Vercel 如何用 AI 智能体自动化入站销售线索

Vercel 首席运营官 Jeanne DeWitt Grosser 做客我的 Office Hours 节目，详细讲述了她和她的团队是如何真正构建出那个如今负责 Vercel 销售漏斗顶端的智能体的。

它始于一名工程师。

Vercel 成立了一个上市工程团队，并把这个问题交给了一名工程师，他大约投入了 20% 的时间。这个智能体的第一个版本是一个约 125 行的提示词，由团队中最优秀的 SDR 编写，编码了 Vercel 的资格认定规则。

“我们在 6 月启动，让最优秀的 SDR 保持人工介入，到 8 月就把人撤出来了。所以我认为最初成功的原因，是选了一个相当确定性的问题，然后把我们所有独特的上下文都投入进去，思考如何让模型在 Vercel 的四面墙内表现。”

然后 SDR 像管理一个新销售代表一样管理这个智能体。在第一阶段，智能体做了除发送消息之外的所有事情。它做调研、资格认定和起草。

“我几乎是用看待人工 QA 的方式来思考这件事。如果我是他的经理，在教他做这份工作的过程中，我可能会读他前一百封邮件的 100%。这就是我们在这个项目上的人工介入阶段。之后，我假设这个人现在已经基本胜任了。所以也许我会做一个简单的随机抽样，比如每 100 次外联抽 1 次。”

这样做了六周，产生了足够的数据和改进，完成了这项工作。工作重心从审查大量帖子转向抽样少量帖子。

业务增长并演变。提示词也是如此——增长到了 1000 行。

在接下来的一年里，Vercel 增加了产品覆盖面，并向高端市场进军，进入企业级，吸引了更多样化的公司。

“模型实际上并不总是遵循提示词中嵌入的一些规则。而且，资格认定和销售中有很多实际上相当确定性的东西。它确实就是一条规则。”

团队把提示词分成两部分：规则和判断。工程师编码规则，把需要判断的工作留给模型。

现在入站线索运行在 14 条规则上。当一条线索到达时，系统会执行 Salesforce 查询，以确定该账户是否存在未结商机，如果有，就将其路由给客户主管。

“模型不应该有决定权，我们只是希望这件事发生。所以现在，我们的入站线索是 14 条规则。我们实际上只在人类以前会思考的地方使用模型来思考。”

这与我在 14 个生产级智能体工作流中发现的模式相同，并写在了 Is AI Doing Less & Less? 一文中。这些工作流中 65% 的节点作为纯代码运行，只有 14% 保持完全智能体化。

因为规则是明确的，Vercel 运行了第二个智能体来监视违规行为。当系统违反 14 条规则中的一条时，升级智能体会判断该违规是否本应发生，并修复它或批准该例外。

团队也变了。SDR 团队全部获得晋升，转做外呼，跳过了通常需要的一年。

“人类的价值在于与人交谈。所以我能让越多人从邮件营销中脱身、回到对话中，我认为我们从 BDR 职能中获得的价值就越大。”

Jeanne 提供了迄今为止关于入站销售未来最清晰的模板，以每年约 1000 美元的推理和基础设施成本，为一家独角兽公司运行整个职能。