AI Agent 实战案例分享｜附配置文件

在过去一年里，AI Agent 从一个“听起来很酷”的概念，逐渐走向真实业务场景。相比传统 Chatbot，AI Agent 不只是回答问题，它更强调目标理解、任务拆解、工具调用、过程记忆、结果反馈，能够像一个“数字员工”一样完成相对复杂的工作流。

本文将结合一个真实可落地的案例，分享如何搭建一个面向企业内部的 AI Agent：智能销售线索分析助手。它可以自动读取客户线索信息，分析客户意向，补全客户画像，生成跟进建议，并把结果写入 CRM 或表格系统。文章最后附上可参考的配置文件，方便读者快速复用和改造。

一、为什么需要 AI Agent？

很多企业已经尝试过大模型问答，例如：

• 让 AI 帮忙写邮件；
• 让 AI 总结会议纪要；
• 让 AI 生成营销文案；
• 让 AI 解读客户反馈。

这些应用确实能提高效率，但它们通常仍然停留在“人问一句，AI 答一句”的阶段。问题在于，真实工作并不是单轮对话，而是由多个步骤组成的流程。

以销售线索处理为例，销售人员每天可能要面对几十甚至上百条线索，包括：

• 客户公司名称；
• 行业信息；
• 官网地址；
• 联系人职位；
• 需求描述；
• 来源渠道；
• 历史沟通记录。

销售人员需要判断：这个客户是否值得优先跟进？客户可能关心什么问题？应该用什么话术开场？下一步该发送资料、约会议，还是先做需求调研？

如果完全依靠人工处理，不仅耗时，而且不同销售人员的判断标准也不一致。AI Agent 的价值正体现在这里：它可以把这些零散任务串起来，形成一个相对稳定的自动化分析流程。

二、案例背景：智能销售线索分析助手

本案例中的 AI Agent 面向一家 B2B SaaS 企业，主要业务是为中大型企业提供数字化管理系统。公司每天会从官网表单、市场活动、广告投放、合作伙伴渠道获得大量潜在客户信息。

过去的处理方式是：

1. 市场部门收集线索；
2. 人工整理到表格；
3. 销售主管初步判断客户质量；
4. 分配给销售人员；
5. 销售人员自行查询客户背景；
6. 销售人员撰写跟进话术。

这个流程存在几个明显问题：

• 线索处理慢：客户提交表单后，可能几个小时甚至一天后才被销售联系；
• 判断标准不统一：有的销售重视公司规模，有的销售重视需求描述；
• 信息补全成本高：销售需要手动搜索客户官网、行业背景、竞品情况；
• 跟进建议质量不稳定：新人销售很难快速写出高质量跟进话术。

因此，我们设计了一个 AI Agent，目标是让它在收到新线索后自动完成以下任务：

1. 读取客户提交的信息；
2. 判断线索有效性；
3. 分析客户所属行业和可能需求；
4. 生成客户意向评分；
5. 给出销售跟进策略；
6. 生成首封联系邮件或电话沟通话术；
7. 将分析结果写回 CRM 或表格。

三、AI Agent 的整体架构

这个 Agent 并不复杂，但它包含了一个完整 Agent 应具备的核心能力。

整体架构如下：

新线索进入
   ↓
数据清洗与字段校验
   ↓
客户画像分析
   ↓
行业与需求推断
   ↓
意向评分
   ↓
跟进策略生成
   ↓
邮件/话术生成
   ↓
结果写入 CRM

从系统角度来看，可以拆分为以下几个模块：

需要注意的是，AI Agent 并不是简单地把所有信息丢给大模型。一个可靠的 Agent，必须将任务拆解为明确步骤，并对每一步的输入输出进行控制。

四、核心工作流设计

1. 线索数据输入

假设客户提交了如下线索：

{
  "lead_id": "L20250108001",
  "company": "上海某某智能制造有限公司",
  "name": "张先生",
  "title": "信息化负责人",
  "phone": "13800000000",
  "email": "zhang@example.com",
  "source": "官网咨询",
  "message": "我们公司目前有多个工厂，希望了解设备管理和生产数据可视化方案。",
  "created_at": "2025-01-08 10:23:11"
}

