简介一份围绕DeepSeek与Coze的AI获客智能体构建实战指南面向传统行业中小老板、创业者/个人IP及销售运营人员重点解决短视频获客中的账号定位、内容创作与数据分析难题。文档以搭建智能体的完整流程为主线首先明确智能体效率提升、创意助手、分析专家的价值定位与预期目标随后梳理短视频创作业务链路涵盖账号搭建、对标拆解、选题库、内容拍摄、剪辑发布与数据分析等环节并结合蛋糕店老板起号场景演示如何借助DeepSeek拆解痛点、生成选题与脚本建议最终落地为可对话使用的Coze智能体。资源为1个docx格式文档压缩包约1.75MB结构清晰适合按步骤对照操作。目前已有627人学习下载。阅读后能够获得账号定位方法论、对标账号拆解模板、场景工作流设计思路及DeepSeek提问示例有助于将重复性分析工作交给AI实现获客成本降低与短视频高频输出。1. 获客智能体不是客服机器人DeepSeekCoze 这套组合到底在解决什么问题把 DeepSeek 和 Coze 凑在一起做 AI 获客智能体是我给客户做私域转化落地时最常用的组合。原因不复杂DeepSeek 负责想做意图判断、话术生成和客户分析Coze 负责干把线索清洗、流程流转和消息推送这些重复动作串成自动化链路。很多人以为获客智能体是客服机器人的升级版实际差别非常大客服是被动等人来问获客是主动找对人、说对话、在对的时间触发下一步。这套方案适合的团队也很清晰手里有源源不断的线索但销售人力不够、新人话术参差不齐、跟进全靠手动。如果你正好卡在这个环节下面这套从定位到落地的流程可以直接照着抄。2. 先定业务边界获客智能体到底该替销售干哪几件事进入搭建之前先把业务边界定清楚。很多团队做销售智能体失败不是技术问题是没想清楚让 AI 替人做哪些事。获客看起来是一件事拆开其实是四个环节线索清洗、意向预判、话术生成、跟进提醒。智能体不要想着四个一起上先问自己一个问题哪个环节最痛、线索量最大、并且规则相对清晰从那个环节切入比搭一个什么都聊的万能机器人靠谱得多。2.1 获客智能体的四类任务拆解线索清洗、意向预判、话术生成、跟进提醒这个拆法来自两个观察。一是销售的日常动作里七八成是重复的二是这些重复动作恰好都有明确的输入和输出适合让 AI 来跑。线索清洗解决的是「数据进来是脏的」意向预判解决的是「不知道先跟谁」话术生成解决的是「开口第一句不知道说什么」跟进提醒解决的是「转头就忘」。线索清洗不只是纠错。从表单或 CRM 里导出的客户信息常见手机号带横杠、城市写成“北京朝阳区”、行业字段空白。智能体做的第一件事是把这些字段标准化再根据公开信息判断这条线索是不是一个「活体」企业名称是否在异常名单里、邮箱域名是否匹配、来源渠道是否可信。这个环节我建议只做标准化和有效性校验别想着把数据质量一次性做到完美否则项目会陷在数据清洗里出不来。意向预判是获客智能体最值钱的能力。同样一句「多少钱」A 客户可能是随手问问B 客户可能已经比完三家竞品只差报价。我的做法是把意向分成 S/A/B/C 四档用两个维度打分一个是用户主动说出的语言信号比如「能不能今天约个演示」「我们月底要定供应商」一个是行为信号比如从哪个渠道进来、在官网页面上是否点击过价格页。语言信号优先因为行为数据经常不全。话术生成这里最容易做歪。智能体生成的不是一段广告是一句能接住用户上一个问题的开场白。比如用户问「支持私有化部署吗」合格的 AI 话术要先回答支持还是不支持再反问一句「你的团队规模多大、对数据安全要求多高」这才叫获客话术。一段话术里同时出现四五个卖点的基本没人读。跟进提醒做的不是替销售拍板而是把决策依据摆到销售面前。比如「客户王经理上次主动提到了竞品 A建议 3 天后跟进附带一份对比表话术」——这个动作把销售脑子里不可见的东西变成了工作台里的一条待办。注意这一步永远不要替销售直接发消息给客户只做提醒和素材准备。2.2 用一张「决策树」给场景划边界哪些全自动、哪些必须转人工边界怎么定拿一个月的历史聊天记录把所有用户问法归类成二十来种高频意图再逐个标三个状态全自动、半自动、人工。不要凭空想拿真实记录归类不然做出的决策树会跟实际情况脱节。