1. 为什么我会自己动手做一个外联Agent而不是直接买现成工具
做商务拓展和渠道合作这几年，我每天有大量时间耗在"找人、查背景、写第一封联系信"这三件事上。市面上不是没有自动化工具，但它们的毛病太统一了：要么只做邮件模板群发，要么把线索池扔给你自己去筛，所谓的"个性化"不过是把公司名字替换一下。真正让一封外联邮件有效果的——对方当下的业务动向、最近发布的职位、所在赛道的资本热度、和你产品的契合点——这些信息工具基本都摸不到。
Agent-Reach 这个项目，就是我在这种背景下自己动手写的。它的定位很清楚：一个以 LLM 驱动的多智能体外联系统，负责从线索挖掘、背景研究、价值点匹配、内容生成到多通道触达的完整闭环。我不叫它"营销自动化"或者"获客工具"，因为这两类产品本质上是给人用的 CRM 加一层邮件皮肤，而 Agent-Reach 是把"外联这件事本身的决策过程"交给了 Agent。
如果你也在做 To B 渠道、投资人关系、招聘寻访，或者任何需要"批量但又不失温度"的主动联系工作，这篇文章值得你看完。我会把架构设计、线索理解、触达编排、以及我在实测中踩过的坑完整拆开讲，所有配置和代码思路都是可以直接拿去改的。
先说清楚一个前提：外联 Agent 不是用来替代人脉维护的。它替代的是那些机械化的前置劳动——信息搜集、初步筛选、首封沟通、跟进提醒。真正的关系升温、深聊、签约，依然需要人亲自上场。认清这个边界，你才不会被"AI 完全替代销售"这类论调带偏，也不会对 Agent 产生不切实际的期待。
2. Agent-Reach 的整体链路：先理解，再匹配，最后才触达
很多外联工具的设计逻辑是倒过来的：先决定要发邮件，再想发给谁。Agent-Reach 把顺序彻底反过来。整个系统运行的主链路是：信息采集 → 意图理解 → 价值匹配 → 内容生成 → 渠道触达 → 反馈回收。这六个环节里，前四个是 Agent 发挥价值最大的地方，后两个考验的是工程功底。
2.1 信息采集层：数据从哪来，怎么保证不过时
Agent-Reach 的数据源分三路。第一路是目标企业官网，我会用爬虫定时抓取"关于我们""新闻中心""招聘页面"三个板块，因为这三个地方最能反映一家公司最近的动向——招什么岗位说明在扩张什么业务线，发什么新闻说明在押注什么方向。第二路是行业垂直数据库，比如出海企业的公开融资记录、产品发布记录，这类数据更新频率低但信号价值高。第三路是社交平台上创始人或高管的公开动态，这部分的抓取需要严格控制频率和合规边界，只采集公开页面。
数据源管理有一个容易忽略的细节：必须给每条信息打时间戳。Agent 做背景研究时，如果分不清一个信息是三个月前还是三天前的，很容易写出一封看似专业实则过时的联系信。比如对方公司两个月前完成了 B 轮融资，你在信里还祝他们"近期融资顺利"，这就闹笑话了。我在数据表里专门加了一个signal_date字段，所有下游 Agent 读取信息时强制按时间排序，旧信息只能作为背景参考，不能作为触发契机。
2.2 意图理解层：从"这家公司不错"到"这家公司现在需要什么"
信息采集回来之后，最关键的一步不是存储，而是解读。Agent-Reach 在这一层设置了一个独立的"解析器 Agent"，它的任务不是输出摘要，而是产出结构化判断，包括：
- 公司当前所处的业务阶段（早期验证 / 规模化扩张 / 转型期）
- 近期最明显的三个业务信号
- 每个信号背后可能对应的需求（招聘扩张意味着缺人手或技能、发布新品意味着缺渠道、融资到账意味着预算充足）
- 信号的时间紧迫程度