Agent 首先会检查字段是否完整，例如公司名称、联系方式、需求描述是否存在。如果缺少核心字段，则会标记为“待人工确认”。

2. 客户画像分析

Agent 会根据公司名称、职位、需求描述等信息推断客户画像。例如：

• 公司可能属于智能制造或工业制造行业；
• 联系人是信息化负责人，通常具备项目调研或技术评估权；
• 需求涉及多个工厂，说明客户可能具有一定规模；
• 关键词“设备管理”“生产数据可视化”与 SaaS 企业产品能力高度匹配。

这个阶段的输出应该是结构化的，而不是一段泛泛的文字。比如：

{
  "industry": "智能制造",
  "company_scale_estimate": "中大型企业",
  "contact_role": "信息化负责人",
  "decision_power": "中高",
  "main_needs": [
    "设备管理",
    "生产数据采集",
    "生产数据可视化",
    "多工厂统一管理"
  ]
}

结构化输出的好处是后续可以继续用于评分、分配销售、生成报表，而不仅仅是给人阅读。

3. 客户意向评分

线索评分是本案例中的关键环节。我们将评分分为五个维度：

示例评分结果：

{
  "score": 86,
  "level": "A",
  "reason": "客户需求与产品能力高度匹配，涉及多工厂设备管理和数据可视化，联系人为信息化负责人，具备较高沟通价值。"
}

这里要特别强调一点：评分规则最好不要完全交给大模型自由发挥，而应该通过配置文件固定评分维度和权重。大模型负责理解语义和补充判断，但整体评分框架应由业务定义。

4. 跟进策略生成

评分之后，Agent 会根据线索等级生成不同策略。

例如：

• A 级线索：建议 30 分钟内电话联系，并发送定制化方案资料；
• B 级线索：建议当天内邮件联系，确认具体需求；
• C 级线索：进入自动培育流程，发送行业白皮书；
• D 级线索：标记低优先级，暂不投入销售资源。

针对上面的客户，Agent 可能生成如下建议：

建议优先级：高

跟进动作：
1. 30 分钟内由制造行业销售顾问电话联系；
2. 首次沟通重点围绕“多工厂设备管理现状”“数据采集方式”“是否已有 MES/ERP 系统”展开；
3. 沟通后建议发送智能制造数据可视化解决方案 PDF；
4. 若客户有明确项目周期，可安排售前顾问参与二次会议。

5. 首封邮件生成

Agent 还可以自动生成一封初步联系邮件：

张先生您好，

感谢您在官网咨询我们的解决方案。了解到贵司目前关注多个工厂场景下的设备管理和生产数据可视化，我们在制造企业数字化管理方面有较多实践经验，尤其适用于多工厂、多设备、多数据源的统一监控与分析场景。

为了更准确地判断方案适配度，想向您了解几个问题：
1. 当前各工厂设备数据是否已经实现采集？
2. 是否已有 MES、ERP 或设备管理系统？
3. 目前最希望解决的是设备状态监控、故障预警，还是生产效率分析？
4. 项目是否已有明确上线时间或预算计划？

如果方便，我们可以安排一次 30 分钟的沟通，为您初步梳理可行方案。

祝好！
某某科技销售顾问

这类内容虽然看起来简单，但对于销售团队尤其是新人销售来说，价值非常明显。

五、Agent 配置文件示例

下面给出一个可参考的 YAML 配置文件。该配置适用于一个以销售线索分析为目标的 Agent。

agent:
  name: sales_lead_analysis_agent
  version: 1.0.0
  description: >
    用于自动分析 B2B 销售线索，生成客户画像、意向评分、
    跟进策略和销售沟通话术。

llm:
  provider: openai
  model: gpt-4.1
  temperature: 0.2
  max_tokens: 3000

input:
  source: crm_webhook
  required_fields:
    - lead_id
    - company
    - name
    - phone
    - email
    - message
  optional_fields:
    - title
    - source
    - created_at
    - campaign
    - region

memory:
  enabled: true
  type: vector_db
  provider: chroma
  collection_name: sales_lead_memory
  top_k: 5
  documents:
    - product_manual
    - industry_cases
    - sales_playbook
    - faq

tools:
  - name: crm_reader
    type: api
    description: 读取 CRM 中的线索详情和历史跟进记录
    endpoint: https://api.example.com/crm/leads/{lead_id}
    method: GET

  - name: crm_writer
    type: api
    description: 将分析结果写回 CRM 系统
    endpoint: https://api.example.com/crm/leads/{lead_id}/analysis
    method: POST

  - name: company_search
    type: search
    description: 查询客户公司公开信息
    max_results: 5

