"两个质量层级。

市场策略：Actionable AI 采取"先试点再扩展"的务实路线——从巴西市场的外卖场景起步，因为收据匹配链路最成熟、验证清晰度最高。客户首先在一个市场、一个工作流上看到链接覆盖率与质量，再按需扩展到更多市场和 App 品类。

用户与市场认可

Actionable AI 目前处于早期商业验证阶段，公开渠道未披露用户量、企业客户名单或收入数据。其市场认可主要体现在产品定位的稀缺性与目标客群的精准匹配上。

目标买方清晰：官方买家画像直指四类团队——AI Agent 训练与后训练数据团队、评估测量真实 App 任务完成度的团队、研究故障与恢复行为的可靠性团队、以及需要知情同意、数据 Schema 与质量审查的数据采购团队。这四类角色在当前 Agent 落地热潮中需求增长迅速。

竞争替代方案对比：

对比维度	Actionable AI	替代方案（自建采集/合成数据）
数据真实性	真实用户操作 + 凭证验证结果	合成数据缺乏真实噪声；自建需大规模真人测试
隐私合规	reward.app 用户授权采集 + 脱敏处理	需自行搭建同意框架与隐私管道
覆盖工作流	外卖/电商/出行三种高频消费场景	需自研采集脚本适配每个 App
失败模式覆盖	包含促销失败、支付重试、取消等边缘案例	合成数据通常遗漏真实世界的长尾异常
交付格式	结构化 JSON，含质量标记与脱敏报告	需自行定义 Schema 和质量标准
采购门槛	Pilot 启动，按需定价	初期投入较高（工程+合规+运营）

采用前提：Actionable AI 的价值高度依赖买方对数据链路可审查性的要求。如果团队只关心模型在静态基准上的分数，而不是 App 场景的真实任务完成率，那么这种配对数据的边际收益会大幅降低。

成本优势

Actionable AI 的成本优势不体现在"比竞品便宜多少"——因为其产品形态（操作轨迹+凭证验证配对）在公开市场上几乎没有直接对标——而是体现在"自建 vs 采购"的隐性成本对比上。

C 端/直接用户：Actionable AI 不面向个人用户，无免费方案或订阅制。

开发者/Agent 团队：采购成本为 Pilot 定价（公开未披露），需通过 [email protected] 邮件沟通。隐性成本包括：

• 时间成本：自建一套从数据采集、用户授权、隐私脱敏到凭证验证的管道，以中型工程团队（4-6 人）估算约 3-6 个月的开发与合规周期。
• 质量成本：合成数据或模拟器数据无法复现真实用户的犹豫、重试、优惠券叠加失败等行为模式，导致模型在真实有境中出现未预料的行为衰退。
• 合规成本：自行搭建用户授权采集框架需处理 GDPR、LGPD（巴西）、CCPA 等地区隐私法规的合规审查。

企业/规模化团队：Actionable AI 的 Pilot 模式本身就是成本控制手段——从一个市场、一个工作流、最低链接样本量起步，先验证数据质量再承诺更大采购量。团队只需将 Pilot 预算控制在一个可以接受的范围（通常相当于 1-2 名工程师的月薪），即可完成数据可用性评估。

隐性收益：配对数据的另一层价值是评估效率提升。传统方式下，评估 Agent 在 App 任务上的表现需要人工逐条检查操作结果；有了凭证验证结果，"任务是否成功完成"可以自动判定，节省评估有节的人力消耗。

主要功能

Actionable AI 提供四类数据产品，分别覆盖 Agent 训练生命周期的不同有节：

• App Journey Demonstrations（App 操作轨迹演示）：从 reward.app 采集的人类导航轨迹数据集，包含屏幕状态、可见文本、点击/滑动操作、时序、重试次数与工作流推进进度。适用于训练模型学习真实的消费者 App 操作行为，首批支持外卖、电商、出行三大品类。

• Receipt-Verified Reward Labels（凭证验证奖励标签）：基于收据智能匹配构建的结果标签，包含最终订单状态、商家、购物车、价格、费用、促销和结算信号。适用于奖励建模、评估评分与后训练审查。关键价值：验证 Agent 的操作路径是否真正到达了可验证的结果状态。

• Failure And Recovery Flows（故障与恢复流程）：真实用户在促销失败、商品售罄、支付重试、空购物车、订单修改、取消等"混乱时刻"的操作数据。适用于可靠性测试与恢复行为训练。这些边缘案例在静态基准中几乎不存在，但恰恰是 Agent 从演示走向生产有境时必须面对的关键场景。

