我刚构建了自己的多智能体GTM研究助手！

（它会在撰写任何消息之前先找到联络的理由）

冷启动联络通常失败在时机，而非措辞。当你发现目标公司刚完成融资或聘请了新的数据负责人时，窗口期已关闭，而你的消息看起来就像收件箱里其他的冷邮件一样。

因此研究必须在撰写之前进行，并且需要同时覆盖整个目标名单。

今天，我们构建一个系统：你只需输入目标公司名称，三个智能体将处理其余工作。

其运作方式如下：

↳ 智能体1搜索近期新闻，为每家公司提取触发事件

↳ 智能体2查找这些公司的员工，并丰富其职业背景信息

↳ 智能体3整合两者，为每位联系人撰写可直接发送的消息

↳ 结果按触发事件的强度排序返回

↳ 整个流程在Streamlit界面内运行

执行顺序比智能体数量更重要。写作智能体最后运行，接收触发事件和联系人背景作为输入，因此它永远不会从空白的公司名称开始。如果新闻智能体未找到某公司的近期消息，就没有可撰写的内容，该公司会在排名中下降，而不是生成一条泛泛的消息。

技术栈：

↳ Seltz作为数据层，在同一目标名单上运行新闻范围和人员范围检索

↳ 使用CrewAI按序编排三个智能体

↳ 使用Streamlit托管交互界面

我选择这个技术栈的原因如下：

Seltz维护自己的网络索引，而非封装搜索引擎，因此新闻范围和人员范围可返回基于公司名称关联的结构化结果。这种关联正是整个系统的核心。没有联系人的触发事件无法行动，而没有触发事件的联系人则让你无话可说。

立即开始：https://seltz.ai

CrewAI确保交接过程明确。每个智能体接收前一个智能体的输出作为上下文，而非从头开始自己的搜索，因此消息撰写智能体已清楚公司发生的事件以及撰写对象。

Streamlit将目标名单、流程运行和最终排序输出集中在一处，这使得当消息生成错误时，可以轻松检查中间智能体的输出。

在工作室中查找所有代码及运行此应用所需的一切：https://lightning.ai/dailydoseofdatascience/templates/build-a-multi-agent-gtm-workflow…

我还撰写了一篇综合文章，涵盖此整体概念以及如何为你的特定用例更详细地复制此流程。

文章内容引用如下。

Seltz - 为AI智能体提供网络知识

来源：https://seltz.ai/ Seltz用于模型需要访问精确、事实性且最新的网络信息，而这些信息在训练过程中无法可靠记忆的应用场景。大型语言模型通常难以处理精确数据、小众事实及持续变化的信息，转而依赖过去接触中学习的模式。典型应用场景包括需要引用当前统计数据、规格参数、价格、法规、技术文档或时效性网络信息的系统。这包括基于实时数据推理的AI助手和智能体、依赖准确外部事实的分析工具，以及正确性和时效性比通用语言理解更重要的知识系统。