  - name: email_generator
    type: llm_tool
    description: 根据客户画像和跟进策略生成邮件内容

scoring:
  total_score: 100
  levels:
    A:
      min: 80
      description: 高价值线索，应立即跟进
    B:
      min: 60
      description: 中等价值线索，当天跟进
    C:
      min: 40
      description: 低优先级线索，进入培育流程
    D:
      min: 0
      description: 暂不建议销售投入
  dimensions:
    need_fit:
      weight: 0.35
      description: 客户需求与产品能力的匹配程度
    company_scale:
      weight: 0.20
      description: 客户规模和付费潜力
    contact_role:
      weight: 0.15
      description: 联系人是否接近决策链
    source_quality:
      weight: 0.10
      description: 线索来源质量
    urgency:
      weight: 0.20
      description: 需求紧迫程度和项目明确度

workflow:
  steps:
    - id: validate_input
      name: 字段校验
      action: validate_required_fields
      on_error: mark_as_pending

    - id: enrich_company
      name: 补全客户公司信息
      action: use_tool
      tool: company_search
      input:
        query: "{{company}}"

    - id: analyze_profile
      name: 分析客户画像
      action: llm_analyze
      prompt_template: customer_profile_prompt

    - id: score_lead
      name: 计算线索评分
      action: llm_score
      scoring_config: scoring

    - id: generate_strategy
      name: 生成跟进策略
      action: llm_generate
      prompt_template: followup_strategy_prompt

    - id: generate_email
      name: 生成首封联系邮件
      action: use_tool
      tool: email_generator

    - id: write_back
      name: 写回 CRM
      action: use_tool
      tool: crm_writer

output:
  format: json
  fields:
    - lead_id
    - customer_profile
    - score
    - level
    - scoring_reason
    - followup_strategy
    - email_draft
    - risk_notes
    - created_at

guardrails:
  pii_protection: true
  avoid_overclaiming: true
  require_structured_output: true
  manual_review_when:
    - missing_contact
    - score_below_40
    - sensitive_industry
    - uncertain_company_info

logging:
  enabled: true
  level: info
  save_prompt: false
  save_response: true
  trace_id_field: lead_id

六、Prompt 模板设计

配置文件中提到了两个重要模板：customer_profile_prompt 和 followup_strategy_prompt。下面给出示例。

1. 客户画像分析 Prompt

你是一名资深 B2B SaaS 销售运营专家，请根据以下销售线索信息分析客户画像。

请严格输出 JSON，不要输出额外解释。

输入信息：
- 公司名称：{{company}}
- 联系人：{{name}}
- 职位：{{title}}
- 来源：{{source}}
- 需求描述：{{message}}
- 公司公开信息：{{company_search_result}}
- 历史沟通记录：{{history}}

请分析以下字段：
1. industry：客户所属行业；
2. company_scale_estimate：客户规模估计；
3. contact_role：联系人角色；
4. decision_power：决策影响力，枚举值为 high、medium、low、unknown；
5. main_needs：客户主要需求，数组；
6. pain_points：潜在痛点，数组；
7. matched_products：可能匹配的产品模块，数组；
8. uncertainty：不确定信息，数组。

输出 JSON 格式如下：
{
  "industry": "",
  "company_scale_estimate": "",
  "contact_role": "",
  "decision_power": "",
  "main_needs": [],
  "pain_points": [],
  "matched_products": [],
  "uncertainty": []
}

2. 跟进策略 Prompt

你是一名经验丰富的销售主管，请根据客户画像和线索评分生成销售跟进策略。

请输出 JSON，不要输出额外解释。

客户画像：
{{customer_profile}}

线索评分：
{{score_result}}

销售规则：
- A 级线索：30 分钟内电话跟进；
- B 级线索：当天内邮件或电话跟进；
- C 级线索：进入内容培育流程；
- D 级线索：低优先级，建议人工复核后处理。

请输出：
{
  "priority": "",
  "recommended_actions": [],
  "first_call_questions": [],
  "materials_to_send": [],
  "next_step": "",
  "risk_notes": []
}

