给中小工厂搭一个 7×24 的询盘接待 Agent，从知识库整理、工作流编排、结构化落库到效果度量，全部可复制。文末附完整提示词和落库代码。

一、先说个数字：42 小时

Harvard Business Review 曾对 2241 家 B2B 企业做过一次神秘顾客实测：新询盘的首次响应时间平均是 42 小时，其中 23% 的企业从未回复。

另一组更早、但被反复复现的研究（Oldroyd，2007，即《The Short Life of Online Sales Leads》引用的那组）给出的结论是方向性的：5 分钟内接触询盘，命中资格的几率大约是 30 分钟后的 21 倍；后续多家机构的重复测试显示，能在 5 分钟内响应的企业只有 7% 左右。

数字的具体倍数不必较真（毕竟原始研究是 2007 年的），但方向非常稳定：响应速度是 B2B 转化里少数几个「几乎免费、且立刻能改」的变量。

问题是，中小工厂做不到。原因很朴素：

• 询盘晚上 10 点来，销售第二天上班才看到；
• 销售在车间/出差/开会，手机响了也接不了；
• 只有一个业务员，同时管报价、跟单、发货；
• 阿里巴巴、官网表单、微信、抖音私信，四个入口没人统一盯。

所以这篇文章不讲概念，只讲怎么用 Coze 工作流把「第一响应」这件事交给 AI，并且不失控。整套方案不写后端也能上线，最后我会给一段落库代码，让询盘不漏。

---

二、先划边界：哪些能交给 AI，哪些必须转人工

这一步 90% 的人会跳过，然后翻车。AI 接待的失败从来不是因为答不上问题，而是因为答得太自信——尤其是报价。

询盘类型	处理方式	理由
产品参数、材质、规格、常规交期	✅ AI 直接答	知识库里有标准答案，答得快就是赢
资质、认证、案例、工厂产能	✅ AI 直接答	增强信任，且不涉及承诺
起订量、能不能定制、开模流程	✅ AI 答范围 + 追问细节	需要收集客户的具体需求参数
具体价格、折扣、账期	⚠️ AI 只给区间，然后必须转人工	报价一旦说错，要么亏，要么失信
投诉、索赔、质量纠纷	❌ 立即转人工，AI 不解释	情绪场景，AI 只会火上浇油
招投标、大额项目、独家代理	❌ 立即转人工 + 通知老板	高价值，必须人接

一句话原则：AI 负责「让客户感到被立刻接住了」，人负责「让客户掏钱」。

把这个表写成工作流里的分支条件，比写十页提示词都管用。

---

三、整体架构

对应的节点配置（Coze 工作流里就是拖这几个块）：

顺序	节点	类型	关键配置
1	开始	系统	入参：user_input、channel、session_id、history
2	意图识别	LLM	输出枚举：product / price / complaint / vip / other
3	条件分支	Condition	按枚举走 4 条路
4	知识库检索	Knowledge	TopK = 5，开启「仅依据知识库回答」
5	生成回复	LLM	见第五节的完整提示词
6	字段抽取	LLM（JSON 模式）	输出公司名、联系人、电话、需求、数量、交期、意向等级
7	落库	HTTP / 插件	POST 到你的 Webhook，或写飞书多维表格
8	通知	插件	飞书/钉钉机器人推送

第 6 步的字段抽取是整套方案的胜负手——没有它，AI 聊得再热闹也是一个不产出的聊天窗口。

---

四、知识库怎么整理，决定了 Agent 的天花板

很多人把产品手册 PDF 一丢就完事，结果 AI 检索出一堆排版垃圾。工程上的经验是：不要上传手册，要上传「问答形状」的资料。

推荐把工厂资料拆成 5 个文件，每个文件内部按 ## 标题 + 一段正文 组织：

knowledge/
├── 01-产品参数.md        # 型号、材质、规格、公差、适用场景
├── 02-价格与起订量.md    # 价格区间（不给精确值）、阶梯、起订量、模具费
├── 03-交期与物流.md      # 常规交期、加急规则、发运方式、覆盖区域
├── 04-资质与案例.md      # 认证、专利、产能、已合作行业
└── 05-常见问题.md        # 客户真实问过的 50 个问题 + 标准答案

几个具体建议：

1. 价格写区间，不写精确值。 例如「该类产品常规批量单价区间为 32–48 元，具体取决于材质与数量，需工程师核价后 2 小时内回复」——把「转人工」写进知识库本身。
2. 每条答案控制在 300 字以内。 超过 300 字就要拆成两条，否则检索命中后一段话糊上去，客户根本不看。
3. 标注更新日期。 工厂价格和交期变动频繁，知识库里的「2026 年 8 月版」能防止 AI 拿过期数据回答。
4. 上线前做 20 题回归测试。 准备 20 个真实客户问法（含错别字和口语），跑一遍，凡是引用错误或凭空编造的，回炉改知识库而不是改提示词。