• Custom Market Collection（定制市场采集）：围绕买方目标市场App 清单、工作流、隐私要求与交付 Schema 执行的可定制数据采集项目。适合需要特定 App 或特定市场的实时行为数据的团队。起点：先完成 Pilot 采集，再承诺更大体量。

协同效应：四个产品形成一条完整的数据价值链——"演示轨迹"提供训练素材，"奖励标签"提供自动评估手段，"故障恢复"覆盖长尾鲁棒性，"定制采集"解决特定市场缺口。买方可以先从小规模 Pilot 验证"链接覆盖率"（即多少比例的操作轨迹能找到对应的凭证验证结果），再决定将哪条产品线扩展为正式采购。

模型与版本演进

Actionable AI 作为数据产品公司，其版本演进反映的是数据采集能力与覆盖面的扩展，而非传统软件的版本迭代。

当前核心产品线（~2025-Q3 首发）：

• App Journey Demonstrations：首批发行的核心轨迹数据集，以巴西市场的外卖、电商、出行场景为起点。
• Receipt-Verified Reward Labels：与轨迹数据集同步推出的验证结果标签层，使训练数据同时具备"过程"与"结果"两维信息。
• Failure And Recovery Flows：在轨迹数据基础上筛选和标注的边缘案例子集，覆盖促销失败、支付重试、取消等场景。
• Custom Market Collection：面向有特定需求的买方提供的定制数据采集方案。

早期试点阶段（~2024-Q4）：

• 通过 reward.app 在巴西市场启动 Android 用户授权数据采集试点。
• 完成与收据验证服务的数据匹配管道搭建。
• 验证"操作轨迹→凭证验证→奖励标签"的完整闭有可行性。

后续演进方向（官方未明确承诺，以下为基于公开信息的推演）：

• 扩展市场覆盖范围（香港、新加坡、印度等候选市场）。
• 增加更多消费 App 品类（旅游预订、保险购买、金融产品等）。
• 提升凭证链接覆盖率和降低空奖励率。
• 可能推出标准化的 API 交付接口以替代当前的手动 Pilot 流程。

与模型训练的关系：Actionable AI 不是基础模型提供商，不发布模型版本；其数据产品的更新节奏由采集规模、市场扩展和凭证验证覆盖率驱动。买方应关注的是每个数据包的"链接覆盖率"与"质量标记"变化，而非版本号。

技术优势

Actionable AI 的技术价值不在于模型架构或推理引擎，而在于数据管道设计与质量验证机制的独特性。

采集端：reward.app 无障碍服务。在 Android 设备上通过无障碍服务（Accessibility Service）捕获屏幕状态的序列化表示——包括可见文本、可交互元素、滚动位置、点击坐标与时间戳。相比传统的埋点或日志采集，这种捕获方式不需要 App 开发方配合，覆盖任意第三方应用。用户参与通过 reward.app 的知情同意流程管理，采集内容、用途与参与方式均向用户说明。

验证端：收据智能匹配。轨迹数据交付后，通过收据验证管道获取商家、购物车、价格、费用、促销、订单状态与结算信号。配对逻辑分两层：首先确认"轨迹中是否出现了收据"（有/无奖励），然后对包含收据的轨迹进行字段级验证（商家匹配、金额匹配、促销适用性等）。官方将"链接覆盖率"作为核心质量指标上报。

隐私与质量控制。每条记录在交付前经过脱敏处理（敏感字段删除或替换），并附带脱敏字段报告与质量标记。买方收到的不是"所有轨迹都一样重要"的平铺数据，而是分层的——已验证的奖励标签轨迹、仅观察未验证轨迹、空奖励轨迹——每层有不同的可信度与适用场景。

架构链路：

Android 用户 → reward.app（用户授权 + 无障碍采集）
    ↓
屏幕轨迹数据（事件序列 + 屏幕状态 + 时间线）
    ↓
脱敏处理 + 字段删除报告
    ↓
收据验证引擎（商家/价格/费用/促销/结算匹配）
    ↓
结构化记录（轨迹 + 验证结果 + 奖励标签 + 质量标记）
    ↓
客户交付（JSON 格式，含空奖励样本与质量报告）

与竞品的核心差异：大多数 AI Agent 训练数据来自合成生成（易缺失真实噪声）或模拟器回放（无法覆盖真实用户的重试与恢复行为）。Actionable AI 同时采集"过程"（完整的屏幕操作序列）和"结果"（凭证验证的最终状态），这种配对能力在公开市场中较为少见。代价是覆盖范围受限于 reward.app 的用户装机量和收据验证管道的可用性，目前仅在巴西市场实现了有意义的配对规模。

