销售线索散在微信和表格里，怎么用 AI 收拢成一条跟进流水线 私有化部署：模型与数据都在企业自有环境内运行 南昌做 To B 生意的公司，十家有八家的线索是这么放的：微信聊天记录里躺着客户问价，销售自己的 Excel 记着跟进时间，公司群里偶尔冒出一句“这个客户谁跟一下”。老板想知道本月来了多少条线索、转化了几条，得挨个问人。这不是管理不认真，是线索从来没有被归集过——它散在人手里，不在系统里。 用 AI 收拢线索，本质是搭一条流水线：归集 → 清洗 → 分级 → 跟进提醒 → 记录回写。下面逐步说清每一步怎么做、做到什么程度算过关。 先把边界说清楚：它治的是漏跟进，不是不会成交 很多老板对“销售线索自动化”的期待是“系统自动帮我成交”。这个期待从一开始就是错的。AI 在这条链路上能干的活是：不让线索掉在地上，不让记录缺胳膊少腿，不让该跟的人忘记跟。至于客户为什么买、为什么不买，还是要靠人。 所以我们做项目时，验收标准从来不写“提升转化率多少”，只写三条：线索丢失率、首次响应时长、跟进记录完整率。这三条做到了，转化率自己会动。 第一步 归集：把所有入口收进同一个池子 先别急着上工具，拿张纸把线索的所有入口列一遍：官网表单、电话来电、企业微信、个人微信、抖音或小红书私信、展会名片、老客户转介绍、销售自己跑回来的。南昌这边不少公司只接了官网表单就以为完事了，而微信里的量往往是表单的三五倍。 判断标准很硬：每条新增线索都有独立编号进池，任何一条线索 30 秒内能在系统里搜到，来源字段不允许为空。做不到“来源不为空”，后面所有渠道分析都是假的。 微信这条口子最难。可行做法是让销售统一用企业微信，个人微信的沟通内容通过转发、截图或语音转写补录；如果业务确实离不开个人号，就用一部工作手机做消息同步。这一步不体面，但没有捷径。 第二步 清洗：去重、补全、判真 池子里进来的东西是很脏的：同一个客户被三个销售各录了一遍，手机号写错一位，公司名写成简称，还有竞品来询价、求职者投简历。 去重：手机号、微信号、公司名三路匹配，公司名要用模糊匹配，“江西某某科技”和“某某科技（江西）”得认成一家。重复率压到 2% 以下算合格。 补全：从公司名补工商信息、地区、行业规模，从聊天内容补需求描述。关键字段完整率做到 90%…

企业AI客服搭建：先拉问题清单，别急着买系统 私有化部署：模型与数据都在企业自有环境内运行 先拉问题清单：三个月的客服记录比任何需求文档都准 一套 AI 客服系统买下来只要几天，调到能用一般要一两个月。差距不在模型，在你手上有没有一张真实的问题清单。 做法很土。把近三个月的咨询记录导出来——企微、微信客服、抖店、淘宝、400 电话录音转写都算——按用户的原始问法去重，再统计每个问法的出现次数。日均 200 条咨询的话，三个月约 1.8 万条，去重后通常只剩 300 到 600 个不同问法，而排在前面的 50 个往往吃掉一半以上的咨询量。这张表就是后面所有工作的验收标准。 排序之后一定要分桶，分桶比排序更重要： 类型 判断标准 处理方式 A 标准问答 答案固定，一两句话讲得完：营业时间、地址、发货时效、退换货政策 进知识库，AI 自动作答 B 查数据 要调订单、物流、库存、余额才能答 AI 识别意图并调接口，取不到就转人工 C 人判断 议价、投诉定责、特殊定制、情绪激烈 不进 AI 主流程，直接转 我们见过不少企业跳过这一步直接上系统，跑一周发现 AI…