我举一个真实跑通的例子。某家做跨境电商 Saas 的企业，官网上连续发布了四条招聘信息，其中三条是技术岗位，一条是渠道运营经理。解析器 Agent 给出的判断是："该公司处于产品快速迭代期，核心技术团队在扩编，同时开始搭建渠道体系，当前最缺的可能是合规、支付或物流方向的解决方案合作伙伴。"这个判断比单纯看公司简介要准确得多，因为它是从行为信号反推需求，而不是从自我介绍里找需求。
这里我用了 Prompt 编程里比较常见的"角色分工"思路：解析器 Agent 不看任何关于你产品的内容，它只负责客观描述对方的状态。这样做有两个好处，一是避免模型产生"为了卖货而解读"的倾向性偏差，二是解析结果可以复用在后续所有触达场景里，哪怕这个线索这次不合作，三个月后依然能基于新信号重新激活。
2.3 价值匹配层：为什么不直接用一个大 Prompt 写完信
价值匹配是整个系统里唯一需要两个 Agent 协作的环节，也是我反复调试最久的部分。第一个 Agent 叫"产品画像 Agent"，它把你自己的产品或服务拆解成可以移植的能力标签，比如"支持跨境支付合规对接""提供 7 天全托管部署""兼容 Salesforce 数据同步"。第二个 Agent 叫"匹配 Agent"，它读取产品画像和线索解析结果，计算两者之间的契合点，并输出三到五个"可以切入的沟通角度"。
为什么拆成两步？因为如果你让同一个 Agent 既理解产品又理解客户，它很容易写出泛泛而谈的套话，比如"贵公司的发展令人印象深刻，我们的产品可以帮助贵公司更好发展"这种零信息量内容。拆开之后，产品画像 Agent 的输出是稳定的、不变的，相当于你把自己的能力说明书固化下来；匹配 Agent 则纯粹做连接工作。这样每次生成的邮件质量方差会小很多，不会出现今天写得特别好、明天写得特别水的情况。
匹配结果我建议用 JSON 结构化输出，字段包括：angle（切入角度）、evidence（支撑这个角度的证据）、confidence（匹配置信度）、suggested_channel（建议触达渠道）。结构化输出的好处是后面做 A/B 测试时可以直接用字段做分组筛选，不用再让模型二次提取。
3. 线索理解与分层：决定 Agent 质量的关键细节
外联这件事，最重要的不是发得多，而是发得准。Agent-Reach 在"发得准"上主要靠一套线索评分和分层机制，这套机制决定了你有限的精力和发送额度花在谁身上。
3.1 评分公式：为什么不用纯模型打分
我最早试过让 LLM 直接给每个线索打 0 到 100 分，效果不理想。原因是模型打分太主观，同一个线索换一天问，分数能差出 20 分。后来我改成混合评分：硬性规则先过滤，模型再做软性判断。
硬性规则包括：目标行业是否在预设范围内、公司成立年限是否超过 18 个月、近期是否有融资或大型招聘动作、公开信息里是否出现过与你业务相关的关键词。这些规则每一条都有权重，加权计算出基础分。只有基础分超过 60 的线索才会进入模型精评阶段，这样能挡掉大部分明显不合格的目标，也为调用模型省下成本。
模型精评阶段，我会把线索解析结果、匹配角度和基础分一起丢给评分 Agent，让它重点关注两个维度：需求迫切度和决策链接近度。需求迫切度看这家公司是否正处于需要你这类方案的时间窗口；决策链接近度看你能否通过公开信息触达到有决策权的人，还是只能联系到客服邮箱。两个维度各自 1 到 5 分，相乘得到最终排序分。
3.2 分层策略：不同分层对应完全不同的触达方式
Agent-Reach 将线索分为三层，这个分层直接决定后面的所有行为参数：
| 分层 | 排序分区间 | 触达策略 | 发送频次上限 |
