---
title: LangChain用Agent做销售获客，3个月转化率提升2.5倍，看完后我发现，国内 Agent 落地的方法都错了
source_url: https://mp.weixin.qq.com/s/DqXivi7dN0fHlhnjNQxsUQ
publish_date: 2026-05-11
tags: [wechat, article, agent, llm]
review_value: 7
review_confidence: 7
review_recommendation: neutral
sha256: 74338564a8454f4560e59238cf8ab5f68c6291dfe7a6d3b9b342f0de26bb041e
---
source: wechat
url: https://mp.weixin.qq.com/s/DqXivi7dN0fHlhnjNQxsUQ
source_url: https://mp.weixin.qq.com/s/DqXivi7dN0fHlhnjNQxsUQ
ingested: 2026-05-11
feed_name: 科技充电站
wechat_mp_fakeid: MP_WXS_3237134318
source_published: 2026-03-11
# LangChain用Agent做销售获客，3个月转化率提升2.5倍，看完后我发现，国内 Agent 落地的方法都错了
> AI 时代，有两种行为：
>
> 一种，活在别人的评测里，把模型的强当自己的强，痴人说梦；
>
> 另一种，活在真实的实战里，用最顶级的 AI，武装自己。
>
> 前者在噪音里坐享"技术平权"，后者在疼痛中完成"自我进化"。
朋友们好，我是行小招。
今天聊一个让我感触很深的案例：LangChain 自己用 Agent 重做了销售获客流程，效果炸裂。不是 demo，不是 PPT，是真金白银跑了三个月的生产系统。原文很长，我帮你提炼核心思路，细节可以去看原文。
原文链接：https://blog.langchain.com/how-we-built-langchains-gtm-agent/
LangChain 的销售代表每天的工作是这样的：打开 Salesforce 查客户记录，切到 Gong 看通话历史，再翻 LinkedIn 看联系人背景，最后去官网了解公司情况。写第一句邮件之前，光调研就要花十五分钟，而且根本不知道同事是不是昨天刚联系过这个人。
入站线索的跟进更粗暴，对每个新线索手动发同一套模板消息。
这就是他们做 Agent 的起点：不是老板拍脑袋说"我们要搞 AI"，是销售团队真的疼。
** 好的 AI 项目不是"找场景"找出来的，是从每天重复的低效劳动里长出来的  **
说到这里忍不住吐槽一句。再看看我们身边的企业，领导们要求"找场景、找突破点，想想 AI 能干啥"。
可为啥不去找工作中的实际痛点呢？哪些环节强依赖人、效率低、重复度高？这些才是 Agent 最该介入的地方。
##  Agent 学的不是代码，是人类的工作技能
LangChain 做的 GTM Agent 核心做两件事：调研线索并写个性化邮件草稿，以及聚合多维度的账户信号帮销售识别重点。
有意思的是 Agent 做的第一件事：找理由"不发"。如果对方刚提了 support 工单，或者同事本周已经联系过了，Agent 会主动放弃。它被设计为偏保守的。
通过检查后，Agent 才开始做过去销售代表手动完成的调研：拉 CRM 记录、读通话录音、查 LinkedIn、必要时还会搜网络了解这家公司在 AI 方面的动态。
邮件怎么写取决于关系状态。Agent 遵循一套叫 skill 的预定义剧本：现有客户收到的内容和暖线索不同，暖线索又和冷联系人不同。冷触达保持简短，有调研支撑。
** Agent 复刻的不是某个工具的操作，而是一个优秀销售代表脑子里的判断逻辑和工作节奏  **
这里有个关键设计：human in the loop（人要最终拍板的）。所有草稿先到 Slack，销售代表看到推理过程和信息来源，点发送才会出去。一封时机不对的邮件可能毁掉数月积累的关系，Agent 再聪明也不能替人做这个决定。