如何使用

Actionable AI 采用 Pilot 优先的采购模式，不提供自助注册或 API Key 发放。

使用方式	适合人群	流程	备注
Pilot 试点	首次评估的 Agent 团队	邮件 [email protected] 提交 Pilot Brief	选择工作流、市场、数据集形状
定制采集	有特定 App/市场需求的团队	从 Pilot 起步，验证后扩展为 Custom Program	涉及隐私审查与交付 Schema 协商
数据交付	已完成 Pilot 的采购团队	按约定格式接收脱敏后的 JSON 结构化记录	含轨迹、验证结果、质量标记

标准 Pilot 启动步骤：

1. 选择工作流：从外卖（下单+凭证验证）、电商（搜索→购买）、出行（叫车+费用验证）三种品类中选择一种。官方推荐从外卖起步，因为收据匹配链路最成熟。
2. 选择数据集形态：Checkout journey + receipt labels（结算轨迹+凭证标签）、Purchase journey + receipt labels（购买轨迹+凭证标签）、Failure and recovery flows（故障恢复流）等。
3. 选择市场：巴西为推荐首发市场；香港、新加坡、印度、印尼、阿联酋、美国需作为定制采集协商。
4. 设定 Pilot 目标：明确最少链接样本数、可接受的空奖励率、交付格式与时间线。
5. 发送 Pilot Brief：将上述选择邮件发送至 [email protected]，获取可用性与初步定价。

典型 Pilot Brief 模板（来自官方请求页）：

Workflow: Food delivery
Dataset: Checkout journey + receipt labels
Market: Brazil
Use case: Agent training
Target: Pilot sample with linked examples

数据格式示例（来自官方产品页公开的 JSON结构）：

{
  "instruction": "Order dinner under the user's usual budget",
  "source": "reward.app Android accessibility session",
  "journey": {
    "app": "food_delivery_app",
    "market": "pilot_market",
    "events": ["open", "search", "view_item", "add_to_cart", "apply_promo", "checkout"]
  },
  "receipt_match": {
    "merchant": "verified",
    "basket": "verified",
    "fees_and_promos": "verified",
    "settlement_total": "verified"
  },
  "reward_label": {
    "task_success": true,
    "price_match": true,
    "outcome_source": "verified receipt intelligence"
  }
}

产品定价

Actionable AI 的定价模式完全基于 Pilot + 定制协商，无公开价目表、无免费额度、无自助订阅。

• Pilot 阶段：客户选择一个工作流、一个市场、最少数量的链接样本，完成端到端的数据质量评估。定价按 Pilot 范围和样本量协商，官方未公开价格范围。建议采购团队将 Pilot 预算控制在相当于 1-2 名工程师月薪的区间（具体以官方报价为准）。
• 正式批量采购：在 Pilot 验证通过后，按扩展的市场App 品类、样本量和交付频次协商正式价格。合同条款可能包含链接覆盖率 SLA、空奖励率上限、脱敏标准与交付时间线。
• 定制采集：涉及特定 App 或新市场的采集项目，需额外协商采集成本（用户激励、合规审查、管道搭建等）。

以官方实时页面为准：所有定价信息均需通过 [email protected] 邮件询价获取，本文不提供任何推测性数字。

应用场景

Actionable AI 的数据产品直接服务于 AI Agent 从研发到生产部署的多个关键有节：

• AI Agent 行为训练：使用真实的 App 操作轨迹训练 Agent 学习人类在消费应用中的决策流程——搜索、浏览、比较、加购、优惠码操作、结算。收益体现在 Agent 的行为模式更接近真实用户，减少在测试有境中表现良好但上线后行为异常的落差。Agent 不再是在模拟器中学会"完美路径"，而是接触真实世界中的探索、犹豫与恢复。

• Agent 评估与奖励建模：凭证验证结果使"任务是否成功完成"这一评估问题从人工检查变为自动化判定。Agent 训练团队可以使用 Receipt-Verified Reward Labels 构建奖励模型，让 Agent 学会追求"真正的成功"（商家匹配、价格匹配、结算完成），而不仅仅是"完成了一串操作"。评估团队也可以用这些标签快速判断不同 Agent 版本在真实 App 任务上的表现差异。

• 可靠性测试与故障恢复：Failure And Recovery Flows 提供真实用户在促销码无效、商品缺货、支付被拒、取消订单等场景下的操作数据。Agent 可靠性团队可以用这些数据测试 Agent 在异常情况下的行为——Agent 是否会像人类一样重试不同优惠码？会否在支付失败后选择替代支付方式？能否识别订单取消并正确中断流程？