举几个最常见的分支用户问「怎么收费」全自动把标准价目表发过去但如果对方问「能给几个点折扣」立刻转人工AI 不做任何承诺用户问「能签对公合同吗」直接转人工并附上销售名片用户说「你们跟 XX 竞品比怎么样」AI 可以给一套标准对比口径但必须把原话原封不动记进线索档案让销售看到客户真实关注点用户表达负面情绪比如「太贵了」「又是个套资料的网站」立即转人工AI 只做安抚不做任何挽留式承诺。| 用户意图示例 | 处理模式 | AI 的边界 | | 怎么收费 / 有试用吗 | 全自动 | 只发标准信息不主动打折 | | 能签对公合同吗 | 人工 | 交给销售AI 不承诺条款 | | 和竞品比怎么样 | 半自动 | 给对比口径并记录原话 | | 太贵了 / 骗子吧 | 人工 | AI 只安抚不承诺效果 |这张表建好之后工作流的骨架基本就定了。条件分支不需要写复杂的逻辑用关键词和简单规则就能覆盖大半场景真正拿不准的再交给大模型去判。2.3 一句话定义智能体角色写 Prompt 之前的必要准备在 Coze 里一上来就狂写人设的十有八九会翻车。我的习惯是先写一句话再动手。比如说这句话你是一位有 8 年 B2B 软件销售经验的资深销售你的目标是挖掘客户预算、决策链和痛点并推进到预约演示环节。这一句话同时确定了语气、信息边界和工作目标。为了让这句话能真正落进 Coze 的人设我会先把它扩成一份 JSON 配置再转成自然语言 Prompt。这样写的好处是角色、目标、禁忌分开管理后面想调哪个维度就调哪个维度不会越改越乱。{ role: 资深B2B销售顾问, target: 在5轮对话内挖掘预算、决策链和痛点推进到预约远程演示, tone: 专业、简洁、不使用感叹号, forbidden: [报价折扣, 承诺效果, 贬低竞品], first_turn_strategy: 先回应客户上一个问题再追加一个开放性问题 }注意 JSON 里的forbidden不是摆设。大模型天生爱讨好用户你不在人设里明确禁止它就敢在用户两句追问之后随口承诺效果。把这些红线写进去至少能挡住一部分乱承诺。接下来就拿着这份配置去 Coze 里创建智能体。3. 在 Coze 上把智能体搭出来节点顺序与 DeepSeek API 接入边界定完就可以动手了。选 Coze 做一个获客智能体的核心理由是团队里没人会写代码也不想维护一套前后端和数据库时Coze 是能把智能体最快推到真实聊天渠道的载体。它在国内通常叫扣子提供白画布式的工作流编排、插件市场、知识库和现成的发布渠道。对比 Dify 那类平台Coze 对非技术团队更友好Dify 更适合团队里有人愿意碰代码的情况。3.1 创建智能体并配置人设把销售方法论写进 System Prompt创建步骤很简单登录扣子平台点「创建智能体」填一个名字和一句话功能描述然后在「人设与回复逻辑」里粘贴下面这段 Prompt。这段 Prompt 是上一节那份 JSON 的自然语言扩展顺序有讲究先定义身份再给目标最后写行为边界。你是一位有8年B2B软件销售经验的资深销售顾问当前任务是在对话中挖掘客户预算、决策链和核心痛点并把客户推进到预约远程演示这一步。 对话守则 1. 每一轮先回应客户上一句的具体内容再往下问一个开放性问题。 2. 不主动报折扣不承诺效果不评价竞品。 3. 当客户直接问价格时给出标准起步价并反问部署规模。 4. 当客户表达负面情绪时立即转人工不在对话框里过多解释。 5. 每次回答不超过120字。强调一下第 1 条。大模型对话最容易出现的问题是一轮接一轮「另起炉灶」上一句客户提到私有化部署它下一句就跳到「我们产品支持多租户」完全不接话。把「先回应上一句」写死能显著减少这种机器感。在「人设与回复逻辑」之外还要顺手把「功能描述」填了Coze 会用它来给智能体做渠道侧的预热回复别留空。3.2 搭一条「线索清洗工作流」知识库、大模型节点、条件分支的用法创建好智能体后进入「工作流」页面新建一条流程。获客场景第一步不需要太复杂一条线索清洗流就够了结构如下| 节点 | 作用 | 关键配置 | | 开始 | 接收用户原始消息 | 定义变量user_message | | 大模型 | 提取线索属性并做初判 | 选 DeepSeek 或平台内置模型输出 JSON | | 知识库 | 检索产品资料做补充 | 上传产品手册设置分块大小 | | 条件分支 | 判断线索是否有效 | 按 intent 字段路由到不同出口 | | 结束 | 返回话术或转人工标记 | 输出变量给上层智能体 |在 Coze 画布上的连法是「开始 - 大模型 - 知识库 - 条件分支 - 结束」知识库节点不是必须的但如果产品有大量标准参数和 FAQ挂一个知识库节点可以有效减少模型胡编。