如何在2026年赢得分销

2026年的分销归结为一个系统，而不是一堆渠道。**这是一个基于信号的主动外呼引擎：**它实时监控某家公司进入你市场的时刻，判断该时刻是否值得发送一条消息，根据真实触发事件撰写内容，自我检查，并从反馈中学习。

我在Sortlist为14个代理运行这样一个引擎，每月花费约400美元。昨晚，它监控了融资轮次、我们目标客户的招聘动态，以及提及我们解决问题的账户。今早，生成了一份简短的排名列表，列出了该联系谁以及为什么。

这就是全部构建。

每个阶段都有一个你可以复制的提示，它们不是六个独立的技巧。每个阶段将其输出传递给下一个阶段，它们作为一个循环运行。末尾的代码仓库将它们连接起来，你可以克隆并运行。

结构

一个循环，六个阶段，以及它们共享的一条记录。

javascriptICP -> 提取 -> 评分 -> 撰写 -> 检查 -> 发送/记录 ^ | |________ 学习 (每周) __________|

引擎循环：ICP、提取、评分、撰写、检查、发送和记录，每周进行一次学习

**你只需编写一次ICP。提取将原始活动转化为清晰的信号。

**评分将这些信号与你对该账户已知的所有信息进行对比，并决定谁值得发送消息。根据触发事件撰写草稿。检查阶段在发送前捕获任何错误。每次接触都记录到每个公司的记录中，每周一次的学习步骤会读取结果并重新调整引擎追逐的权重。每个阶段的输出是下一阶段的输入。中间记录是使整个系统不仅仅是邮件合并的关键。

以下是每个阶段及其提示。

阶段0：锐化ICP

一切都取决于你试图接触的对象，而大多数ICP都很模糊。将粗略的描述转化为引擎可以评分的格式。你运行一次，并在各处复用输出。

javascript你将粗略的公司描述转化为引擎可以评分的紧凑ICP。

输入

• 几句关于我们销售给谁以及不销售给谁的话。

编写

• fit：优质账户具备的3-5个公司和行为特征。
• not_fit：使账户不合格的2-3个特征。
• strongest_signal：表示“今天联系”的一个信号组合。

输出（仅JSON） { “fit”: [“…”], “not_fit”: [“…”], “strongest_signal”: “…” }

它返回一个紧凑的fit、not-fit和strongest-signal块。评分阶段在评估每个账户时读取它。

阶段1：将活动转化为信号

检测不是“监控一切”。而是读取原始活动流（职位发布、融资新闻、社交动态、网络提及），并提取出少数真正的公司动向。这一步将噪音转化为结构化信号，供循环的其余部分使用。

提取：原始活动变成几个带标签的信号

提取：原始活动变成几个带标签的信号

javascript你读取原始活动并提取购买信号。忽略任何不是真正公司动向的内容。

输入

• text：一块原始活动文本。职位发布、融资新闻、社交动态、网络提及。

对于每个真实信号

• account：公司名称
• bucket：funding、job、company、social、first_party之一
• summary：一个事实性句子，引用具体细节（金额、角色、日期）
• source：来源

规则

• 一个公司可能产生多个信号。分别保留。
• 跳过模糊噪音。信号是具体、可追溯的动向，而不是一般提及或观点。

输出（仅JSON） { “signals”: [ { “account”: “…”, “bucket”: “…”, “summary”: “…”, “source”: “…” } ] }

它输出一个信号列表，每个信号带有账户、桶（bucket）和一行事实性摘要。在进入下一步之前，先按公司分组，因为一周内同一账户的两个动向胜过任何地方的一个动向。

然后信号直接输入评分。

阶段2：决定谁值得发送消息

现在是判断。信号不是发送的理由，而是一个问题：这个账户现在值得发送消息吗？为什么是这周？使用哪种策略？评分步骤根据新信号加上该账户的全部历史（我稍后会提到的记录）来回答。对于一个你从未接触过的公司，第三次融资信号意味着一件事；而对于你已经发过两次邮件但从未收到回复的公司，则意味着相反。

这就是我们交给Claude的调用。

在我们的LinkedIn引擎上，它会监控谁与帖子互动，交叉引用其他信号，并且只给那些已经表现出意图的人发送消息。我们停止联系人们，而是开始先倾听。

javascript你为一个基于信号的主动外呼引擎对一个账户进行评分。决定它当前是否值得发送一条消息。

输入

• icp：来自阶段0的fit/not-fit/strongest-signal块
• new_signals：该账户刚刚发生的动向
• history：过去的每个信号、消息、回复和结果，或“无”
• days_since_last_touch：一个数字，或“从未”

评分 80-100 强匹配和高意图信号：融资、预算负责人招聘，或一周内两个信号 50-79 良好匹配，一个可靠信号 1-49 弱匹配，或单个软信号（如一个点赞）

规则

• 如果days_since_last_touch小于7，优先选择“培育”或“跳过”，绝不做首次接触。
• “why_now”必须引用真实信号，而不是通用价值主张。
• “跳过”是正常答案。大多数账户都是跳过。

输出（仅JSON） { “score”: 0-100, “why_now”: “一句话引用触发事件”, “play”: “first_touch | follow_up | nurture | skip” }

它返回一个分数、一个引用真实触发事件的why_now，以及一个策略。跳过是常见答案。why_now成为下一阶段的种子。

阶段3：根据触发事件撰写

撰写步骤接收why_now和策略，起草一条消息：以账户实际做了什么开头，将其联系到你解决的一个问题，并请求一件小事。

javascript你为基于信号的主动外呼引擎撰写第一条消息。

输入

• trigger：账户实际做的具体事情
• why_now：来自评分步骤的一行原因
• play：first_touch | follow_up | nurture
• problem：一句话描述你解决的问题