记住一条：知识库是事实来源，提示词是行为约束。 事实错了改知识库，态度错了改提示词，别混着改。

---

五、完整提示词（可直接粘贴）

这是「生成回复」节点的系统提示词。我把工厂场景里踩过的坑都写进去了，重点是防幻觉报价和逼它收集联系方式。

# 角色
你是「{工厂名}」的售前接待助手，7×24 在岗。你的任务不是把客户聊高兴，
而是：① 立刻接住客户 ② 问清需求 ③ 拿到联系方式 ④ 判断要不要转人工。

# 绝对规则（违反即失败）
1. 只依据「知识库」内容回答事实性问题。知识库里没有的，直接说
   「这个参数我需要跟工程师确认，麻烦留个联系方式，今天内回复您」，
   严禁推测、严禁用行业通用值代替本厂数据。
2. 严禁给出任何精确报价、折扣、账期承诺。价格只能给知识库中标注的区间，
   并必须补一句：「具体价格以工程师核价为准，我帮您转给销售同事。」
3. 涉及投诉、质量纠纷、索赔、法律相关，不做任何解释和安抚，直接输出：
   「非常抱歉给您带来困扰，我马上安排负责人直接联系您。」然后触发转人工。
4. 客户提到招投标、年度框架、独家代理、单笔预估超过 {金额} 的，
   立即转人工，并标记为高优先级。
5. 不承诺交期以外的任何时间节点；不加客户微信；不引导客户脱离当前渠道。
6. 不说「作为AI」「我是机器人」这类话，也不要过度使用感叹号。
   语气：干脆、专业、像厂里干了十年的老师傅，不像电商客服。

# 对话策略
- 第一轮：直接回答客户问题（如果它能被回答），回答后立刻追问一个关键参数。
- 每轮最多问 2 个问题，不要一次抛 5 个，客户会跑。
- 优先收集的字段顺序：需求产品 → 数量 → 材质/规格要求 → 交期 → 公司名 → 手机号。
- 客户已经说过的信息不要重复问第二次，先复述确认再往下走。
- 客户连续两轮答非所问或明显不耐烦时，主动提出「我让销售同事加您，直接聊」。

# 输出格式
用 Markdown，短句为主，单条回复不超过 150 字。
涉及参数对比时用表格；涉及流程时用有序列表。

另外两个节点也各需要一段短提示词：

意图识别节点（只输出一个词，方便做条件分支）：

判断用户意图，只输出以下之一，不要任何解释：
product   —— 问产品、参数、材质、规格、定制可行性
price     —— 问价格、报价、多少钱、优惠、账期
complaint —— 投诉、退货、质量、纠纷
vip       —— 招投标、年度框架、大额订单、代理合作
other     —— 其他

字段抽取节点（务必开启 JSON 输出模式）：

{
  "company": "客户公司名，未提及填空字符串",
  "contact": "联系人姓名",
  "phone": "手机号或微信号",
  "product": "咨询的产品",
  "quantity": "数量，未提及填 unknown",
  "requirement": "一句话概括客户需求",
  "intent_level": "A / B / C，A=明确要报价或要样品，B=有具体需求，C=泛泛了解",
  "need_human": true,
  "reason": "需要转人工的原因，若无需转人工填空字符串"
}

---

六、结构化落库：别让 AI 白聊

工作流最后一步把上面那个 JSON POST 到你的接口。一个 30 行的 Flask 示例，够用：

# app.py —— 接收 Coze 工作流回传的询盘，落库并推送
import csv, os, time, hashlib, requests
from flask import Flask, request, jsonify

app = Flask(__name__)
CSV_PATH = "leads.csv"
PUSH_URL = os.environ["FEISHU_WEBHOOK"]   # 飞书/钉钉机器人地址

FIELDS = ["ts", "channel", "company", "contact", "phone",
          "product", "quantity", "requirement", "intent_level", "need_human"]

@app.post("/coze/lead")
def lead():
    data = request.get_json(force=True) or {}
    row = {k: str(data.get(k, "")).strip() for k in FIELDS}
    row["ts"] = time.strftime("%Y-%m-%d %H:%M:%S")

    # 用 手机号+产品 去重，避免同一客户多轮对话写多条
    key = hashlib.md5(f"{row['phone']}|{row['product']}".encode()).hexdigest()

    exists = os.path.exists(CSV_PATH)
    if exists:
        with open(CSV_PATH, newline="", encoding="utf-8-sig") as f:
            for old in csv.DictReader(f):
                if hashlib.md5(f"{old['phone']}|{old['product']}".encode()).hexdigest() == key:
                    return jsonify(ok=True, duplicated=True)

    with open(CSV_PATH, "a", newline="", encoding="utf-8-sig") as f:
        w = csv.DictWriter(f, fieldnames=FIELDS)
        if not exists:
            w.writeheader()
        w.writerow(row)

