LangChain助手3個(gè)月轉(zhuǎn)化率飆升250%，節(jié)省千余工時(shí)

你有沒(méi)有想過(guò)，銷售這件事可能會(huì)被徹底重新定義？

不是那種換個(gè) CRM 系統(tǒng)或者學(xué)幾個(gè)銷售話術(shù)的小改進(jìn)，而是從根本上改變銷售人員的日常工作方式。

想象一下，銷售代表不再需要在 Salesforce、Gong、LinkedIn、公司網(wǎng)站之間瘋狂切換標(biāo)簽頁(yè)，不再需要花 15 分鐘做背景調(diào)查才能寫出第一個(gè)字，也不用擔(dān)心同事昨天剛聯(lián)系過(guò)的客戶今天又被重復(fù)騷擾。

這不是未來(lái)的幻想，而是 LangChain 團(tuán)隊(duì)已經(jīng)實(shí)現(xiàn)的現(xiàn)實(shí)。

他們構(gòu)建了一個(gè) GTM Agent（Go-to-Market Agent，市場(chǎng)推廣 AI agent），從 2025 年 12 月到 2026 年 3 月，僅僅三個(gè)月時(shí)間，就把潛在客戶到合格商機(jī)的轉(zhuǎn)化率提升了 250%，pipeline 規(guī)模增長(zhǎng)了 3 倍，同時(shí)為整個(gè)銷售團(tuán)隊(duì)節(jié)省了 1320 個(gè)小時(shí)。

當(dāng)我讀到 LangChain 分享的這個(gè)案例時(shí)，我意識(shí)到這不只是一個(gè)銷售自動(dòng)化工具的成功故事。這代表了一種全新的工作范式：AI agent 不再是簡(jiǎn)單地回答問(wèn)題或生成內(nèi)容，而是真正能夠端到端地執(zhí)行復(fù)雜業(yè)務(wù)流程，并且在執(zhí)行過(guò)程中不斷學(xué)習(xí)和優(yōu)化。

更重要的是，LangChain 作為一家 AI 基礎(chǔ)設(shè)施公司，他們自己就是這項(xiàng)技術(shù)的第一個(gè)用戶，這讓他們的經(jīng)驗(yàn)格外具有說(shuō)服力。我想深入剖析他們是如何做到的，以及這對(duì)我們理解 AI agent 在企業(yè)應(yīng)用中的真實(shí)價(jià)值有什么啟發(fā)。

更糟糕的是，銷售團(tuán)隊(duì)規(guī)模擴(kuò)大后，協(xié)調(diào)成本會(huì)呈指數(shù)級(jí)增長(zhǎng)。你不僅要擔(dān)心自己有沒(méi)有遺漏什么信息，還要擔(dān)心同事有沒(méi)有已經(jīng)聯(lián)系過(guò)這個(gè)人。我見(jiàn)過(guò)太多次這樣的尷尬場(chǎng)景：同一家公司的兩個(gè)銷售代表在同一周內(nèi)給同一個(gè)潛在客戶發(fā)了幾乎一模一樣的郵件，結(jié)果客戶直接拉黑了這家公司。這種失誤不僅浪費(fèi)了銷售機(jī)會(huì)，還會(huì)嚴(yán)重?fù)p害品牌形象。

所以當(dāng) LangChain 決定構(gòu)建一個(gè)能夠端到端處理這個(gè)流程的 AI agent 時(shí)，他們瞄準(zhǔn)的是一個(gè)真實(shí)存在、影響巨大的痛點(diǎn)。這不是為了 AI 而 AI 的技術(shù)炫技，而是為了解決銷售團(tuán)隊(duì)每天都在面對(duì)的實(shí)際問(wèn)題。

LangChain 構(gòu)建的 GTM Agent 主要做兩件事情。

第一，它能夠研究潛在客戶并撰寫個(gè)性化的郵件草稿。

第二，它會(huì)聚合賬戶層面的各種信號(hào)，包括網(wǎng)站活動(dòng)、開(kāi)發(fā)者生態(tài)系統(tǒng)數(shù)據(jù)、產(chǎn)品使用情況和營(yíng)銷接觸點(diǎn)，幫助銷售代表清楚地知道應(yīng)該把精力集中在哪里。通過(guò)將這些意圖數(shù)據(jù)與銷售代表負(fù)責(zé)的賬戶關(guān)聯(lián)起來(lái)，它能夠浮現(xiàn)出有意義的活動(dòng)，標(biāo)記出交易風(fēng)險(xiǎn)和競(jìng)爭(zhēng)對(duì)手的動(dòng)向，并明確下一步應(yīng)該聯(lián)系誰(shuí)。