|---|---|---|---|
| A 类 | 12 - 25 | 人工深度跟进 + Agent 辅助背景研究 | 每周不超过 2 次 |
| B 类 | 6 - 12 | Agent 全自动首触 + 人工响应后转接 | 每周不超过 1 次 |
| C 类 | 0 - 6 | 进入培育池，仅每月触达一次 | 每月 1 次 |
A 类线索是整个系统的核心产出。Agent-Reach 对 A 类线索会自动生成一份"作战简报"，包含对方的业务近况、可能的痛点、建议的切入角度、以及你方对应的产品能力和过往案例。这份简报是给人看的，不是给模型看的。我发现一个反直觉的规律：Agent 越强的系统，越需要给人准备好精读材料。因为你请客户深聊时，不能对着电脑现查对方公司的资料，那会显得非常不专业。
B 类线索是自动化价值最大的部分。系统自动完成首封联系信的撰写和发送，一旦对方回复，立即通知人工接手。这里有个必要的心理建设：B 类线索的回复率通常不会很高，可能在 3% 到 8% 之间，但它的意义在于用低成本覆盖了一个你可以触及的上限范围。我做了一个粗略统计，在没有 Agent-Reach 之前，我一个月手动外联大概能覆盖 60 个目标；接入系统后，每个月 B 类线索可以稳定触达 500 个以上，等于把覆盖量提高了将近一个数量级。
3.3 线索画像的动态更新：沉睡线索的复活机制
线索不是一成不变的，三个月前评分低的 C 类线索，可能因为一轮融资或者一个新业务线瞬间变成 A 类。Agent-Reach 做了一个叫"事件驱动重评"的机制：每次爬虫发现目标公司有新动态（招聘、融资、发版、高管变动），都会重新触发解析器 Agent 做增量分析，然后更新评分。如果新评分比旧评分高出至少 4 分，系统会把这条线索从培育池提升到活跃池，并生成一封"动态唤醒邮件"。
这个机制的实际效果比我预想的好。有一次，一个 C 类线索的公司突然发布了一条和 AI 客服相关的招聘信息，系统立刻重新评分，发现他们正在组建相关团队，自动生成了一封以"看到你们在组建 AI 客服团队，我们恰好有成熟的落地案例"为切入点的邮件。对方产品负责人当天就回复了。这个线索如果靠我手动跟踪，大概率会等到三个月后的定期盘点才被发现，机会窗口早就过去了。
4. 触达编排层：邮件、即时通讯、社交平台的统一调度
内容生成得再好，如果触达方式粗糙，效果也会大打折扣。Agent-Reach 的触达编排层负责两件事：把内容通过正确的渠道送出去，以及控制节奏避免骚扰。
4.1 渠道选择逻辑：不是每个线索都适合发邮件
不同场景下，最佳触达渠道差异很大。我总结了三条经验，写进了系统的渠道推荐规则：
第一，对方创始人或高管在社交平台上比较活跃的，优先通过社交平台留言或私信触达，邮件作为备选。这类人对陌生邮件的警惕性很高，但如果在社交动态下留言或私信，回复概率会高很多。第二，有公开业务联系表单或明确合作入口的企业，优先走官网表单，因为这表示他们有接收外部合作的路径。第三，邮件保留给那些公开信息里没有明确触达路径、但职位信息完整的目标。
这些规则听起来简单，但真正实现起来需要给每个渠道单独写适配器。举个具体的例子，邮件渠道需要处理退信、已读回执、垃圾邮件误判；社交平台私信有严格的频控限制；官网表单往往有验证码或字段要求。Agent-Reach 的架构里，每个渠道适配器都是独立模块，统一暴露一个send(message_context)接口，上层编排逻辑不关心具体渠道实现。
4.2 频控与时间窗：避免成为"那个一天发八封邮件的人"