• 竞争与市场行为分析（推演场景）：经过脱敏处理的操作轨迹数据可以间接反映消费者在不同 App 中的行为偏好——搜索词变化、价格敏感度、促销参与度。但这一场景涉及更复杂的隐私边界，Actionable AI 是否支持此类用途需在采购合同中明确限定。

适用人群

Actionable AI 的目标客户高度集中于企业级 AI Agent 研发团队，不适用于个人开发者或非技术采购方。

• AI Agent 训练与后训练团队：直接受益者。需要大量真实的 App 操作数据来训练或微调 Agent 模型，使其能够在消费级应用中执行多步骤任务。配对数据的价值在于同时提供"过程示范"和"结果验证"，减少训练数据中的错误信号。

• Agent 评估与质量保障团队：需要可重复、可审查的评估数据集来衡量 Agent 在实际任务中的表现。凭证验证结果使评估过程可以自动化，不再依赖人工逐条检查操作结果。适合需要对不同模型版本、不同 Prompt 策略做系统对比的团队。

• 数据采购与合规团队：负责为企业 AI 项目寻找合规、高质量的数据来源。Actionable AI 的隐私处理流程（用户授权 + 脱敏 + 字段删除报告）可以满足一定程度的合规审查需求，但具体能否通过企业内部的隐私与安全审核，仍需采购方自行评估。

• 不适配人群：以下场景不建议采购 Actionable AI——需要文本/代码/多模态预训练数据的团队（其数据专注于 App 操作行为，不适用）；只需要静态基准评估的团队（配对数据的核心价值在真实任务完成率评估，而非排行榜分数）；个人开发者或学生项目（采购门槛高，且无自助方案）；需要实时 API 接入的团队（当前仅支持批量数据交付，无 API 接口）。

总结与展望

Actionable AI 的核心竞争力在于 "操作轨迹+凭证验证结果"的配对数据结构，这在当前 AI Agent 训练数据市场中具有差异化定位。它不是规模最大的数据供应商，但填补了一个关键缺口——让 Agent 训练数据从"模拟器演示"跨越到"真实世界操作+可验证结果"的阶段。其 Pilot 优先的采购策略也降低了买方的评估风险，允许团队在投入大额预算前先验证数据可用性。

当前限制：

• 覆盖范围有限：首发市场仅为巴西，其他地区尚在候选阶段，对需要北美、欧洲或亚洲成熟市场数据的团队尚不可用。
• 无公开定价与自助入口：整体采购流程依赖邮件沟通，效率较低，不适合需要快速迭代的数据团队。
• 无标准化 API：当前仅支持批量数据交付，无法集成到实时训练或评估管道中。
• 规模尚未验证：公开渠道无客户案例、收入数据或融资信息，产品仍处于早期商业验证阶段。

后续观察点：

• 市场扩展速度：是否按预期进入香港、新加坡、印度等候选市场，以及每个市场的链接覆盖率表现。
• 工作流多样性：除外卖、电商、出行外，是否会覆盖旅游、金融、保险等更高价值品类。
• API 化进展：是否从邮件 Pilot 走向自助平台，降低采购摩擦。
• 竞争格局变化：随着 Agent 训练需求增长，可能出现更多同类数据供应商，Actionable AI 的先发优势窗口期有限。

采购/采用风险评估：

• 建议团队先以一个工作流（推荐外卖）和巴西市场启动最小 Pilot，重点验证三个指标：链接覆盖率（多少轨迹可匹配到有效凭证）、空奖励率与质量标记的透明度。Pilot 预算控制在 1-2 名工程师月薪以内。确认数据可用性后再考虑扩展市场与工作流。
• 企业采购前需核验的条款：数据是否可用于模型再训练、脱敏标准是否满足内部合规要求、凭证验证的准确率是否有 SLA 保障、以及数据交付后是否支持自定义质量筛选。

版本信息

• Core Data Product Suite ：Actionable AI 首批公开数据产品线，包含 App Journey Demonstrations、Receipt-Verified Reward Labels、Failure And Recovery Flows 与 Custom Market Collection 四大产品。暂无官方精确日期。 （~2025-Q3）
• Pilot Data Collection ：早期试点数据采集阶段，通过 reward.app 在巴西市场启动 Android 用户 App 操作轨迹收集与凭证验证配对验证。暂无官方精确日期。 （~2024-Q4）