我覺(jué)得這個(gè)設(shè)計(jì)非常巧妙的一點(diǎn)是，它不是試圖完全取代銷售人員，而是把銷售人員從重復(fù)性的研究和起草工作中解放出來(lái)，讓他們能夠?qū)Ｗ⒂谡嬲枰祟惻袛嗪蛣?chuàng)造力的部分。

整個(gè)流程是這樣的：當(dāng)一個(gè)新的潛在客戶出現(xiàn)在 Salesforce 系統(tǒng)里時(shí)，AI agent 會(huì)立即接管。它做的第一件事不是馬上寫郵件，而是尋找”不應(yīng)該發(fā)送任何內(nèi)容”的理由。如果這個(gè)人剛剛提交了一個(gè)技術(shù)支持工單，或者團(tuán)隊(duì)成員在本周早些時(shí)候已經(jīng)聯(lián)系過(guò)，那么發(fā)送自動(dòng)化郵件就是一個(gè)錯(cuò)誤。這個(gè) agent 被設(shè)計(jì)成非常謹(jǐn)慎的。

一旦通過(guò)了這些檢查，它會(huì)做銷售代表過(guò)去手動(dòng)做的所有研究工作：拉取完整的 Salesforce 記錄，閱讀 Gong 的通話記錄，查看潛在客戶的 LinkedIn 個(gè)人資料。如果內(nèi)部歷史記錄不多，它會(huì)使用 Exa 這個(gè)工具去網(wǎng)上搜索，了解這家公司目前在 AI 方面正在做什么。

如何撰寫郵件草稿取決于關(guān)系的狀態(tài)。這個(gè) agent 遵循一個(gè)定義好的 outbound skill（外呼技能），這是一個(gè)它在起草之前會(huì)加載的行動(dòng)手冊(cè)。這個(gè)技能被設(shè)計(jì)成能夠覆蓋溫暖和冷淡兩種情況。現(xiàn)有客戶會(huì)收到與溫暖潛在客戶不同的內(nèi)容，而溫暖潛在客戶又會(huì)收到與冷接觸不同的內(nèi)容。對(duì)于冷外呼，agent 會(huì)保持簡(jiǎn)潔并以研究為基礎(chǔ)，遵循他們?cè)诩寄苤卸x的行動(dòng)手冊(cè)。

隨著團(tuán)隊(duì)規(guī)模的擴(kuò)大，銷售代表開(kāi)始負(fù)責(zé) 50 到 100 多個(gè)賬戶。在這種規(guī)模下，很容易讓一些賬戶變得沉默，或者讓擴(kuò)展機(jī)會(huì)悄悄溜走。LangChain 的解決方案是讓 GTM Agent 每周一早上自動(dòng)從 Salesforce 和 BigQuery 拉取數(shù)據(jù)，然后檢查外部世界的融資輪次、產(chǎn)品發(fā)布和新的 AI 計(jì)劃。

他們?yōu)閮蓚€(gè)受眾定制了報(bào)告：銷售團(tuán)隊(duì)和部署工程團(tuán)隊(duì)，因?yàn)樗麄冴P(guān)心不同的數(shù)據(jù)點(diǎn)。對(duì)于銷售團(tuán)隊(duì)，agent 會(huì)聚合產(chǎn)品使用、開(kāi)發(fā)者生態(tài)系統(tǒng)、網(wǎng)站活動(dòng)、招聘趨勢(shì)和公司新聞等信號(hào)，以浮現(xiàn)擴(kuò)展機(jī)會(huì)。它會(huì)標(biāo)記高管變動(dòng)、軟件包安裝量的激增，以及公司是否正在積極招聘 AI 工程師或構(gòu)建 agentic 系統(tǒng)——這是他們準(zhǔn)備擴(kuò)展的強(qiáng)烈信號(hào)。當(dāng)他們推出新功能時(shí)，它還會(huì)識(shí)別潛在的良好匹配對(duì)象，將最近活動(dòng)與新功能良好契合的賬戶匹配起來(lái)。而且因?yàn)閮H僅知道一個(gè)賬戶是活躍的還不夠，它會(huì)浮現(xiàn)哪些個(gè)人最活躍，并建議下一步應(yīng)該聯(lián)系誰(shuí)。

