销售智能体如何阻断错误信息扩散
文章主张将公司调研、实体核验和后续触达拆成独立阶段,避免未经验证的信息直接进入客户沟通。其核心原则是让智能体的操作权限受验证能力约束,降低错误批量执行的风险。
AI 深度解读
AI 销售 Agent 能查公司、找联系人、写邮件,却未必能安全地批量执行。ZEVORYX AI 创始人 Jamal Rozenblad 给出的核心判断是:Agent 能获得多少行动自由,取决于系统能验证多少。
这篇文章的价值,在于把「生成一封像样的邮件」拆成一套可检查的业务流程。它没有提供模型评测或效果对照,更多是作者参与 B2B 销售自动化的架构经验。对正在把 AI 接入真实业务的程序员来说,其中关于事实核验、任务重试和执行权限的讨论,比提示词技巧更值得看。
为什么查资料、判断客户和写邮件要拆开
让一个 Agent 查完公司,顺手判断是否适合推销,再直接生成邮件,演示起来很流畅。问题是,第一个环节一旦认错公司,后面可能一路畅通,最终产出一封措辞自然、事实错误的邮件。
作者建议拆成七个阶段:研究、实体消歧、资格判断、个性化生成、校验、审批、执行。每个阶段都输出可以独立检查的结构化结果。
其中,实体消歧(Entity resolution)就是确认「这些资料说的,到底是不是同一家公司」。
原文给了一个假设案例:Agent 搜索 Atlas Systems,同时查到伦敦的 Atlas Systems Ltd. 和德国的 Atlas Systems GmbH。它把德国公司的新办公室公告,写进了发给英国公司的祝贺邮件。文案没有语病,业务事实却串了。
因此,公司名称只能作为检索入口。正式接受资料之前,还要核对官方域名、注册名称、国家与经营地点、母子公司关系、来源 URL、发布日期,以及来源与公司的匹配置信度。
信号冲突时,正确输出是「不确定」,而不是挑一个看起来最合理的答案。
资格判断也要单独处理。作者列出的依据包括行业、商业模式、目标客户群、可靠可得的公司规模、地域要求、商业条件、实际需求证据,以及现有客户或禁止联系状态。其中一部分适合确定性规则,另一部分才需要 AI 辅助分析。
看起来适合推销,不等于已经构成合格的销售机会。
这层输出应该同时包含结论和证据。否则,下游看到一个「符合条件」标签,很难知道它来自明确规则,还是模型根据几句公司介绍做出的推测。
多 Agent 协作,为什么不能只传一段摘要
拆成多个 Agent,并不会自动提高可靠性。研究 Agent 写「可能正在扩张」,筛选 Agent 压缩摘要时丢掉「可能」,写作 Agent 就可能把它写成「恭喜贵公司扩张」。
这里丢失的是事实状态。
作者建议各组件交换经过校验的结构化记录,并保留未经验证的假设、置信度指标、最近一次核验时间。下游用于事实性个性化的信息,应受到指令和技术约束,只能使用已确认事实。
落实到工程上,可以把「已确认」和「待核验」分开存放,并让生成环节只读取允许使用的内容。相比要求模型记住「不要乱写」,这种数据访问边界更容易检查。
但结构校验有明确的能力范围。Schema validation 能发现字段缺失、类型不对或格式错误,无法独立判断一句话是否真实。一个字段完整、类型正确的公司记录,仍可能对应错误主体。
核验时间也有实际意义。公司规模、办公地点和业务状态会变化,过去确认过的信息不代表永远可用。不过,原文没有说明数据多久需要重新核验,也没有提供置信度的计算方法。这些都需要团队根据业务补齐。
文章最后把这条链路延伸到可观测性:系统应能回答评估了哪家公司、看过哪些来源、为什么认为它相关、用了哪些个性化事实、通过或未通过哪些检查、是否需要人工审批,以及执行结果是什么。
这些记录不只是日志。它们把一个最终动作还原成可追查的决策过程,开发者才能找到错误究竟出在检索、筛选、生成还是执行。
真正危险的边界,是从生成走向执行
邮件写错可以在草稿阶段修改;邮件发出去,补救成本就变了。作者因此强调,去重、退订、授权和执行额度,应由应用逻辑负责,不能只写进提示词。
原文用发送超时说明这个问题:执行 worker 已经发出邮件,却在返回确认前超时。系统以为任务失败,再试一次,收件人就可能收到两封相同邮件。
作者提出用活动、收件人和预定动作生成幂等键(idempotency key),发送前检查该动作是否已有记录。
这个方向成立,但原文没有交代发送与记录之间如何保持一致。如果邮件已发送、记录尚未写入,重试仍可能造成重复。实际实现还需要结合发送服务的能力和状态恢复机制,不能只加一个查询就认定问题解决了。
退订同样需要集中管理。联系人退出后,相关活动和发送系统都应遵守这一状态。只把退订存在某个 Agent 的对话历史里,其他执行路径仍可能继续联系。
人工审批则按后果分级:读取允许访问的公开来源、抽取资料、生成内部摘要属于低风险;判断不确定的潜客、选择个性化信号、准备外发消息属于中风险;发送外部通信、修改客户记录、处理敏感信息的动作属于更高风险。
作者认为这与 NIST AI Risk Management Framework 的风险管理原则一致,但没有给出具体条款映射,也没有规定每一级必须采用什么审批方式。
评估指标也要越过执行成功率。生成了 1,000 条消息,只能证明系统能生成这些消息,不能证明联系到了正确决策者,更不能证明产生了合格机会。原文建议继续看潜客相关性、错误、合格回复、完成的会议,以及后续商业结果。
我的判断
我赞同作者把控制能力放在行动权限前面。尤其是外发消息这类动作,可靠性来自整条链路,而不只是最后一道文案审核。公司认错了,后面再检查语气、格式和敏感词,也很难救回来。
不过,这篇文章提供的是架构原则,没有展示真实错误率、转化率、成本或改造前后的对照数据。Atlas Systems 是假设案例,1,000 条消息也是说明指标差异的例子,都不能当成实测结果。
它也没有证明多 Agent 比单 Agent 更好。对规模较小的团队,固定工作流加少量模型调用,同样可以拆开研究、筛选和生成,并保留清晰的数据契约。是否需要独立 Agent,要看是否存在不同工具、权限和任务调度需求。
另外,「只允许使用已确认事实」并非免费能力。确认标准、来源可信度、信息有效期都需要维护。作者说对了要解决什么,但没有给出完整的核验实现。
这套方案最值得借鉴的是控制边界,不能直接当作已验证的生产配方。
能拿来做什么
- 给 Node 自动化流程拆出独立的研究、筛选、生成和执行步骤,每一步保存结构化结果与来源,让错误能够定位到具体环节。
- 在前端审核界面同时展示公司身份、引用事实、资料时间和待核验项,让审核者有依据判断邮件能否发送。
- 把发送去重、集中退订检查、授权和执行额度放进后端逻辑,并检查超时重试时「动作已完成、状态未确认」的情况。
- 给日常 AI 编程中的工具调用区分读取、起草和实际写入权限;评估销售流程时,同时追踪技术执行结果与合格回复、会议等业务结果。