    # 只有 A 类或需转人工的才打扰销售，否则每天早上批量看
    if row["intent_level"] == "A" or row["need_human"] == "true":
        requests.post(PUSH_URL, json={"msg_type": "text", "content": {"text":
            f"🔔 新询盘 {row['intent_level']} 级\n"
            f"公司：{row['company'] or '未填'}\n"
            f"联系人：{row['contact']} {row['phone']}\n"
            f"需求：{row['product']} / {row['quantity']}\n"
            f"说明：{row['requirement']}"}}, timeout=5)

    return jsonify(ok=True)

if __name__ == "__main__":
    app.run(host="0.0.0.0", port=8000)

三个细节值得单独说：

• utf-8-sig 不能省。 用 Excel 打开 CSV 的中文乱码，八成就是这个。BOM 加上就正常了。
• 必须做去重。 客户在对话里断断续续说了三轮，工作流可能触发三次落库，销售会收到三条一模一样的通知——然后就把通知静音了，方案等于报废。
• 分级推送。 A 级和需转人工的实时推，B/C 级攒着批量看。告警疲劳是这类系统最常见的死法，不是技术问题。

---

七、三个必踩的坑

坑一：AI 报价报出事故。
最典型的案例是 AI 把「起订量 500 件以上单价 32 元」理解成「任何数量都 32 元」，客户拿着聊天记录来谈。防护有三层：知识库只写区间不写精确值、提示词里明文禁止、以及工作流里加一个关键词拦截节点——回复发出前扫一遍，命中「元/价/折/优惠 + 数字」的组合就替换成转人工话术。

坑二：多轮对话丢上下文。
Coze 里如果不把 history 传进去，客户说「那这个能做吗」，AI 完全不知道「这个」是啥。工作流的开始节点必须接收会话历史，并在提示词里明确「客户已经说过的信息不要重复问」。

坑三：接了但不记，等于没接。
很多团队把 AI 客服发布上线就结束了，没人看聊天记录。正确做法是每周导出一次未留联系方式的会话，看看客户都在哪个环节流失——你会发现大量客户是在问「能不能便宜点」之后就不说话了。这些内容就是你下一批产品页和短视频的选题。

---

八、怎么证明它有用

别看「AI 回复了多少条」这种虚荣指标。只看四个数：

指标	定义	健康值参考
首次响应时长	客户发消息 → 第一条回复	< 10 秒
留联率	留下手机号/微信的会话占比	30% 以上可用
有效询盘数	打标签为 A/B 级的询盘条数	与人工口径对齐后比增量
人工介入率	触发转人工的比例	20%–40% 属正常，过低说明 AI 在硬答

把「响应时长」和「有效询盘数」做成周报贴在销售群里，比开三次会都有用。

---

九、一个容易被忽略的联动：让客户先找到你

AI 接待解决的是「客户来了之后」的问题。但还有一半问题在前面——客户根本没来。

现在越来越多采购在动手搜供应商之前，会先问一句豆包、DeepSeek 或者 Kimi：「四川有哪些做非标钣金的工厂？」「包装机械哪家交期稳？」

如果你的工厂在 AI 的回答里压根没被提到，那接待做得再好也没有客人。这个方向就是 GEO（生成式引擎优化），核心做法和传统 SEO 不一样：

1. 内容要回答「问题」，而不是堆「关键词」。 AI 引擎引用的通常是能直接回答问题的那段文字。
2. 把参数、交期、起订量写成结构化的表格和明确段落。 模糊描述（「交期短、价格优」）不会被引用。
3. 保持官网和第三方平台的口径一致。 多家站点信息打架，AI 会判定为不可信。
4. 结构化数据（Schema）要写对。 这是给机器看的身份证，写错了等于隐形。

一句话：GEO 让 AI 认识你，AI 接待让线索不流失。 这两件事必须一起做，只做一件等于漏水桶接水。

---

十、小结

整套方案拆开就是四件事：

1. 划边界 —— 把「不能由 AI 说的话」写死在工作流分支里；
2. 喂对知识 —— 上传问答形状的资料，不上传排版好的手册；
3. 抽字段落库 —— 没有结构化落库的 AI 客服，只是一个贵一点的聊天窗口；
4. 看四个数 —— 响应时长、留联率、有效询盘、人工介入率。

技术门槛比想象中低，一个下午能跑通。真正的门槛在知识库的整理质量和销售侧的接单流程——AI 只能把客人请进门，成交还是人的事。

---

写在最后

整套方案我在几家工厂里跑过，真正花时间的从来不是搭建，而是前面那份知识库——把老师傅脑子里的东西写成能检索的文档，这件事没人能替你干。

如果你也在工厂里折腾 AI，欢迎在评论区聊聊你们卡在哪一步，尤其是报价环节怎么防事故，我很好奇同行是怎么处理的。

本文为原创，基于实际项目经验整理。研究数据引自 Oldroyd (2007) 线索响应研究及 HBR《The Short Life of Online Sales Leads》相关报道，具体倍数请作为方向性参考。