對(duì)于部署工程師，重點(diǎn)轉(zhuǎn)向賬戶健康狀況。agent 從 BigQuery 拉取產(chǎn)品使用數(shù)據(jù)，提取最近客戶電話的要點(diǎn)，即將到來(lái)的續(xù)約日期，以及客戶接近用完額度的情況。它還會(huì)浮現(xiàn)最近通話中的開(kāi)放問(wèn)題和未解決的線索。目標(biāo)是標(biāo)記真正需要人工介入的內(nèi)容，這樣團(tuán)隊(duì)就不用在周日晚上翻看儀表板了。

我覺(jué)得這個(gè)賬戶智能功能特別有價(jià)值的地方在于，它不只是被動(dòng)地回答銷售代表的問(wèn)題，而是主動(dòng)地發(fā)現(xiàn)和浮現(xiàn)重要的信號(hào)。傳統(tǒng)的商業(yè)智能工具通常需要你知道要問(wèn)什么問(wèn)題，然后去查詢數(shù)據(jù)。但現(xiàn)實(shí)中，銷售代表往往不知道應(yīng)該關(guān)注什么，或者他們根本沒(méi)有時(shí)間去主動(dòng)挖掘數(shù)據(jù)。AI agent 通過(guò)持續(xù)監(jiān)控多個(gè)數(shù)據(jù)源并識(shí)別有意義的模式，實(shí)際上是在充當(dāng)一個(gè)永不疲倦的分析師，幫助銷售團(tuán)隊(duì)發(fā)現(xiàn)那些可能會(huì)錯(cuò)過(guò)的機(jī)會(huì)。

更重要的是，這種主動(dòng)洞察是基于多源數(shù)據(jù)的綜合分析。一個(gè)公司在招聘 AI 工程師可能意味著他們?cè)跀U(kuò)大 AI 團(tuán)隊(duì)。如果同時(shí)他們的軟件包下載量在激增，高管層有了新的 CTO，那么這三個(gè)信號(hào)結(jié)合起來(lái)就構(gòu)成了一個(gè)非常強(qiáng)烈的擴(kuò)展機(jī)會(huì)指示。單獨(dú)看每個(gè)信號(hào)可能不夠有說(shuō)服力，但當(dāng) AI agent 能夠跨多個(gè)數(shù)據(jù)源進(jìn)行綜合分析時(shí)，它就能發(fā)現(xiàn)這些隱藏的模式。

LangChain 在構(gòu)建這個(gè)系統(tǒng)時(shí)面臨的核心挑戰(zhàn)是：這個(gè) agent 需要從多個(gè)來(lái)源拉取數(shù)據(jù)，跨這些數(shù)據(jù)進(jìn)行推理，并產(chǎn)生個(gè)性化的輸出。這遠(yuǎn)遠(yuǎn)超出了簡(jiǎn)單的 LLM 調(diào)用能夠可靠處理的范圍。

我認(rèn)為這個(gè)技術(shù)選擇非常關(guān)鍵。很多人在構(gòu)建 AI agent 時(shí)低估了處理可變輸入和多步驟編排的復(fù)雜性。當(dāng)你只是做一個(gè)簡(jiǎn)單的問(wèn)答系統(tǒng)時(shí)，輸入和輸出都相對(duì)可預(yù)測(cè)。但當(dāng)你要處理真實(shí)的業(yè)務(wù)流程時(shí)，數(shù)據(jù)的復(fù)雜性會(huì)爆炸式增長(zhǎng)。有些客戶可能有十幾次 Gong 通話記錄，每次通話可能持續(xù)一小時(shí)；有些客戶可能完全是新的，只有一個(gè) LinkedIn 個(gè)人資料和一個(gè)公司網(wǎng)站。如果你沒(méi)有一個(gè)能夠優(yōu)雅處理這種可變性的架構(gòu)，系統(tǒng)很快就會(huì)變得不可靠。

