如何搭建基于 GLM-5.2 的 AI GTM 大脑：一套你自行运行的信号驱动型外呼系统

我运营 @Sortlist 十年，始终观察到一个相同的模式：一家公司只有在内部发生变动的那一周才会寻求帮助——比如招人获得了预算、刚完成新一轮融资、或者被竞争对手抢走了一笔交易。在那周触达他们，回复率在 15% 到 25% 之间。在其他任何一周触达，你只是噪音。

下面将逐步展示如何搭建能捕捉这些关键周的系统，并提供中间涉及的代码。在文章末尾，我会给你完整的代码仓库。

先把顺序搞对

大多数外呼系统以发送者为中心构建。

你购买发送工具，加载名单，开始发送，时机被当作事后考虑。这恰恰是回复枯竭的原因。

反过来构建。

找到本周发生了变动的公司，然后根据那个变动来撰写消息。把顺序搞对，你就不再需要更大的名单或租赁的意图数据。下面的每一步都是围绕这一个想法，并让它自行运转。

第一步：把 GLM-5.2 放在大脑背后

先从推理层开始，因为其他所有部分都依赖它。大脑通过 Anthropic Messages API 与其模型通信，而 GLM-5.2 原生支持该 API，因此无需修改任何代码即可接入。你只需要设置三个环境变量就完成了。

成本方面：GLM-5.2 每百万输入 token 约 1.40 美元，每百万输出 token 约 4.40 美元，按该系统的规模一个月只需几美元。我们在 Sortlist 的整个集群——14 个 agent 全天候进行高强度研究——每月大约花费 400 美元。如果你想零成本，改一行代码（GTM_BRAIN_MODEL=glm-4.7-flash），它就会通过同一个 endpoint 运行在免费模型上；或者将 base URL 指向本地 Ollama，数据不会离开你的机器。

预期效果： 一行测试调用返回来自 GLM-5.2 的结果（而非 Anthropic），计费单位为美分。

容易出错的地方： 把 key 填入 ANTHROPIC_API_KEY 而不是 ANTHROPIC_AUTH_TOKEN。Z.ai 使用 bearer token 进行身份验证，错误的变量会静默回退到离线启发式逻辑，导致你生成的草稿生硬干涩，然后你归咎于模型。这是最常见的设置错误。

第二步：克隆大脑并空跑

在接入任何真实数据源之前，先用样本数据跑完整个循环，这样你就能看到它是如何工作的。它会生成草稿并打印出来，但不会发送任何内容。

预期效果： 关卡打印 PASS，然后大脑对少量账户进行排序，为热门账户撰写开场白，并为每条发送标记为 DRAFT（空跑，未入队列）。

容易出错的地方： 第一天就直接使用 –live 标志。一个能自行入队的系统，如果生成了一条自信但错误的开场白，就会在人工审查之前把整个名单都发出去。在阅读过真实草稿并通过第六步的关卡之前，所有内容都应保持空跑状态。

第三步：捕捉动态，而非租赁名单

整个动作始于某个变动，这些变动被分到五个权重不同的桶中：

代码仓库内置了一个无需身份验证的真实适配器，可读取公开职位看板，因此“免费信号”是一个可运行的示例，而非一个空洞的声明：

这其中的四个桶，你可以通过公共网络免费获取信息，它们本身就能很好地支撑系统运作。

第五个桶——需求侧——则完全是另一回事： 一家公司正在搜索恰好你提供的服务，却尚未告知任何销售代表。这很难在公开网络上捕捉到，这正是 Sortlist 花十年观察的东西；因此你可以通过 Sortlist 将其接入，以获取更多触达范围。代码仓库没有它也能正常运行，只是有了它会跑得更远。

在免费桶中，大多数人忽略的细节是重复发布的职位：同一个职位被列出两次通常意味着第一次招聘失败，那家公司的痛点比只发布一次的公司更深。

预期效果： 一个简短的排序列表，其中既有新一轮融资也有活跃搜索的账户排在前面，每一行都附带一个清晰可复述的“为何现在”。

容易出错的地方： 感知一切但未做排序。必须在入口处进行聚类和排序，否则排序问题会落到发送环节，导致噪音日益增大。

第四步：让 GLM-5.2 决定谁值得发送消息

只有在信号存在之后，大脑才会做决策，而这个决策过程才是真正的护城河。GLM-5.2 读取触发事件、账户的完整历史记录以及一份关于你想招揽哪种客户的简洁描述，然后返回一个分数、一段引用实际触发事件的“为何现在”、以及一个行动方案。