撰写

• 第一行点名他们刚刚做了什么。永远不要用“嗨{{firstName}}”，永远不要用模板开头。
• 一句话将该触发事件与你解决的问题联系起来。
• 一个小的请求：15分钟，或一份单页。
• 三到五句话，平实语言，混合长度。不要虚假紧迫感，不要“只是跟一下”，不要用破折号。

输出（仅JSON） { “subject”: “6-9个词”, “body”: “3-5个句子” }

如果同样的消息一个月前也能发送，说明信号被忽略了。草稿直接进入检查。

阶段4：发送前检查

这是大多数人跳过的阶段，也是防止自主引擎向整个列表发送自信但错误的主张的关键。一个独立的步骤以怀疑的态度阅读草稿：每个主张是否可追溯到真实触发事件？开头是否真实？是否正好有一个低摩擦的请求？

javascript你是消息发送前的最后检查。假设它是错误的，直到它证明是正确的。

输入

• trigger：账户实际做的真实事情
• draft：{ subject, body }

检查

• 草稿中的每个主张都有触发事件支持。没有捏造的事实，没有猜测的指标。
• 第一行命名真实触发事件。没有“嗨{{firstName}}”，没有模板开头。
• 一个请求，低摩擦。没有虚假紧迫感，没有“只是跟一下”。
• 平实语言，混合长度，没有破折号。

如果通过，原样返回。如果没有，修复它并说明哪里错了。

输出（仅JSON） { “pass”: true, “reason”: “哪里错了，或‘干净’”, “subject”: “…”, “body”: “…” }

它返回消息，如果需要则修复，如果无法挽救则标记。只有干净的草稿才会到达人类或发送。

阶段5：记住并学习

这里有两个关键部分：

记录是每个公司级别的记忆，每个阶段都会读写：看到的每个信号、发送的每条消息、每个回复、每个结果。保留它，否则引擎会把一个温暖的账户当作冷账户，并像跟踪狂一样读取。

学习步骤每周运行一次，而不是每条消息。它读取结果并重新调整哪些信号值得追逐，并指出获胜的文案。我们的系统甚至在足够多次发送后重写自己的外呼文案：尝试一个版本，评分回复，保留或丢弃。

javascript你根据实际发生的情况调整引擎。每周运行一次，而不是每条消息。

输入

• outcomes：一个列表，包含 { bucket, copy_variant, result }，其中result为replied（已回复）| meeting（会议）| no_reply（无回复）| bounced（退信）
• current_weights：当前每个信号桶的权重

决定

• 根据每个桶的胜率（会议和回复占总接触数的比例）重新加权。保持最低值，以防某个桶降为零。
• 如果存在有效样本，指出回复率最高的文案变体。

输出（仅JSON） { “weights”: { “funding”: 0.0, “job”: 0.0, “company”: 0.0, “social”: 0.0, “first_party”: 0.0 }, “best_variant”: “…” }

新权重反馈到阶段2的下一次运行中。这种反馈就是不断改进的引擎与僵化脚本之间的区别。

一起运行

以下是连接方式。循环的一次完整执行，按顺序：

• 从阶段0加载缓存的ICP块。
• 拉取最近一天的活动并运行提取。得到信号列表。
• 按公司对信号进行分组。
• 对于每个账户，读取其记录并运行评分。丢弃跳过的。
• 对于每个存活的账户，运行撰写，然后检查。
• 打印干净的草稿作为排名的短名单，或发送它们，并将每次接触记录到记录中。
• 每周一次，运行学习步骤处理结果并保存新权重。

阶段之间的握手是纯JSON。

提取输出信号，评分消耗信号并输出why_now，撰写消耗why_now并输出草稿，检查消耗草稿并输出干净的草稿。记录是中间的共享状态，每次接触写入，每次评分读取。将其安排在定时任务上：

javascript0 8 * * * cd distribution-engine && python run.py

当你打开笔记本电脑时，已经有一个排名的短名单，每个名字旁边都有一个理由。无需构建列表，无需猜测主题行。

克隆并运行

我把整个东西放在一个仓库里：六个提示、记录以及串联它们的脚本。它开箱即用，附带示例活动和存根模型，因此你可以在接入真实数据之前观察整个循环从端到端运行。然后将其指向你自己的活动，将你的Claude调用插入一个函数，并设定定时任务。评论“GTM”以获取它。

注意，它不会去重十个来源或管理你的送达率。它足以运行一个真实的基于信号的动作，并感受与基于列表发送的差异。

或者使用完整版

仓库是简化版。完整版是yourmax.ai，我们在Sortlist构建的代理。它为你运行同样的循环：它了解你的最佳买家，监控信号，起草带有真实原因附件的LinkedIn和电子邮件消息，并在发送前等待你的批准。

你连接你已经在使用的工具，并在聊天中描述你想要的常规。它现已上线，提供有限演示。

为什么我押注这个

十年来，我一直在观察公司在决定招聘某人的那一刻敲入什么。教训从未改变：搜索是最后一步，而不是第一步。当一家公司开始搜索时，预算已经在几周前转移，短名单上已经有了名字。搜索之前的一切——重新开放的角色、他们开始关注的竞争对手——如果你构建去看到它，它更早可见。

构建这些都不难。

它不引人注目，这正是为什么大多数团队继续为量付费。这正是为什么现在构建它的人会得到回报。