另一個(gè)重要的技術(shù)選擇是將 agent 連接到 LangSmith，這樣他們可以理解銷售代表實(shí)際上是如何使用它的，并衡量 agent 是否隨著時(shí)間的推移而改進(jìn)。這意味著從一開(kāi)始就設(shè)置評(píng)估，而不是后來(lái)再改裝，這對(duì)于在迭代提示或切換模型版本時(shí)捕獲回歸至關(guān)重要。

更重要的是，這個(gè)記憶系統(tǒng)是個(gè)性化的。不同的銷售代表有不同的風(fēng)格，面對(duì)不同的市場(chǎng)和客戶群。一個(gè)專注于企業(yè)客戶的銷售代表可能需要更正式的語(yǔ)言，而一個(gè)專注于初創(chuàng)公司的銷售代表可能更喜歡簡(jiǎn)潔直接的風(fēng)格。通過(guò)為每個(gè)銷售代表維護(hù)獨(dú)立的記憶，系統(tǒng)能夠適應(yīng)這些個(gè)人差異，而不是強(qiáng)迫每個(gè)人使用同一種模板。

父 agent 為每個(gè)賬戶生成一個(gè) subagent，保持工具隔離和輸出可預(yù)測(cè)。因?yàn)?subagents 獨(dú)立運(yùn)行，他們可以并行執(zhí)行它們。LangSmith Deployment 處理水平擴(kuò)展和持久執(zhí)行，所以系統(tǒng)隨著量的增長(zhǎng)保持可靠。

我覺(jué)得這個(gè)架構(gòu)設(shè)計(jì)解決了一個(gè)很現(xiàn)實(shí)的問(wèn)題：當(dāng)你需要處理幾十個(gè)甚至上百個(gè)賬戶時(shí)，如果串行處理，整個(gè)流程可能需要幾個(gè)小時(shí)才能完成。但如果你能夠并行處理，就可以在可接受的時(shí)間內(nèi)完成所有分析。

更深層的洞察是關(guān)于責(zé)任邊界的清晰劃分。每個(gè) subagent 都有明確定義的工具集和輸出格式。銷售研究 subagent 不會(huì)去看支持工單，部署工程師 subagent 不會(huì)去做市場(chǎng)研究。這種清晰的邊界不僅使系統(tǒng)更容易理解和調(diào)試，也減少了 agent 出錯(cuò)或產(chǎn)生不相關(guān)輸出的可能性。

我在構(gòu)建復(fù)雜系統(tǒng)時(shí)經(jīng)常看到的一個(gè)問(wèn)題是，當(dāng)一個(gè)組件試圖做太多事情時(shí)，它往往什么都做不好。通過(guò)將復(fù)雜任務(wù)分解成多個(gè)專門的 subagents，每個(gè)都專注于特定的數(shù)據(jù)源和輸出格式，LangChain 創(chuàng)建了一個(gè)更模塊化、更可維護(hù)的系統(tǒng)。如果他們需要改進(jìn)銷售研究的質(zhì)量，他們可以只修改那個(gè) subagent，而不用擔(dān)心影響部署工程師的功能。

LangChain 強(qiáng)調(diào)，在為新工作流編寫任何生產(chǎn)代碼之前，他們會(huì)在 LangSmith 中定義成功的樣子。他們從一個(gè)小型的代表性場(chǎng)景庫(kù)開(kāi)始，這些場(chǎng)景都基于銷售代表實(shí)際面對(duì)的情況，使用這些來(lái)構(gòu)建初始 agent 或功能，并確保基礎(chǔ)功能在擴(kuò)展之前是有效的。

一旦功能正常運(yùn)行，他們會(huì)在 LangSmith 中擴(kuò)大評(píng)估集，以涵蓋更難的情況：深入研究 agentic AI 或 NLP 的研究人員，他們?cè)噲D重新吸引的現(xiàn)有客戶，有先前 Gong 記錄的賬戶，像醫(yī)療保健這樣有大量行話的垂直行業(yè)。一切都通過(guò)一個(gè)測(cè)試工具運(yùn)行，該工具模擬他們的外部 API，這樣他們可以在接觸真實(shí)數(shù)據(jù)之前在受控環(huán)境中觀察行為。

