AI 輔助 B2B 潛在客戶篩選與回覆分類引擎：結合 AI 評分與人工審核

大家好，潛在客戶的導入通常會遇到兩種極端情況：要嘛所有提交的內容都被直接丟進客戶關係管理系統（CRM），導致銷售代表被垃圾郵件淹沒；要嘛過於嚴格的正規表達式（regex）篩選器，卻不小心拒絕了措辭不標準的潛在客戶。

我在 Quiet Commerce 總部建立了這個端到端的資格篩選與路由架構。它利用大型語言模型（LLM）進行語義資格評估和回覆情緒分析，並搭配確定性的信心門檻與人工審核機制。

1. 潛在客戶導入資格篩選流程

資料擷取與正規化：

導入的網路鉤子（webhook）會捕捉原始提交的資料，並透過 JavaScript 進行清理和正規化，然後再傳送給 AI 代理。

LLM 理想客戶檔案（ICP）評估：

AI 代理會根據我們的理想客戶檔案（ICP）標準，比較潛在客戶的個人資料、預算、時間表和專案範圍，並輸出一個結構化的信心分數。

信心門檻：

• 高信心： 繞過人工審核，立即將潛在客戶加入新客戶導入的電子郵件序列，建構 CRM 資料，並直接同步到 CRM。
• 邊緣/低信心： 觸發人工審核分支（透過互動式審核電子郵件等待人工批准）。如果管理員批准，則直接路由到 CRM/電子郵件序列；否則，則記錄為已拒絕，而不會佔用銷售隊列。

警報：

管理員通知節點會針對高價值路由事件發送即時警報。

2. 雙向回覆情緒分類

回覆擷取：

一個傳入的網路鉤子會捕捉來自電子郵件行銷活動的潛在客戶回覆。

意圖分析：

第二個聊天模型會解析回覆的情緒和意圖。

路由：

正向回覆會標記給管理員，並停留在非同步審核狀態，以便進行個人化結案；而負向或不感興趣的回覆則會乾淨地路由到歸檔路徑，不再發送任何自動化通知。

架構技術堆疊與彈性

• 在 Docker 中自行託管 n8n。
• Caddy 反向代理，用於路徑白名單和網路鉤子端點保護。
• 用於評估的本地 LLM / 推論模型。
• 確定性的備援路徑，確保即使外部 API 達到速率限制，網路鉤子資料也不會被無聲丟棄。

好奇其他人是如何處理高流量導入的人工審核門檻的！