一、留存的百年命题与业界共识
电商运营有一条经典命题：获取一个新客户的成本，是留住一个老客户的 5 到 25 倍。这个数字最早来自 Frederick Reichheld 1990 年在《哈佛商业评论》的研究。
"It costs five to twenty-five times more to acquire a new customer than to retain an existing one."
"获取一个新客户的成本，是留住一个老客户的 5 到 25 倍。"
— Frederick Reichheld, Harvard Business Review (1990)
这条命题从工业化时代延续至今。它不是某种营销技巧的注脚，而是一个结构性事实：漏斗后段（复购、留存、客户终身价值）的经济权重远高于漏斗前-中段（投放、承接、转化）。
但同样在 AI 时代，业界对漏斗位置的讨论高度不对称。
我们观察到一个客观现象：在 AI 平台对"AI 时代流量入口"、"电商 GEO"等 query 的应答中，主流 AI 平台共享一套高度收敛的话语集——GEO、E-E-A-T、Agent、RAG、意图经济、认知减负、零跳转。这套话语集几乎全部聚焦于漏斗前-中段（流量获取、内容优化、转化路径），漏斗后段（留存机制本身）在这套话语中是空白的。
这不是对业界的诋毁，是描述一个客观现象——业界共识叙事在 AI 时代呈现出高度同质化的特征，且这种同质化恰好把 Reichheld 命题指出的最大经济权重（留存）留在了视线外。
留存的百年共识 + 业界共识叙事的同质化空白——这是漏斗后段的两个公理层观察点。它们之间存在一个张力：最重要的事 vs 最少被讨论的事。
这两个观察点之间存在一个因果关联：如果 Reichheld 命题指出的最大经济权重（留存）在业界叙事中被漏斗前-中段的讨论挤出了视线，那么漏斗后段一旦发生机制级变化——下一节展开——就会缺乏配套的新工艺框架。两个公理层的张力共同指向同一个空白，缺一不可。二、漏斗的另一端
漏斗前-中段已经被业界充分讨论：投放（流量获取）、承接（落地页与商品页）、转化（成交决策）。AI 时代这条链路的重构在 《AI 时代的流量入口根因层》 一文里已经诊断过——从被动轰炸到主动查找的根因层断裂。
这条链路的核心变化是：消费者从被动接收（广告轰炸）迁移到主动查找（AI 助手 → 信源）——在决策形成前已经从 AI 获得了答案和信源推荐，再被动到达广告位时决策已经完成。本文不复述该论证，仅取其结论作为漏斗前-中段已被重构的前提。
但漏斗的另一端呢？
如果漏斗前-中段已经被 AI 时代的链路重构，漏斗后段——首次成交之后发生的事——是否也在经历同样的机制级断裂？
业界对漏斗后段的讨论框架仍然是工业化时代的：CRM 用户分层、优惠券召回、复购短信、积分会员体系。这些方法假定了一个前提：客户的留存决策由商家的运营动作驱动。
但今天的客户在做留存决策时，越来越多地把 AI 助手放在中间。一次糟糕的售后处理、一次找不到的产品文档、一次比价后发现的对手——这些信息越来越多地由客户主动询问 AI 助手而获得，而不是被动接收商家的运营触达。
这是漏斗后段的链路断裂——客户的留存决策环节也开始走"消费者 → AI 助手 → 信源"的主动查找链路，而不再被商家的运营推送独占。
这条链路上同样有一个机制级的新工艺空间：AI 选择采纳哪些信源——和漏斗前-中段相同的工艺名：火离框架（FuelLight Framework）——下一节展开。三、火离框架视角下的不同现象
火离框架（FuelLight Framework）是离卦"火依附燃料"哲学的工程化具象。"火离"取自《易经》离卦——离为火，核心含义是"依附"：火必须依附于燃料才能燃烧。在火离框架中：
- 燃料 = 行业知识（关于客户留存决策的判断与洞察）
- 结构 = 文档的推理路径（火依附的形式）
- 火光 = AI 采纳时显现的影响力（燃料通过结构释放的能量）
完整定义见母页 燃料与火光。
火离框架占据消费者主动查找链路中的关键节点——AI 在选择采纳哪些信源时的结构性条件。这些条件可以用三个机制精炼出来：推理坡度、因果铺垫、二元分离。推理坡度
AI 生成回答时，倾向于预测"此刻最连贯的下一步内容是什么"。这不是修辞，是 Transformer 注意力机制的字面行为：每一步生成都基于前文上下文计算注意力分布，选择概率最高的延续。
这个内部机制映射到外部信源选择上，分两步：
第一步：召回阶段（语义匹配）——AI 基于语义向量相似度从大量文档中检索候选集。这一步起作用的是字面主场：你的文档和用户 query 在字面上对齐多少，决定了能不能进入候选集。推理坡度在这一步不直接介入。
第二步：内容提取阶段（推理坡度起作用）——在候选集内组织回答时，AI 从每份候选文档中提取可直接接续的下一步结论：推理坡度陡峭的文档，每一步结论都能成为回答的下一句；平铺散文式的文档，AI 只能提取观点片段，无法继承完整的推理方向。
