如何用 AI 销售开发代表实现 78% 线索自动筛选，提升获客效率

最后更新 2025年10月10日 • 阅读时间 2 分钟

支持 24/7 全天候、30 多种语言，智能体可即时回复并预约会议

每周有数百人填写企业销售表单，希望了解我们的平台和定价。但大多数线索更适合自助方案，这类方案覆盖了大部分用户，并在网站上有详细文档。

虽然销售团队希望与每个线索直接沟通，但他们主要专注于需要定制化解决方案的企业部署。因此，他们会人工审核每份表单，判断哪些适合企业对接，哪些更适合自助方案。很多表单信息不完整，比如用例描述模糊，团队需要补充沟通后才能决定。这会拖慢响应速度，也影响对高优先级企业机会的关注。

对于符合企业标准的线索，审核表单的延迟也会导致机会流失。理想情况下，企业线索提交联系表单后应能立即预约会议。否则，如果在周五晚上提交，可能要等到周一销售团队审核后才能回复，首次会议也会被推迟。

为缩小需求与团队产能之间的差距，我们基于智能体平台搭建了入站 AI 销售开发代表（SDR）。AI SDR 能为入站线索提供更快、更个性化的体验，同时让团队专注于最有价值的机会。

智能体的搭建方式

我们围绕行为、能力和数据三大核心搭建了入站 SDR。

我们在 Agents Platform 的系统提示词中定义了 SDR “Jon” 的行为，包括“温暖、善于咨询的销售代表，让复杂的 AI 话题变得易于理解”等核心特质，还设定了主要目标和需要采取行动的场景，比如预约会议或向团队发送消息。具体结构可参考我们的提示词指南.

我们为 Jon 配备了丰富的知识库，包括 100 多个常见问题和产品能力概览，内容来自网站文档。目前，Jon 的知识库由我们手动更新，未来将支持添加目标网址，定期自动同步知识库。

上线后，我们与 GTM 团队的销售负责人一起回顾通话记录，找出问题并优化智能体表现。早期经验包括：

为用例选择合适的 LLM 需要反复测试：我们最初选用低延迟模型，但发现其在可靠性和工具调用上表现一般，随后切换到更强大的模型。升级后，智能体出现“幻觉”现象（如错误引用当前年份）大幅减少，工具调用错误也随之降低。更强的 LLM 也有助于复杂推理，比如现在智能体能帮助线索估算平台预期用量。如果线索不确定，Jon 会询问其每日预期调用次数和平均通话时长，计算月度用量。

智能体可以以更可控的方式出错：在智能体还无法 100% 做出正确决策前，我们调整系统提示词，让其更倾向于“假阳性”而非“假阴性”：宁愿与线索沟通后引导至自助方案，也不愿错过潜在企业机会。

处理边缘场景会让系统提示词变得冗长，增加出错风险：回顾 50 多次通话后，我们加入了多条“如果 X，则 Y”规则。例如：“如果来电者说的不是英语，预约前先询问是否希望用该语言或英语开会。”大上下文 LLM 能很好处理这些规则，但提示词过长会增加出错概率。我们发现，提示词越长，某些行为（如一次性提多个问题）越容易反复出现。