七、实现中的关键经验

1. 不要让 Agent 一次性做完所有事

很多人在搭建 Agent 时，会写一个很长的 Prompt，让模型同时完成画像分析、评分、策略生成、邮件撰写。这样做虽然简单，但稳定性较差。

更好的方式是把流程拆成多个小步骤：

1. 先校验字段；
2. 再补全信息；
3. 再分析画像；
4. 再评分；
5. 再生成策略；
6. 最后生成邮件。

这样每一步都可以调试，也方便定位问题。

2. 输出必须结构化

业务系统最怕“看起来很聪明，但无法被系统使用”的结果。如果 Agent 只输出一段自然语言，后续很难自动分配销售、生成报表或触发流程。

建议所有关键节点都输出 JSON，例如：

{
  "score": 86,
  "level": "A",
  "next_action": "call_within_30_minutes"
}

结构化输出可以让 Agent 真正进入业务系统，而不是停留在演示阶段。

3. 评分规则要可配置

销售线索评分会随着业务阶段变化而变化。例如：

• 初创阶段可能更重视客户预算；
• 扩张阶段可能更重视行业标杆；
• 成熟阶段可能更重视客户规模和续费潜力。

因此评分维度和权重不应写死在代码中，而应该放在配置文件里。这样业务团队可以参与调整，而不必每次都找研发改代码。

4. 加入人工审核机制

AI Agent 并不意味着完全无人参与。尤其在销售、金融、医疗、法律等场景中，必须设置人工审核机制。

例如：

• 联系方式缺失；
• 客户行业敏感；
• 模型判断不确定；
• 评分过低但客户公司知名；
• 生成内容涉及承诺价格或交付周期。

这些情况都应该进入人工复核，而不是让 Agent 自动处理到底。

5. 注意隐私和合规

销售线索中通常包含姓名、手机号、邮箱等个人信息。企业在使用 AI Agent 时，应注意以下几点：

• 不要把无关个人信息发送给模型；
• 日志中避免保存完整手机号和邮箱；
• 对敏感字段进行脱敏；
• 明确数据存储周期；
• 根据业务所在地遵守相关数据保护法规。

AI Agent 能提升效率，但不能以牺牲合规为代价。

八、效果评估

在试运行阶段，我们可以通过以下指标评估 Agent 效果：

在一个较理想的试点中，Agent 可能带来如下变化：

• 线索初步分析时间从 10 分钟缩短到 30 秒；
• 销售跟进优先级更清晰；
• 新人销售的话术质量明显提升；
• 市场部门能够更快看到渠道质量反馈；
• 销售主管可以根据评分分布优化资源分配。

当然，这并不意味着 Agent 可以替代销售人员。它更适合承担重复的信息整理和初步判断工作，把销售人员从低价值劳动中解放出来。

九、可扩展方向

这个案例还可以继续扩展。例如：

1. 自动分配销售

根据客户行业、地区、线索等级，把线索自动分配给最合适的销售人员。

assignment_rules:
  - condition:
      industry: "制造业"
      region: "华东"
      level: "A"
    assign_to: "manufacturing_east_team"

2. 自动触发邮件

对于 B 级和 C 级线索，可以自动发送邮件，但建议 A 级线索仍由人工电话优先跟进。

automation:
  email_send:
    enabled: true
    require_approval_for:
      - level_A
      - sensitive_industry

3. 与知识库联动

Agent 可以根据客户行业自动匹配案例资料、白皮书、产品手册。例如制造业客户发送设备管理案例，零售行业客户发送门店数字化案例。

4. 形成销售复盘

Agent 不仅能分析新线索，还能定期分析销售跟进记录，识别哪些话术效果好、哪些渠道线索质量高，从而帮助团队优化销售策略。

十、总结

AI Agent 的价值不在于“看起来像人”，而在于它能否稳定地完成真实业务流程。本文分享的智能销售线索分析助手，本质上是把销售线索处理流程标准化、自动化、结构化。

一个可落地的 AI Agent，通常需要具备以下特点：

1. 目标明确：解决具体业务问题，而不是泛泛聊天；
2. 流程清晰：把任务拆成多个可控步骤；
3. 工具可用：能连接 CRM、搜索、知识库、邮件等系统；
4. 输出结构化：方便进入业务系统继续流转；
5. 规则可配置：便于业务团队调整策略；
6. 人工可介入：关键节点支持复核和兜底；
7. 持续可评估：通过指标持续优化效果。

如果你正在尝试构建企业级 AI Agent，建议不要一开始就追求“大而全”。可以从一个高频、重复、规则相对明确的流程开始，例如销售线索分析、客服工单分流、合同初审、招聘简历筛选、项目周报生成等。

真正有价值的 AI Agent，不是一次演示中表现惊艳，而是在每天的业务运行中持续稳定地产生结果。