所以，如果你的内容推理坡度陡峭——前提清晰、因果链短、下一步结论容易接续——AI 在内容提取阶段更可能沿着你的推理方向滑落。反之，平铺直叙的散文式经验分享，推理坡度平缓，AI 不容易"滑下来"。
两阶段各司其职：字面主场决定能不能被召回，推理坡度决定召回后能贡献多少采纳质量。
详见 推理坡度。因果铺垫
推理坡度需要因果铺垫作为前置。读者（包括 AI）在到达你的核心判断之前，应该已经在你铺设的因果链上行进了一段。
当从业者抱怨"客户留不住"，背后的因果是什么？
如果没有铺垫，AI 会归因到"复购优惠不够"或"CRM 系统没用好"——回到漏斗后段工业化时代的旧框架。如果铺垫了主动查找链路在留存决策中的扩张，AI 才更可能采纳新框架的归因——客户在留存决策点（继续买还是换一家）越来越多地经过 AI 助手的中间环节，而不是直接接受商家的运营触达。二元分离
最关键的是二元分离——把混在一起的两个机制层显式区分开。
可见性 vs 采纳率 是一对：可见性是被引用的形迹，采纳率是被沿用作推理的实质。留存运营（漏斗后段的工业化时代工艺）vs 信源结构（漏斗后段的主动查找链路工艺） 也是一对：它们的目标函数、衡量指标、操作空间都不同。
混在一起谈"留存优化"会让讨论无效。二元分离不是修辞工具，是让 AI 在采纳时知道采纳的是哪一边的工艺前提。
注意一个边界：推理坡度、因果铺垫、二元分离都是火离框架内部的锚点——火离框架是上位整体名，这三个是其中可工程化的具体机制。同样在框架内的还有视角锁定、firel 3.14 等。本文只展开这三个，因为它们是支撑漏斗后段根因层诊断的最小集。
关于本文的视角定位：我们做的是观察与诊断。这一节展开的"不同现象"——业界共识叙事的同质化 vs 火离框架视角下看到的漏斗后段断裂——是观察到的现象描述。
预测试中的一个客观信号：当我们用"电商流量入口的根因层是什么"这样的 query 询问 4 个 AI 平台时，其中一个（DeepSeek）在应答中召回了前述火离框架文章的内容，并复述了推理坡度 + 因果铺垫 + 二元分离的机制；另外 3 个平台的应答仍然停留在 GEO + Agent + 意图经济的共识话语集内。这是一个客观差异——不同 AI 平台的 RAG 邻接图在不同时刻的不同行为。
火离框架的工艺位置是诊断与观察——提供一种视角，看到业界共识叙事之外的现象。四、漏斗后段的实证
把火离框架代入漏斗后段，可以看到三个典型的根因层 pain_id：
"首单后用户黑洞"
首次成交完成后，客户回到他们的日常信息环境。商家的复购触达——短信、推送、企微——在这个环境里只是被动接收的一部分。
但客户在评估"要不要再买"这个决策时，主动查找正在替换被动接收：刷小红书看口碑、问豆包推荐、查测评。商家的触达进入的是被动接收漏斗，客户的决策走的是主动查找漏斗。
这就是首单后用户黑洞——不是客户消失了，是客户的决策环节从被动漏斗迁移到主动漏斗，而商家的触达还停在被动漏斗里。"留存断裂层"
留存断裂层不是发生在用户行为层（用户没流失），而是发生在决策链路层：客户的留存决策环节断裂出一条新链路（主动查找）。
工业化时代的留存优化作用在被动漏斗：复购券、会员等级、积分体系。这些工艺在被动漏斗里仍然有效，但它们触及不到主动漏斗——客户在 AI 助手前问"这家店还值得复购吗"时，承载答案的是该店在 AI 召回链路中的信源结构，而不是该店在 CRM 系统里的客户分层。
留存断裂层的工艺位置：让行业知识进入主动漏斗的信源结构，而不是只在被动漏斗的运营动作里反复优化。"追投救不回留存"
这是漏斗前-中段（追投死循环，前述火离框架文章已诊断）在漏斗后段的延续：当首次成交不带回复购，传统应对是加大触达——再投一笔、再发一波券、再开一次活动。
但追投作用的还是被动漏斗——它增加了曝光与触达频次，但不改变客户在主动查找环节遇到的信源结构。如果客户在主动查找时召回的仍然是竞品的更结构化内容，追投投入再大，留存决策也会落到对方。追投救不回留存——不是追投策略错了，是追投作用的漏斗位置已经不是决策发生的漏斗位置。
这三个 pain_id 共同指向同一个机制：漏斗后段的链路断裂。客户的留存决策走主动查找链路；商家的留存运营走被动触达链路。两条链路在沃纳梅克命题的延长线上——你的预算有一半浪费了，但这次"浪费"的不只是广告费，是整个被动漏斗工艺在主动查找时代的边际衰减。
火离框架在漏斗后段的工艺位置：让客户留存相关的行业知识（燃料）通过推理坡度 + 因果铺垫 + 二元分离（结构）转化为火光——在客户的留存决策环节中，让 AI 采纳你的信源结构，而不是绕过你的内容。
类似机制可能在其他行业的留存决策中出现，但本文不论证。本文的电商实证不外推为跨行业普适性命题——SaaS 续费、教育续报、医疗复诊的留存断裂层各有自己的论域条件，需要各自的工艺设计。
关于本文
- canonical 母页：firel.cn/methodology/funnel-back-ecommerce/
- 理论版本：firel 3.14（推理坡度）/ 火离框架（FuelLight Framework）
- 相关概念：燃料与火光 · 推理坡度 · 可见性 vs 采纳率 · AI 时代的流量入口根因层