企业AI落地先做哪一步？别急着选工具，按这四步来 私有化部署：模型与数据都在企业自有环境内运行 过去一年，我们接触的南昌本地制造、贸易、服务业客户里，问得最多的一句话是「我们想做 AI，该买什么」。这个问题本身就问反了。工具是结果，不是起点。同一套 AI 智能体，放在报价单核对上是提效，放在客户投诉回复上可能是灾难。真正要先回答的是：我们哪一段业务，值得先拿 AI 试一遍。 先选工具、先买模型，为什么经常翻车 原因很具体，基本都不是技术问题。 工具反过来限制了场景。按坐席买的写作类工具，用了两个月才发现真正想解决的是 ERP 里的单据核对，钱花了用不上，还多一个要维护的账号。 模型能力不等于业务能力。模型能写出通顺的话，但它不知道你们退货规则里「拆封」和「未拆封」怎么判定，输出看着像样，人工还得整段改。 没有基线，验收就只能靠感觉。上线前没人统计过「处理一张单子平均几分钟」，一个月后只能说「好像快了点」，这话在老板那里是过不了关的。 所以顺序上，工具选型应该排在场景确定之后，而不是相反。买什么，是第四步的事。 一、业务诊断：找出「人最累的那一段」 诊断不要从 IT 部门开始，从一线岗位开始。找 3 到 5 个岗位的人，让他们列出「一周内重复做过 5 次以上的动作」，每个动作记三件事：一次大概花多久、做完有没有人复核、出错会传到哪里。产出的是一张动作清单，不是需求文档。 有个环节常被忽略：数据现在放在哪、以什么形式存在。合同在扫描件里、聊天记录在个人微信里、规格参数在老师傅脑子里，这类场景的启动成本会比想象中高一大截。这也是不少企业最后从企业知识库入手的原因——先把散落的文档收拢成可检索的东西，后面的问答、检索、智能体才有地基。 二、选场景：用四个维度筛，别用「听起来高级」筛 我们从项目里总结的筛法只有四个维度：出现频率、规则明确度、判断复杂度、出错代价。四项都过关的才进候选名单，任何一项不过关就先放着。 判断维度 适合先做 建议先放一放 出现频率 每天或每周多次，一次几十秒也值得自动化 每月一两次，省下来的时间还不够维护成本 规则明确度 有书面规则，或者老师傅能一口气说清判断条件 靠经验、靠感觉，两个人给出两个答案 判断复杂度 单步判断，熟手…

企业 AI 智能体部署清单：五个阶段、责任人与验收指标 私有化部署：模型与数据都在企业自有环境内运行 做过几个智能体项目就会发现，拖慢进度的通常不是模型选型，而是「上线那天才发现没准备」：知识文档还在某个人电脑里，接口对接人出差了，验收标准是老板一句「感觉还行」。下面这份清单，是我们在南昌本地和外地远程项目里反复用的一版，按五个阶段展开，每项都写清谁负责、交出什么，最后给可量化的验收口径。你可以直接拿去当项目检查表。 阶段一 需求确认：把「不做」也写下来 「做一个能回答客户问题的机器人」这句话拆不出任何工作量。我们一般要求把场景收敛到一个可数的任务集合：智能体处理哪几类问题、每类每天大概多少量、答不上来时它该做什么动作。第三点最常被跳过，但它是后面人工介入率能不能降下来的关键。 谁负责：业务负责人主笔，IT 与实施方只负责质疑，不代笔。业务不签字的《场景边界说明》，后面所有扯皮都是从这里长出来的。 交付物：一页纸，三块内容——任务清单（含明确「本期不做」的部分）、知识来源范围、人工兜底路径；外加至少 20 条真实用户提问样本。 踩过的坑：样本从聊天记录里随手一抽，全是「在吗」「好的」，没有参考价值。要按问题类型分层抽，长尾难例保留五分之一以上，这批样本才是后面调优的底料。 阶段二 数据与权限：知识库不等于把文件丢进去 很多项目在这里返工。文件收上来了，但谁都能改、版本对不上、扫描件是图片没法检索。我们的做法是先定「唯一可信源」，其他位置的同主题文档一律标注为过期，避免模型检索到两个互相矛盾的答案。具体做法在企业知识库的落地路径里有更细的说明。 文档清单与责任人（知识库管理员）：每份文档要有归属部门和到期复核时间，没有责任人的文档不进库。 切片与召回策略（实施方）：交付物是切片规则说明和一份召回测试集，20 条问题里至少 15 条能召回正确段落再往下走。 账号与审计（IT）：智能体能访问哪些系统、用谁的权限访问、日志留多久，写成一张权限矩阵表。这里宁可先收紧，后面再放开。 如果涉及内网部署和数据不出域，权限这块的工作量会比想象中大，可以对照私有化部署的环境要求提前排期。 阶段三 系统对接：接口清单先落地再谈联调 智能体要真正干活，就得连 OA、CRM、工单、订单这些系统。我们要求在开发前先出一张接口清单表，字段包括：系统名、接口地址、认证方式、谁提供测试环境、限流规则、失败重试策略。缺哪一列，联调当天就会卡在哪一列。 谁负责：IT 出接口与账号，实施方出调用逻辑，双方共同确认字段映射。 交付物：接口清单表 + 字段映射表 + 一份「写操作白名单」。涉及下单、改状态、发通知这类有副作用的动作，我们默认只开通一到两个，且必须带幂等键，重复调用不产生第二条记录。 常见坑：测试环境和生产环境字段不一致，或者生产接口有限流，白天一压就超时。上线前用接近真实峰值的量压一轮，别等业务反馈「它老是转圈」。 阶段四 上线验收：四个指标，不看「感觉好用」 验收谈不拢，八成是因为标准是主观的。我们固定看四个数，且都在真实流量下取，不用演示环境的漂亮数据。参考区间只作为讨论起点，实际以业务场景和方案确认为准。 指标…