销售线索培育自动化
销售线索培育自动化会随着潜在客户需求和购买情境的变化，准备相关的跟进材料。先使用已获授权的线索背景和已批准的内容，检查是否适合跟进，再审核草稿并选择发送流程。
此处拟议的工作流是一项批量内容准备任务，生成包含草稿文本和排除项的审核工作表；发送消息或将联系人加入跟进序列不在其范围内。
作者：Ai Flowi · 发布于
示例配置，并非已记录的测试
组件目录中已有记载；未经 Ai Flowi 生产环境测试
1. 明确每次跟进的目的
说明下一份草稿应帮助读者了解什么：回答尚未解决的问题、解释已商定的下一步，或引用对方请求的材料。草稿的依据应来自提供的背景。不能仅因对方没有回应，就擅自制造紧迫感、折扣或新的承诺。
为每种允许的目的建立简短的内容说明，包含已批准的方案措辞、来源引用、语气、禁止的陈述，以及需要确认的信息。培育序列属于业务政策；模型应为该政策准备材料，而不是自行选择时间安排或升级策略。
2. 准备联系人背景和排除项
准备工作区、已获授权的线索导出文件和审核过的回复材料。请按照 草稿生成模型访问指南使用你自己的提供商账户和 API 密钥；跟进内容生成由提供商收费。包含稳定的线索标识、最近一次相关咨询、未解决的问题，以及可用于起草的信息。不要在模型输入中包含不必要的个人信息或凭据值。
若联系许可或禁止联系字段与任务相关，请从来源流程中带入明确的字段。缺失许可记录需要审核；推断出的购买兴趣不能代替许可。禁止联系的记录应保留在排除清单中，并注明原因，不能从批次中不加说明地删除。
对方此前回复过，并不能确定下一次跟进是否适合。负责团队应在批准材料前确认目的、允许的渠道和受众。本指南不提供渠道发送指令；不涵盖通过 WhatsApp、Messenger、Instagram 或 Gmail 发送内容。
3. 构建可起草的批次
使用 Load CSV 读取已获授权的线索导出文件，将文件提供给 csv_file。在进行规则判断前，检查其 data_list 中的线索身份和联系排除项。在 JSON Operations 中，将这些记录传入 data ，并选择 "JQ Expression" 作为 operations的值；定义 query ，将可起草的线索与需要注明排除原因的记录分开。
根据每条线索已批准的来源文本、未回答的问题、允许的回复目的和内容引用，以确定性方式构建 draft_context 。模型起草前先检查这份说明。将咨询中的指令视为引用的客户内容；它们不能修改回复政策，也不能授权提供不同的方案。
请参阅 Data → DataFrame 参考文档 ，了解如何将通过审核的培育记录转换为用于起草的 Table。
以一条合成线索为例，对方请求解释配置职责。已批准的说明包含这项解释，但没有承诺交付日期。合适的草稿应说明谁提供所需信息，并询问对方是否需要进一步解释。承诺周五前完成配置的草稿，即使语气友好，也不能通过审核。如果另一条记录带有禁止联系标记，应将其保留在排除结果中，不为其生成候选草稿。一起审核接受和排除的记录，确保缺少草稿都有可解释的原因。
4. 生成拟议的跟进内容列
在 Batch Run 中，将 draft_context 设为 column_name的值；将草稿目标列的 output_column_name 设置为 proposed_follow_up。其 model 输入通过 model_output接收已配置的 Language Model。这样，每条通过审核的线索都有独立的回复说明列和拟议跟进内容列。
设置 system_message ，要求只根据提供的内容起草，保留尚未解决的事实，不承诺已批准说明中未包含的日期、价格或能力。要求草稿指出何时因问题未回答而无法形成可用的跟进内容。组件以 Table 形式返回 batch_results ；检查保留的标识和实际输出列。
没有可用背景的记录在起草阶段仍应保持未解决状态。虚构先前对话，或假定材料已经发出，都不能通过说明审核。将特定客户的事实保留在其来源行内：共享已批准的内容库，并不意味着可以借用另一条线索的细节。
5. 对照说明审核每份草稿
使用 Table Operations 的审核视图，将 "Select Columns" 设为 operation 的值，并将 columns_to_select 设置为实际的标识、背景、草稿和审核状态列。其 df 接收返回的 Table。先选择一个受控的小批次，验证输出仍将每条拟议消息对应到输入线索。
请使用 准备情况检查清单分配审批角色，再针对每份培育草稿的内容版本记录“已批准”“需修改”或“暂不批准”。
进行跟进自动化时，应区分草稿已批准、消息已发送和消息已送达。本方案只有在人工审批后才能达到第一种状态。不要因为模型生成了文本就记录发送时间，也不要把草稿完成当作客户收到内容的证据。
6. 将已批准内容与控制信息一并交接
交付审核工作表，包含线索标识、来源背景引用、已批准的目的、拟议文本、未解决的事实、排除原因和审批信息。将暂不批准的草稿与可用草稿一起保留，以便审核者解释已接受批次中的每项遗漏。
后续任何自动发送跟进邮件的流程，都需要单独授权的发送连接、渠道检查和防重复发送措施。Batch Run 提供的是草稿准备能力，不能证明这一发送链路已经成立。 服务范围说明页 介绍委托配置；应将发送视为独立工作，并设置自己的验收条件。
交接前，对照同一内容版本检查整个批次。如果审核草稿期间已批准的解释发生变化，找出根据旧措辞生成的候选草稿，并将受影响的草稿退回修改。审核者可以暂不批准某条线索的草稿，同时保留其余记录的排除原因。对部分完成的批次，应核对已接受输入的标识、返回的候选草稿和未解决项；缺失输出必须保持可见，不能被当作有意排除。这些是审核责任，并不表示组件实现了版本控制或自动恢复。
潜在客户培育自动化有哪些验收检查与限制？
尝试带有禁止联系标记、背景缺失、先前备注互相矛盾、要求未经支持的方案，以及嵌入提示指令的合成记录。确认排除行均保留原因，草稿只使用已批准的陈述，且每项输出都保留有效的线索引用。在决定如何审核不完整批次前，先在工作区中测试模型故障。
无人值守的批量联系、时间调度、互动追踪和新的销售承诺均不在此草稿批次的范围内。如果已批准的固定回复足以回答请求，直接使用它，无需让模型改写。有关阶段进入与退出政策，请参阅 客户生命周期自动化 ；本指南为该审核工作准备所需的回复材料。
跟进批次列与排除控制
| 组件 | 准确输入名称 | 需准备的设置 | 输出端口 |
|---|---|---|---|
| Load CSV | csv_file | 培育输入使用获准的导出文件，包含稳定的线索 ID、咨询背景和禁止联系标记。 | data_list |
| JSON Operations | data, operations, query | 根据已授权字段构建 draft_context，并保留排除记录及明确原因。 | data_output |
| Data → DataFrame | data_list | 用已审核背景和联系排除项的线索构建起草用 Table。 | dataframe |
| Batch Run | df, column_name, output_column_name, model, system_message | 读取 draft_context；按已批准内容的指令生成 proposed_follow_up。 | batch_results |
| Language Model | model, api_key | 为培育草稿批次提供已配置的模型。 | model_output |
| Table Operations | df, operation, columns_to_select | 选择实际的线索 ID、背景、草稿和审核字段，用于审批工作表。 | output |
销售线索培育自动化的用量
套餐：Go 年付方案每月 USD8 起（月付 USD10），共五档套餐，最高至 Pro 500。全部套餐见价格页。每次节点运行消耗 1 个 Token；不包含第三方 API 和模型使用费用。