触达最忌讳的是一波流。第一天发邮件，第二天发私信，第三天再发邮件，三连轰炸之后，再好的内容也会被拉黑。Agent-Reach 内置了一套节奏控制机制，核心参数是：每个线索的触达间隔最短为 48 小时，同渠道最多连续触达两次就必须切换渠道。
时间窗方面，我实测出来的最优发送时间段是：邮件选在对方工作日上午的 9 点到 11 点之间，尤其是周二到周四；社交平台私信选在晚间 8 点到 10 点，这时候大部分人在刷动态。这个规律不绝对，但基于我近千封邮件的回看数据，工作日上午发出的邮件回复率比下午发出的高出大约 30%。
节奏控制还有一个隐藏作用：它让 AI 生成的内容不会因为发送时间太密集而显得像一个机器人在工作。我见过很多失败的外联自动化案例，共同特征是：对方在同一周收到来自同一 IP 的三封相似邮件，立刻就识破了。慢下来，反而显得真诚。
4.3 跟进序列的设计：两封没有回音之后怎么办
外联的常识是：80% 的合作机会发生在至少两次跟进之后。Agent-Reach 为每个 B 类和 C 类线索配置了一个三触达序列，每步的内容重点都不同：
第一步是价值展示信，讲清楚你是谁、为什么联系对方、你能提供什么价值。第二步是补充证明信，如果第一步没有回音，系统会基于对方公司最近的具体动态，重新生成一封侧重案例证明的邮件，比如"我们在你们行业做过相似的落地，这是数据"。第三步是温和离场信，表明你理解对方可能忙碌，愿意把资料留档，并说明之后如果有需要可以随时联系。
我觉得第三步非常重要，它不仅是礼貌，也是一种印象管理。大多数自动化外联在两封没回音之后就放弃了，如果你能发一封体面的离场信，反而可能获得对方的尊重，甚至在下一次他们真的需要时想起你。实测中，第三封离场信偶尔能带来回复，概率大约在 2% 左右，不算高，但足以覆盖它的发送成本。
5. 实测数据、典型翻车场景与对应修复
任何系统跑在真实环境里都会出问题，Agent-Reach 也不例外。这一节我把最有代表性的几个翻车场景和我的处理方式写出来，都是文档里不会写的内容。
5.1 三周实测的核心数据
系统跑通后，我用三周时间做了 300 个真实目标的外联测试，数据如下：
| 指标 | 数值 | 备注 |
|---|---|---|
| 总外联数 | 300 | 全部为 B 类线索 |
| 送达率 | 89.3% | 剩余为退信或拦截 |
| 首次打开率 | 42.7% | 以邮件为主 |
| 首次回复率 | 6.3% | 高于行业平均 |
| 有效对话转化 | 8 个 | 进入实质沟通环节 |
| 负面反馈 | 2 个 | 均为要求停止联系 |
6.3% 的首回复率放在外联行业里不算惊艳，但考虑到所有内容都是 Agent 自动生成的、人工零干预，这个数字已经可用。而且我注意到一个趋势：随着系统不断学习回看数据，后两周的回复率比第一周高了约 1.5 个百分点，说明内容质量确实在迭代。
5.2 翻车现场一：LLM 幻觉导致邮件里出现不存在的合作案例
第一版系统里，我让生成 Agent 自由发挥写案例，结果一封发给某零售企业的邮件里，出现了一个"我们曾帮助某家头部零售企业提升 40% 客单价"的案例，但这家头部零售企业根本没和我们合作过。这是典型的幻觉问题，在商业外联场景里是致命的，因为一旦对方去核实，你将失去全部信用。
修复方案是给生成 Agent 加了一个"事实围栏"：所有案例、数据、客户名称必须从产品画像 Agent 输出的case_studies字段里读取，该字段由人工维护和审核，模型不允许自创。同时，Prompt 里加入了严格约束："如果没有任何案例与对方行业匹配，明确写出该行业暂无直接案例，并用能力标签做替代表述。"这样虽然损失了部分文案的流畅度，但换来了绝对的事实安全。
