AI销售助手

从企业知识问答到业务任务执行，帮助销售与 FAE 把分散的知识资产转化为可校验、可执行的工作流。

我参与设计了一套面向企业销售与 FAE 团队的 AI Sales Agent。企业内部已经积累了大量产品手册、解决方案、标准 QA 和业务资料，但销售在实际工作中仍然需要反复查文档、询问 FAE，再把信息重新整理成客户能使用的内容。

项目先从知识问答切入，再逐步增加智能选型、方案准备和业务工具调用。我主要负责用户与场景调研、Agent 产品方案、RAG 知识策略、工具交互和评测体系。

最终产品覆盖 100+ 销售用户，部分高频任务的准备时间从约 2 小时缩短到 15 分钟。

01｜用户场景：筛选适合 AI 介入的销售任务

前期调研没有直接从“可以做哪些 AI 功能”出发，而是先拆销售和 FAE 的日常任务。第一阶段优先选择高频、高耗时、已有知识支撑，而且结果可以校验的任务。

智能选型可以给出首选方案、备选和风险提示，但最终技术判断仍由 FAE 完成，价格也不由 Agent 自动生成。

第一版产品聚焦知识问答，主要服务销售和 FAE 两类用户。销售更关心客户价值、竞争差异和标准话术；FAE 更关心参数、接口和能力边界，所以知识权限、检索范围和答案结构需要区分。

销售会问：“客户觉得某项技术生态还不成熟，应该怎么回应？”答案需要包含标准话术、客户案例和可引用来源。FAE 则会问：“某款产品在特定工况下的功耗是多少？”这类问题要求返回精确参数、单位、条件和原始章节。

新人销售还会提出场景型问题：“这个行业场景应该选什么产品？”系统除了给出产品，还要解释推荐理由，并补充相关方案和案例。

我把高频需求抽象成不同意图，再根据意图决定检索范围、是否补问、是否调用工具，以及模型可以使用多大的生成空间。

参数、规格这类事实问题要求答案精确，系统尽量基于原始资料回答，并保留引用。选型和业务执行类任务则需要先检查信息是否完整，缺少场景、性能、认证或量产时间等关键条件时，Agent 会继续追问，不默认补值。

企业知识库里同时存在技术手册、解决方案、QA、PPT、参数表和图片描述。这些资料的结构差异很大，如果统一按固定 Token 长度切分，很容易把表头和数值拆开，也会截断方案上下文或技术条件。

技术参数表最容易暴露固定长度切块的问题。一个完整参数通常同时依赖数值、单位、温度、电压和测试条件，因此这类内容会先做表格结构化，把参数名称、数值、单位、条件和备注重新组织成完整信息单元，再进入后续切分。

在分块策略稳定后，再叠加 Metadata、混合检索和 Rerank。端到端问答准确率由 65% 提升到 78%。

知识问答稳定后，产品开始覆盖更完整的销售任务。智能选型需要处理应用场景、性能、认证、量产时间和预算等业务约束；信息完整后，输出首选方案、备选方案、推荐依据和风险提示，并保留 FAE 深度评估入口。

OA 场景沿用了相同的槽位补全逻辑。销售可以直接用自然语言描述客户、时间、人数和接待安排，系统识别字段后先生成表单预览。必填项缺失时继续询问，销售确认内容无误后再调用企业系统。

这种设计把“回答问题”和“执行任务”放在同一个对话入口里，但关键业务动作仍然保留确认节点。

产品上线后，我把用户反馈继续拆到具体环节，而不是只记录一个“答案错误”。Badcase 最后整理成 6 类归因，其中包括幻觉、知识过期、检索失败、答非所问等问题。

分析时会同时查看原始 Query、意图识别结果、召回的 Chunks 和最终答案，再判断问题应该落到知识补充、检索策略、Prompt / 模型或产品交互等修复任务。修复完成后，再用原 Query 做回归测试。

AI Sales Agent 最终覆盖 100+ 销售用户，部分原本需要约 2 小时 的销售准备任务缩短到约 15 分钟。

85% → 92%Intent Accuracy

65% → 78%QA Accuracy

2h → 15mPreparation Time