他們?cè)趦蓚€(gè)層面進(jìn)行評(píng)估。首先，基于規(guī)則的斷言檢查基礎(chǔ)知識(shí)：正確的工具、正確的順序、沒(méi)有重復(fù)的草稿。LLM 評(píng)委對(duì)語(yǔ)氣、字?jǐn)?shù)和格式進(jìn)行評(píng)分。兩者都作為 CI 中完整評(píng)估套件的一部分運(yùn)行，他們將 agent 行為中任何無(wú)法解釋的漂移視為值得調(diào)查的 bug。

我覺(jué)得這種雙軌制的評(píng)估體系非常值得學(xué)習(xí)。自動(dòng)化評(píng)估能夠快速發(fā)現(xiàn)明顯的錯(cuò)誤和回歸，但它無(wú)法告訴你 AI 生成的內(nèi)容在真實(shí)世界中是否有效。只有通過(guò)跟蹤真實(shí)用戶的行為和結(jié)果，你才能知道什么真正起作用。

后來(lái)他們構(gòu)建了一個(gè)對(duì)話式 Slack 界面作為副項(xiàng)目，主要是為了給 SDR 一種直接與 agent 交互的方式。他們沒(méi)有預(yù)料到的是它傳播到公司其他部門的速度有多快。因?yàn)?agent 已經(jīng)連接到 Salesforce、Gong、BigQuery 和 Gmail，人們發(fā)現(xiàn)了他們沒(méi)有設(shè)計(jì)的用途。工程師在不編寫 SQL 的情況下檢查產(chǎn)品使用情況。客戶成功團(tuán)隊(duì)在續(xù)約電話之前拉取支持歷史。客戶經(jīng)理在會(huì)議前總結(jié) Gong 記錄。

他們沒(méi)有有意構(gòu)建任何這些工作流。agent 有訪問(wèn)權(quán)限，人們找到了阻力最小的路徑。與機(jī)器人交談比打開(kāi)六個(gè)不同的標(biāo)簽頁(yè)更容易。

我認(rèn)為這個(gè)意外的跨團(tuán)隊(duì)采用揭示了一個(gè)深刻的洞察：當(dāng)你構(gòu)建一個(gè)真正有用的 AI agent 并給它訪問(wèn)核心數(shù)據(jù)系統(tǒng)的權(quán)限時(shí)，它的價(jià)值會(huì)自然地?cái)U(kuò)散到你最初設(shè)想之外的用例。這不是因?yàn)槟阕隽耸裁刺貏e的營(yíng)銷或推廣，而是因?yàn)槿藗儠?huì)自然地尋找更高效的工作方式。

這也說(shuō)明了為什么將 AI agent 與現(xiàn)有的系統(tǒng)記錄（systems of record）集成如此重要。如果 LangChain 構(gòu)建的是一個(gè)獨(dú)立的工具，需要手動(dòng)輸入數(shù)據(jù)或者只能訪問(wèn)有限的信息源，它可能永遠(yuǎn)不會(huì)獲得這種有機(jī)的跨團(tuán)隊(duì)采用。但因?yàn)樗呀?jīng)連接到 Salesforce、Gong、BigQuery 等核心系統(tǒng)，它自然而然地成為了一個(gè)任何需要訪問(wèn)這些數(shù)據(jù)的人都可以使用的界面。

我也注意到一個(gè)有趣的演進(jìn)：從環(huán)境 agent 到對(duì)話式界面。環(huán)境 agent 非常適合標(biāo)準(zhǔn)化、可預(yù)測(cè)的工作流，但當(dāng)人們需要更靈活、更探索性的使用方式時(shí)，對(duì)話式界面就變得非常有價(jià)值。能夠直接問(wèn)”這個(gè)客戶的產(chǎn)品使用趨勢(shì)如何”或者”最近一次與這個(gè)客戶的通話提到了什么問(wèn)題”，比導(dǎo)航一個(gè)復(fù)雜的 UI 或者編寫 SQL 查詢要直觀得多。

讀完 LangChain 的這個(gè)案例，我最大的感受是：AI agent 的真正價(jià)值不在于完全自動(dòng)化某個(gè)任務(wù)，而在于重新定義人機(jī)協(xié)作的邊界。

