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

每周，数百人在网站填写企业版销售表单，了解平台和定价详情。不过，其中大多数线索更适合自助套餐，这些套餐服务于大部分用户，网站上也提供了详细文档。

销售团队希望直接与每条线索沟通，但其重点是需要定制解决方案的企业部署。因此，团队会人工审核每份提交内容，判断哪些适合企业销售沟通，哪些更适合引导至自助服务。许多表单的信息并不完整，例如对线索使用场景的描述很模糊，团队需要先跟进了解背景，才能做出决定。这个流程可能拖慢响应速度，也会分散团队对更高优先级企业机会的关注。

对于符合企业版条件的线索，审核表单带来的延迟也意味着失去推进势头。理想情况下，企业线索提交联系销售表单后，应能立即预约会议。否则，如果在周五晚上提交表单，可能要等到销售团队周一审核后才会收到回复，首次会议也会推迟到当周稍晚时间。

为弥合需求与团队承载能力之间的差距，我们使用Agents Platform构建了一名入站 AI 销售开发代表（SDR）。这名 AI SDR 能为入站线索提供更快、更个性化的体验，同时让团队专注于影响力最大的机会。

我们如何构建这名智能体

我们围绕三大支柱构建这名入站 SDR：行为、能力和数据。

1. 行为

我们通过 Agents Platform 中的系统提示词，定义 SDR“Jon”的行为方式。其中明确了 Jon 的核心性格特质，例如“亲切、顾问式的销售代表，能让复杂的 AI 话题变得易于理解”。我们还定义了他的主要目标，以及他应采取行动的场景，例如预约会议或向团队发送消息。想了解我们采用的具体结构，请查看 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，以及网站文档中产品能力的概览。目前，每当发布新产品或功能，我们都会手动更新 Jon 的知识库。不久后，只需添加目标 URL，知识库便可按固定计划自动更新。

上线后，我们与 GTM 团队的销售负责人一起审查通话记录、识别错误并提升智能体表现。早期经验包括：

• 为使用场景选择合适的 LLM 需要不断试验：起初，我们使用针对低延迟优化的模型；后来发现初始模型在可靠性和工具调用上表现不佳，于是换成了能力更强的模型。这次升级减少了幻觉，例如智能体错误提及当前年份——这曾导致下游工具调用出错。更强的 LLM 也有助于满足更复杂的推理需求。例如，智能体现在可帮助线索预估平台使用量。如果线索无法确定，Jon 会询问其预计每日通话次数和平均通话时长，以计算预估月使用量。

• 智能体可以以更可取的方式出错：在智能体尚未能 100% 正确决策前，我们调整了它的系统提示词，使其更倾向于产生假阳性而非假阴性：相比错过潜在企业机会，我们更愿意与一条线索沟通，再将其引导至自助服务路径。

• 考虑边缘情况会使系统提示词逐渐膨胀，并增加出错风险：审查超过 50 通电话后，我们加入了多条“如果 X，则执行 Y”的指令。例如：“如果来电者使用英语以外的语言，请在预约前询问他们希望以该语言还是英语进行会议。”虽然大上下文 LLM 能有效处理这些规则，但过长的提示词会增加出错风险。我们观察到，随着提示词扩展，某些行为——例如一次提出多个问题——会变得更顽固。

• 防护措施能有效防止绕过流程：有些用户在未提供足够信息前，反复要求直接与团队沟通。加入明确的防护措施，能特别有效地缓解这类请求。

• 工具执行期间，用户需要获得反馈：当 Jon 使用检查日历空档等工具时，来电者常会经历令人困惑的沉默。我们添加了可选的“强制消息”功能，在工具使用时告知用户，从而解决了这个问题。

• 语音交互能提升参与度：大约每 5 条线索中就有 1 条会回电，继续与 Jon 交流。有位来电者了解产品和定价后，又特地回来向 Jon 要一份意大利面食谱。

2. 能力和自定义工具

Jon 可以使用人类 SDR 用于独立管理入站沟通的同类工具。

每通电话开始时，他会查看联系表单提交内容以了解背景。通话中，他可通过核对不同时区的空闲时间，实时筛选线索并预约会议。会议预约完成后，他会向团队发送通话摘要。

Jon 还能在 32 种语言间无缝切换，并为每种地区语言配备优化音色。通常一周内，他会使用超过 8 种语言。

3. 数据 

每通电话结束时，Jon 会捕捉线索的使用场景和筛选决定，并将这些数据直接写入 CRM。这样，团队就能全面了解每次销售互动。

Jon 还会记录结构化数据，例如客户满意度评分。每次对话结束时，他会请线索按 1–10 分为体验打分。我们每天审查评分最高和最低的对话，了解哪些做得好、哪些需要改进。 

这些行为、能力和数据管道，让 Jon 既能流畅对话，又具备高效执行能力，可处理与人类 SDR 相同的 workflow。

目前成果

自上线以来，AI SDR已部署在 38 个国家，全天候 24/7 可用。目前每周处理超过 50 通电话，相当于 2 名全职 SDR 的工作量。

其 78% 的筛选决策无需人工干预。在剩余的 22% 中，智能体大多会出现“假阳性”筛选，即将本应被排除的线索判定为合格。与排除本应合格的线索相比，我们更倾向于这种结果。

这类假阳性通常发生在线索能估算、但无法确认预期用量或上线时间时。假阴性很少见，通常是因为线索在智能体获得足够信息做出决定前结束通话。今后，针对这类不完整情况，智能体会返回“N/A”，而不是将线索判定为不合格。

“我们看到，入站销售的大规模运作方式正在发生根本转变。借助 AI SDR，任何对平台感兴趣的人，现在都能随时用自己的语言开启个性化对话。了解平台的最佳方式是亲身体验，而符合条件的线索现在几分钟内就能预约会议，不再需要等待数天。”—— Jonathan Chemouny，ElevenLabs EMEA 销售负责人

平均 CSAT 评分达 8.7 分，早期对话表明，人们对对话式智能体能力的看法正在迅速改变。以下是一些摘录：

• “谢谢你今天的帮助。这是我第一次发现像你这样实用的 AI 智能体。祝你今天愉快！”

• “哇！哇！说实话，你很厉害［……］内容清晰，讲解也很到位。这就是对话式 AI。说实话，太棒了！” 

• “［这次对话］对我很有帮助。它让我初步了解了你们提供的产品……虽然有几处小错误，但除此之外，音频质量，或者说语音质量，相当令人印象深刻。”

未来展望

未来几个月，我们将通过新的工作流功能扩展智能体能力。工作流旨在处理更复杂、动态的对话，并支持更可靠的决策。这也将解锁新的智能体使用场景，例如外呼销售和重新触达未响应的线索。

目前，团队会审查 AI SDR 做出的每项决策。不久后，系统将通过自动把每场会议分配给正确负责人的排期逻辑，直接在客户经理的日历中预约会议。

AI SDR 已通过满足潜在客户期望，重塑了入站销售流程，并让团队有更多时间专注于真正重要的工作。我们认为，这是迈向以语音为技术主要交互界面的未来的又一步。

想构建自己的对话式智能体？从这里开始。