推理逻辑存放在一个纯文本文件中，你可以编辑它而无需改动代码：

拒绝（说不）是大部分工作。

一个能跳过四分之三账户的系统，比一个向所有四个账户都发送邮件的系统更有价值，因为拒绝本身就是在定位目标。

预期效果： 热门账户返回一段可以直接粘贴到邮件中的“为何现在”。一般般的账户返回 skip，并附有理由。

容易出错的地方： 在不了解账户历史的情况下对信号评分。剥离了记忆，GLM-5.2 就无法区分你曾经两次接触过的客户和陌生人，因此它可能再次推荐同样的开场白，让你看起来像跟踪狂。

第五步：根据触发事件撰写开场白

现在，也只有现在，才开始撰写任何内容。规则只有一句话：第一行引用触发事件，用买家自己的话。永远不要用 “Hi {{firstName}}”。口吻存放在另一个可编辑的文件中：

如果这条消息上个月发出去也毫无变化，那就说明大脑跳过了自己的工作，草稿应被丢弃。一个真实的触发事件不需要九封跟进邮件来制造关联性，所以序列必须保持简短。

预期效果： 十个草稿读起来各不相同，因为触发事件各不相同。

容易出错的地方： 为了“保持品牌曝光度”把序列填充到九次触达。当开场白薄弱时，你才会依赖长度来弥补。

第六步：让它自我评分再发送

这是大多数“AI 销售开发代表”演示悄悄略过的部分，也是建立信任的关键。在正式发送前，大脑会针对一套标注好的黄金数据集评估自己的判断；一旦有了真实结果，它会检查被评分为“热”的账户是否确实比“冷”的账户赢得了更多机会。

如果无法证明这一点，它就不会发送。

学习循环优化的是表层（哪些文案获胜）。

这个关卡评估的是基础——分数是否有意义。几乎所有人都在从未检查过的基础上优化表层。

预期效果： 关卡在每次发送前离线免费运行，一个校准错误的判断器会被阻止，而不是被放到你的域上胡来。

容易出错的地方： 因为本周 pipeline 看起来淡薄而覆盖关卡。跳过检查的那一次运行，恰恰会把整个名单发给一个从未被验证的目标。

第七步：闭环并安排定期执行

一个不学习的 agent 只是一个更快的脚本。把每次结果反馈回来，能约到会议的桶权重增加，而失败的打开语则被剔除。

然后，由于整个过程就是一个命令，一行 cron 定时任务就能在你醒来之前运行。

预期效果： 第一个月，大脑的桶权重基于你的猜测。第三个月，权重基于市场的实际表现，因为它花了两个月给自己的作业打分。

容易出错的地方： 记录了发送但从未记录结果。没有回复数据，权重永远不会变化，你等于在花钱让 GLM-5.2 运行一个昂贵的调度器。

现在的早晨是什么样子

我打开笔记本电脑，看到一个简短的排名列表，每个账户下方有一行说明它本周为何出现。我花两分钟阅读，然后选择：发送、编辑或跳过。GLM-5.2 在夜间构建好了列表和开场白。

在我们自己的 pipeline 中，这系统在两周内约了 19 场会议，对 142 个信号验证过的潜在客户取得了 12% 的回复率。融资信号和第一方访客数据驱动了大部分已约电话。 那些孤立的社交点赞则是被跳过的部分，而跳过它们正是其余部分得以成功的原因。

免费构建用于理解；max 版用于认真执行

上面的每一步都包含在一个代码仓库中：五个信号桶、记忆存储、GLM-5.2 判断器、基于触发事件的草稿生成、自我评分的评估关卡、以及学习循环。它默认安全——生成所有草稿但直到你明确指示才发送——如果你愿意，还可以在免费模型上运行。

这个构建是免费的，也是真正理解信号驱动型外呼的最快途径。运行它，你将从内部看到整个过程：哪些触发事件真正重要，为什么“不”是最重要的定位手段，大脑如何胜过更快的发送器。仅此一点就比你正在租赁的大多数工具更有价值。

评论 BRAIN，我会把仓库发给你。

如果你正在寻找一个严肃的解决方案——一个内置买方需求侧数据、并且整个流程由我们规模化代运营的方案——那就是 max。

免费版让你学会系统并在自己的工具上运行。yourmax.ai 则是你希望有人代运营、并且内部已接入你无法自行获取的需求数据时使用的版本。免费起步以理解它。当你想让它真正干活时，切换到 max。

几乎所有人都在宣称自己在做 AI 外呼。但极少有人拥有一个正在生产环境中决定“不给谁发邮件”的大脑。 这个差距就是整个机会所在，而能抓住这个机会的，只有那些亲自动手运行系统而不是只发帖吹嘘的人。

咱们开始构建吧。