一、项目背景

客户是一家做工业自动化设备的制造企业，主要获客渠道就是展会。一年参加大大小小二十多场，国内为主，也去几场海外的。展会预算一年八百多万，是市场部最大的开支项。

问题出在展会之后。现场收上来的名片、扫码登记、问卷，加起来一场展会能有六七百条，一年下来一万三千多条。这些线索的归宿基本是三个：一个 Excel 表格、销售个人的微信、以及无处可去。市场部把表格发给销售部，销售们挑着看，认识的品牌、听说过的公司、留了手机号的优先联系，剩下的就搁那儿了。

他们内部做过一次复盘，抽了上一年度的线索追踪记录，结论挺难看的。一万三千多条线索里，有跟进记录的只有百分之三十八，三个月内被联系过的百分之二十四，最终转化成商机的百分之二点一。市场部觉得销售不珍惜线索，销售觉得市场部收来的都是垃圾线索，两个部门为这个吵了不止一次。真实情况是两边都有道理：线索质量确实参差不齐，销售的挑选标准也确实随意，很大程度取决于名片好不好看和公司名眼不眼熟。

二、落地场景

我们做的是一套多智能体协同的方案，跑在客户的 AI 私有化底座上，前端接的是他们已有的 CRM 和企业微信。四个智能体各管一段，通过共享的线索状态协同。

线索采集与清洗智能体处理原始数据。名片图片、扫码表单、纸质问卷拍照、展会主办方给的观众名单，格式全不一样。这个智能体负责识别、结构化、去重、补全。补全指的是根据公司名去查工商信息、行业分类、规模区间，补齐原始线索里缺的字段。

意向评分智能体给每条线索打分。输入包括线索的基本属性（公司规模、行业匹配度、职位层级）、现场行为（在展台停留时长、参观了哪些展品、问了什么问题）、以及历史数据（这家公司之前有没有接触过、是不是竞品的客户）。输出是一个零到一百的分数和分档标签，同时给出评分依据。

分配调度智能体决定线索给谁。考虑销售的区域覆盖、行业专长、当前手上的线索负载、历史转化率。分配不是一次性的，如果被分配的销售在规定时间内没有跟进，线索会被回收重新分配。

跟进提醒与话术智能体是销售侧的助手。它按线索特征生成首次联系的切入点建议，在跟进节点提醒销售，根据跟进记录判断下一步动作。

三、关键技术挑战与解决思路

线索去重和补全比想象中难。同一家公司在不同展会留了不同人的名片，是一条线索还是多条？同一个人换了公司，历史记录怎么处理？名片上的公司名是简称，工商注册名是全称，怎么匹配上？

我们做的是两级实体识别。公司级别用工商数据做主锚点，通过名称模糊匹配、统一社会信用代码、电话号码多个维度做实体链接。人员级别以手机号和邮箱为主键，姓名加公司作辅助。同一公司下的多个联系人合并到一个客户档案，但各自的联系记录独立。

模糊匹配的阈值调了很久。定得松了会把不同公司合并，试跑时我们就把两家名字相近但毫无关系的公司并成了一条，销售打过去对方一头雾水。定得紧了又合并不了。最后设两个阈值，高于上阈值自动合并，低于下阈值自动分开，中间的进人工确认，这部分大约占百分之七。

意向打分的可解释性是销售接受度的关键。第一版我们给的就是一个分数，销售完全不买账，说"凭什么这条八十分那条四十分，我看着差不多"。后来改成每个分数必须附带三到五条依据，用自然语言写出来，比如"该联系人为生产总监，职级匹配决策链；在展台停留十八分钟，超过平均值三倍；重点询问了产线改造周期和投资回报，问题指向明确"。加上依据之后，销售的态度转变很明显，有销售反馈说看了依据之后知道该从哪儿切入聊。

评分模型本身没做得太复杂。客户能提供的历史转化标注只有两千多条，用复杂模型很容易过拟合，最后用的是规则打底加轻量模型做调整。评分的绝对准确性没那么重要，重要的是排序合理，别把好线索埋在后面。

分配公平与转化的矛盾比较微妙。纯按转化率分配，好线索都给高转化的销售，短期总转化率最优，但新销售永远拿不到好线索，团队结构会僵化。我们的方案是分层：最高分档按转化率加权分配，中间档按区域和行业专长分配，同时给每个销售设最低配额。这个规则是跟销售总监一起定的，他很在意团队梯队。

跟进过程留痕是最难推的一块，因为它增加了销售的工作量。我们的处理是尽量自动采集：企业微信沟通记录自动关联到线索，通话记录通过话机系统同步，语音内容用模型转写并抽取要点，销售确认或修改即可。即便这样，最初两个月的填写率还是只有六成，后来销售总监把跟进记录纳入考核才提上去。工具能降低成本，但改变习惯还得靠管理动作。