更厉害的是学习机制。代表在 Slack 里编辑草稿时，系统自动对比原稿和修改版，提取风格偏好存下来。每个代表的语气、简洁度偏好都不一样，Agent 会记住，下一份草稿就会体现这些调整，不需要谁去手动改 prompt。
##  多 Agent 协作：主 Agent 派活，子 Agent 干活
单次 LLM 调用搞不定这种事。Agent 需要从七八个数据源拉信息、跨源推理、并行处理上百个账户。
LangChain 用了主 Agent 加子 Agent 的架构。主 Agent 负责编排流程：禁止发送检查、调研、起草、推理说明、后续跟进，按固定清单执行。子 Agent 是轻量级的，每个有自己的工具集和结构化输出格式。
比如销售调研子 Agent 能访问 Apollo、Exa 和 BigQuery，返回潜客和市场上下文。驻场工程师子 Agent 用 Salesforce、Gong 和支持工具，返回使用趋势和扩展信号。主 Agent 为每个账户生成一个子 Agent，工具隔离、输出可预测，而且可以并行跑。
** 把一个复杂流程拆成"主 Agent 派活、子 Agent 干活"，每个子 Agent 只做一件事，这不就是我们管理团队的思路吗  **
##  先定义"好"，再写代码
这是让我感触最深的部分。
LangChain 在写任何生产代码之前，先在 LangSmith 里定义了"好"是什么样子。从一小组代表性场景出发，基于这些场景构建初始 Agent，确保基本功扎实后再扩展。
评估分两层。第一层是规则断言：工具调用是否正确、顺序对不对、有没有重复草稿。第二层是 LLM 裁判，评语气、字数和格式，两层都在 CI 里自动跑，任何行为漂移都算 bug。
但评估套件只是一半。另一半是追踪代表的真实操作：每次发送、编辑、取消都记录下来，关联到底层 trace。时间长了，哪种写法打开率高、哪种标题能引发回复，数据全有，验证够多就固化为默认行为。
** 在真实落地中，第一位的不是 AI 能干什么，而是怎么衡量 AI 干得好不好  **
再看看身边一些企业的做法：草草了事，觉得用最强的模型啥都能搞定。评估？反馈闭环？没有，代表觉得不好用就说"AI 不行"，然后项目就黄了。
LangChain 光在评估体系上就下了重功夫，覆盖了 Agentic AI 深度用户触达、老客户重新激活、术语密集的垂直行业等各种难 case。所有评估还 mock 了外部 API，在可控环境里验证行为后才接触真实数据。
##  结果说话
跑了三个月的数据：线索到合格商机的转化率提升 250%，管道金额增长 3 倍，每位销售代表每月省 40 小时。销售团队日活 50%，周活 86%。
最初只给 SDR 用，后来做了个对话式 Slack 界面，结果全公司都跑来用：工程师不写 SQL 就能查数据，客户成功在续约前拉支持历史，客户经理用它总结会议录音。Agent 接好了数据管道，使用自然就扩散了。
还有个细节值得说：LangChain 没有公开他们花了多少 token，但从架构复杂度来看，每条线索的处理成本不会低。因为要调多个数据源、跑子 Agent、做评估，这些都是 token。
** 想让 Agent 真正干活，就得舍得让它"思考"，token 不是成本，是投资  **
再看看有些企业，不想花 token 钱还要把事情办了。一个需要深度调研、多源推理、个性化输出的任务，想用一次 API 调用搞定，想少花点 token 费用？这不是痴人说梦是什么。
LangChain 这个案例最让我佩服的不是技术多牛，而是他们做对了三件事的顺序：先找到真实的痛，再想怎么用 AI 复刻人类的工作流，最后建一套能持续衡量和改进的体系。
这个顺序，你看看你身边的企业，是不是反着来的？
* * *
我是行小招，持续探索 AI 在个人生活和企业落地中的应用场景，欢迎一起聊聊。
> 交给 AI 的是任务，留给自己的是思考，当 90% 的内容都在沦为噪音，真正稀缺的是：深度阅读，独立思考，持续实践。
👇 长按关注，一起用 AI 武装自己