5.3 翻车现场二：A/B 测试没有控制变量，浪费了 200 封邮件预算
我在第二周曾经想测试"哪种开场白效果更好"，直接让系统分别生成两种版本发送。结果跑了 200 封邮件之后发现，样本分组没有控制行业和公司规模变量，A 组里大部分是制造业客户，B 组里大部分是互联网客户。不同行业本身的回复率差异远大于开场白风格的差异，整个测试白做了。
之后我重新设计了实验框架：每次只测试一个变量，分组时必须保证行业、公司规模、线索评分三个维度分布均衡。系统里加了一个简单的分层抽样函数，每次实验前自动校验分组均衡性，不平衡就重新抽。这套机制让我后来的每个实验都有了可信度，不再靠感觉判断哪个文案好。
5.4 翻车现场三：私信频控触发平台风控
一开始我低估了社交平台私信的频控限制，配置了每天 50 条的发送量，结果第三天账号就被临时限制了。我翻看了平台规则和大量实操者的经验，最终把私信发送量控制在每天 15 条以内，并且每条私信之间随机间隔 20 到 40 分钟。这显然牺牲了效率，但换来的是账号安全和更长的运营周期。
我建议所有做外联自动化的人都要有"账号安全优先"的意识。平台风控的算法不透明，你今天上线 50 条可能没事，但明天可能因为触发某个隐藏阈值被限制。宁可慢一点，也不要让整个渠道断掉。这是我在这个项目里付出过真实代价才学会的教训。
6. 从 Agent-Reach 延伸出去：这套架构还能复用在哪
Agent-Reach 虽然是为了外联场景设计的，但它的核心架构——信息采集、意图理解、价值匹配、内容生成、触达编排——本质上是一套通用的"主动连接系统"。我在开发和使用的过程中，发现这套思路完全可以迁移到其他领域。
招聘寻访是第一个我能想到的落地场景。猎头和招聘 HR 每天要做的事就是理解候选人背景、匹配职位需求、发送沟通邀约。如果把 Agent-Reach 的线索换成候选人，把产品画像换成职位画像，触达渠道换成招聘平台私信和邮件，这套系统的逻辑完全复用。尤其是主动寻访型招聘，候选人不会主动投递简历，你需要做的就是先理解他们、再触达他们。
投资人关系维护是第二个场景。很多创业者需要定期向潜在投资人同步进展，但很难做到每个人都了解、每份资料都个性化。Agent-Reach 完全可以承担信息采集和初稿生成的工作：收集每位投资人的基金偏好、近期投资动态、公开观点，然后为每次沟通生成个性化的进展同步邮件或会议纪要。这个场景下，人工只需要审核，不需要从零开始写。
还有一个比较有意思的方向是媒体和 KOL 外联。PR 从业者经常需要把产品信息传递给媒体记者和行业意见领袖，而每个人的关注领域、报道风格、近期选题方向都不同。Agent-Reach 的价值匹配层在这里可以发挥很大作用：把"产品卖点"换成"可供报道的新闻角度"，把线索解析换成对每位媒体人报道偏好的理解，输出物就从外联邮件变成了"定制化 pitch"。这套系统的本质能力是在大量个体中识别出与你有连接价值的人，并找到最高效、最不冒犯的连接方式。
我个人的体会是，Agent-Reach 这个项目的价值不在于它替代了多少人工，而在于它让我重新审视了外联工作中哪些环节是真正需要人的判断力、哪些环节可以放心交给 Agent。现在的状态是：系统负责把范围收窄、把资料备齐、把初稿写好，我负责在最关键的 10% 环节上投入全部精力。如果你也在做类似的外联工作，我建议不要一上来就追求全自动，先让 Agent 帮你做信息采集和初稿生成，跑通之后再逐步放开触达权限。稳一点，这套系统才能陪你把关系网慢慢做大。