智能体之间的协同上，我们没有做得太"智能"。四个智能体的交互基于明确的状态机，线索在待清洗、待评分、待分配、跟进中、已转化、已关闭这几个状态间流转，每个智能体只在特定状态被触发。有人建议做成自由协商，我们评估后否了，业务流程本身是确定的，引入不确定性只会增加排障难度。

案例片段（已脱敏）：意向评分的输出结构。

json {  "lead_id": "LD2026XX**0417",  "company": "某**精密制造有限公司",  "score": 83,  "tier": "A",  "reasons": [    {"dim": "职级匹配", "detail": "联系人职位为生产总监，处于设备采购决策链", "weight": 22},    {"dim": "现场行为", "detail": "展台停留18分钟(均值5.7分钟)，观看产线演示2次", "weight": 25},    {"dim": "问题指向", "detail": "询问改造周期、投资回报期、现有产线兼容性", "weight": 20},    {"dim": "企业规模", "detail": "参保人数约420人，注册资本8000万，行业匹配度高", "weight": 16}  ],  "risk_notes": ["该公司两年前接触过一次，当时因预算未落地终止"],  "suggested_entry": "从上次接触的预算问题切入，了解今年的技改预算是否已批",  "assign_hint": {"region": "华东", "industry": "精密制造", "prefer_sales": ["S0**7", "S0**2"]} }

案例片段（已脱敏）：一条线索的全生命周期流转记录。

LD2026XX**0417 D+0  10:22  采集(名片扫描+现场问卷)  agent=COLLECT           OCR置信度0.91，工商补全命中，去重检查发现2年前同公司旧记录 -> 合并档案 D+0  10:23  评分 score=83 tier=A       agent=SCORE D+0  10:25  分配 -> S0**7 (华东/精密制造/当前负载12)  agent=DISPATCH D+0  10:25  推送企微提醒，要求24h内首次触达 D+1  09:41  首次触达(电话，通话时长6分12秒)   agent=FOLLOW 自动记录           要点抽取: "今年技改预算已批，Q3启动选型，需要先看案例" D+1  09:55  下一步建议: 发送同行业案例包，约现场参观 D+4  14:30  未见新动作 -> 提醒升级(抄送主管) D+5  11:02  已发送案例，客户约定D+12现场参观 D+19       转商机，进入报价流程

四、效果数据

系统覆盖了客户最近九个月的十四场展会，累计处理线索八千六百多条，数据如下。

线索有效率百分之七十一点四，口径是清洗补全后信息完整、公司真实存在、联系人可触达。用同样口径回算上一年的数据是百分之五十二点八，提升主要来自自动补全和去重。

首次响应时长从平均十一天降到十九小时，A 档线索是六小时四十分钟。最直接的原因是分配自动化，线索不再躺在 Excel 里等人挑。

跟进覆盖率从百分之三十八提到百分之九十四点二。回收重分配机制起了作用，累计有六百三十多条线索因首个销售未及时跟进被回收，其中一百八十多条在第二个销售手上产生了有效沟通。

转化率从百分之二点一提到百分之五点七。工业设备行业销售周期长，按客单价折算，九个月里多出来的商机金额覆盖了整个项目投入的四倍多。

分配公平性上，销售之间获得 A 档线索的数量差异从十一倍压缩到二点三倍。入职半年内的销售转化率从百分之零点六提到百分之三点一。去重方面，八千六百条原始线索合并出七千九百多个独立档案，重复率百分之八点四。跟进记录填写率稳定在百分之九十一，其中六成八由系统自动采集。

文中数据为项目复盘口径，已做脱敏。

五、可复用经验总结

多智能体不等于让智能体自由发挥。我们这套东西之所以稳，很大程度是因为把流程约束在明确的状态机里，每个智能体职责单一、触发条件清楚。业务流程确定的场景下，用状态机组织智能体比让它们自主协商更可靠，排障也容易得多。真正需要自主协商的场景其实没那么多。

评分类功能必须给出依据。这一点在这个项目里体现得特别明显，同样的分数，带依据和不带依据，销售的接受度天差地别。而且写依据这个动作反过来约束了模型，让它不能凭感觉打分。任何要给一线人员用的评分系统，我现在都会把可解释性列为必需项而不是加分项。

分配算法要考虑人的因素，不能只优化短期指标。纯按转化率分配在数学上最优，在组织上是慢性自杀。给新人留配额这个设计是销售总监提的，一开始我觉得会拉低整体转化，实际运行下来因为新人成长起来了，团队整体转化反而更好。

实体匹配的阈值设两档、留出人工地带，这个模式很好用。追求全自动会在边界上出错，而边界错误代价很高，把两家公司搞混，销售打电话过去很尴尬。留百分之七的人工量换取零错误合并，这笔账划算。

客户现在想把这套东西扩展到官网留资和直播线索上，逻辑基本可复用，主要差异是现场行为数据没有了，评分特征要重新配。