很多人在談?wù)?AI agent 時(shí)，關(guān)注的是它能否完全取代人類完成某項(xiàng)工作。但我認(rèn)為這個(gè)視角太狹隘了。LangChain 的 GTM Agent 之所以成功，恰恰是因?yàn)樗鼪](méi)有試圖取代銷售代表，而是識(shí)別出銷售流程中哪些部分是重復(fù)性的、可自動(dòng)化的，哪些部分需要人類的判斷和創(chuàng)造力。研究客戶背景、拉取歷史記錄、起草初版郵件——這些都是費(fèi)時(shí)但相對(duì)機(jī)械的工作，AI 可以做得很好。但決定是否發(fā)送、如何調(diào)整語(yǔ)氣、什么時(shí)候跟進(jìn)——這些仍然需要人類的專業(yè)判斷。

我也看到了一個(gè)重要的模式：最成功的 AI agent 往往是那些能夠融入現(xiàn)有工作流程的。LangChain 沒(méi)有要求銷售代表學(xué)習(xí)一個(gè)新的界面或者改變他們的工作習(xí)慣。草稿出現(xiàn)在 Slack 中，他們已經(jīng)每天都在用的工具。數(shù)據(jù)來(lái)自 Salesforce 和 Gong，他們已經(jīng)在使用的系統(tǒng)。這種無(wú)縫集成大大降低了采用的摩擦力。

另一個(gè)深刻的洞察是關(guān)于學(xué)習(xí)循環(huán)的重要性。一個(gè)靜態(tài)的 AI 系統(tǒng)，無(wú)論最初設(shè)計(jì)得多么好，都會(huì)隨著時(shí)間的推移變得過(guò)時(shí)。但如果你能構(gòu)建一個(gè)從每次交互中學(xué)習(xí)的系統(tǒng)，它就會(huì)持續(xù)改進(jìn)。LangChain 的 Memory 系統(tǒng)和反饋?zhàn)粉櫃C(jī)制創(chuàng)建了這樣一個(gè)學(xué)習(xí)循環(huán)，使得系統(tǒng)能夠適應(yīng)不同銷售代表的風(fēng)格偏好，并從真實(shí)的結(jié)果數(shù)據(jù)中學(xué)習(xí)什么真正有效。

我還特別欣賞 LangChain 對(duì)可解釋性的重視。AI agent 不只是給出一個(gè)結(jié)果，它還解釋為什么選擇了某個(gè)角度，使用了哪些數(shù)據(jù)源。這種透明度不僅建立了信任，也讓銷售代表能夠更好地理解和改進(jìn)系統(tǒng)的輸出。在企業(yè)環(huán)境中，這種可解釋性往往比純粹的性能更重要。

最后，我認(rèn)為 LangChain 這個(gè)案例證明了一點(diǎn)：構(gòu)建 AI 基礎(chǔ)設(shè)施的公司應(yīng)該成為自己產(chǎn)品的第一個(gè)用戶。他們?cè)跇?gòu)建 GTM Agent 的過(guò)程中積累的經(jīng)驗(yàn)和遇到的挑戰(zhàn)，直接幫助他們改進(jìn)了 LangChain 和 LangSmith 這些產(chǎn)品。這種”吃自己的狗糧”（dogfooding）不僅能發(fā)現(xiàn)產(chǎn)品的真實(shí)問(wèn)題，也能讓他們更深刻地理解客戶的需求。

從更宏觀的角度看，我相信 LangChain 的 GTM Agent 代表了企業(yè) AI 應(yīng)用的一個(gè)重要方向：不是構(gòu)建獨(dú)立的 AI 工具，而是將 AI 能力深度集成到現(xiàn)有的業(yè)務(wù)流程中，創(chuàng)建一個(gè)人機(jī)協(xié)作的智能系統(tǒng)。這種系統(tǒng)能夠處理大量的重復(fù)性工作，同時(shí)保持人類在關(guān)鍵決策點(diǎn)的控制權(quán)，并且能夠從每次交互中持續(xù)學(xué)習(xí)和改進(jìn)。這才是 AI agent 在企業(yè)環(huán)境中應(yīng)該有的樣子。