我构建了一个潜在客户资格认定代理：它能问5个问题，将高意向客户发送到Slack，其余忽略。以下是最先出问题的环节。

我最近构建了一个简单的AI潜在客户资格认定工作流，有趣的是，AI部分并非最先出问题的环节。设置非常简单：1. 新潜在客户进入 2. AI代理提问5个资格问题 3. 根据基本ICP对回复评分 4. 高匹配度客户推送到Slack进行快速跟进 5. 低匹配度或模糊回复记录在CRM中并搁置。理论上看似完美，实践中问题迅速显现。最先出问题的环节： **1. 人们回答模糊** 很多潜在客户并不给出清晰答案。你询问预算、时间线、使用场景、团队规模或紧迫性，却得到诸如“只是探索一下”或“需要很快帮助”之类的回复。这听起来没问题，直到你的代理需要一致地评分。我们不得不收紧提示词、定义结构化输出，并停止假设每个客户都会像填写数据库一样回答问题。 **2. 糟糕的路由逻辑制造虚假紧迫感** 起初，太多客户被标记为高意向。为什么？因为评分逻辑太过宽松。一个尚可的答案加上快速回复并不等于销售就绪。我们最终将公司画像匹配和使用场景的权重调高，高于热情度。 **3. Slack很好，直到变成噪音** 将客户路由到Slack感觉很有用，直到该频道变成无人信任的“合格”客户坟墓。如果AI代理过度触发，你的团队就会停止查看。因此我们添加了置信度阈值，并缩短了交接内容。仅保留关键信息：公司、可能的使用场景、匹配度评分和推荐下一步。 **4. CRM自动化很快变得混乱** 如果你让工作流将非结构化备注倾倒进CRM，反而会增加管理工作量，而非减少。这是我最大的教训。结构化字段的效果远好于摘要。行业、公司规模、客户来源、痛点、匹配度评分、置信度。路由和报告起来要容易得多。 **5. 忽略低匹配度客户比听起来更难** 这个问题更像是一个运营问题而非模型问题。并非每个弱意向客户都应永远被忽略。有些只是时机尚早。所以现在“忽略”实际上意味着三种情况之一： * 不匹配 * 信息不足 * 尚未就绪 每种情况应触发不同的Workflow Automation路径。 核心要点：AI代理在此有用，但真正的工作在于其周围的规则、路由和清理。模型可以提问。困难在于构建一个团队真正信任的系统。 好奇这里其他人如何在AI自动化或Voice AI工作流中处理这些问题。你们主要依据公司画像、意图信号还是实际回复进行评分？如果你们将合格客户路由到Slack，又如何避免它变成噪音？