大模型节点里只需要让模型输出一个 JSON字段包括intent、budget_signal、need_demo三个后面的条件分支全靠这三个字段做路由。3.3 用代码节点接入 DeepSeek API最小可运行示例如果 Coze 模型列表里已经有 DeepSeek直接在模型节点里选就行。但经常遇到两种情况账号所在区域找不到 DeepSeek 入口或者你需要更精细的参数控制比如单独调 temperature、单独管理密钥。这种情况就用代码节点自己封装一次 API 调用下面是经过多次验证的最小可运行写法。# 代码节点调用 DeepSeek API 生成获客话术 import requests import json def main(context: dict) - dict: user_info context[user_info] # 上游节点传入的客户画像 api_key context[deepseek_key] # 从智能体变量或密钥配置中读取 prompt f 你是资深销售客户信息如下{json.dumps(user_info, ensure_asciiFalse)} 请生成一段不超过80字的首次触达话术先回应客户最关心的问题再问一个问题。 resp requests.post( https://api.deepseek.com/chat/completions, headers{ Authorization: fBearer {api_key}, Content-Type: application/json }, json{ model: deepseek-chat, messages: [{role: user, content: prompt}], temperature: 0.5, max_tokens: 200 }, timeout30 ) data resp.json() return {reply: data[choices][0][message][content]}说明几个参数。model用deepseek-chat对应通用对话模型deepseek-reasoner对应深度推理模型获客话术生成用前者就够。temperature设 0.5是话术自然度和确定性的平衡点太低会像机器人复读太高容易跑偏乱承诺。timeout必须设API 偶发变慢时宁可让流程走兜底话术也不能让用户一直转圈。另外如果走 Function Calling 链路注意 DeepSeek 的一个行为差异工具调用的结果必须紧跟着下一条消息立即返回中间不能插入其他角色消息否则接口会报错。所以代码节点里拿到tool_calls之后必须马上把结果消息发回去。3.4 发布到企微、飞书、公众号渠道选择的三个判断标准智能体做好之后发布是最后一步。Coze 的发布渠道覆盖网页应用、微信公众号、飞书、企业微信、API 服务等。我选择渠道只看三条标准线索从哪个渠道进来就把智能体发到哪个渠道销售日常在哪个工具里看客资就把消息推到哪个工具需要和现有 CRM 打通时就直接发布成 API 服务由你的后端去调。比如线索主要来自公众号文章留资那就发公众号用户关注后自动触达。销售团队习惯用企业微信跟进客户那就用企微侧边栏模式发布销售手动触发智能体生成话术而不是让 AI 直接乱加客户。这里要点明一个原则获客智能体前期不要做「全自动私聊」容易踩到用户反感甚至合规的雷先做「销售触发、AI 辅助」更稳妥。4. 调 DeepSeek 参数的三个必调项别让模型乱发挥模型接入之后决定智能体像人还是像机器的往往是几个参数。DeepSeek 的 API 参数和 OpenAI 兼容最值得动的是temperature、top_p、max_tokens。很多人把这几个参数当成摆设全用默认值结果话术要不冷冰冰要不满天飞。下面按场景给出我的设定。4.1 temperature 和 top_p意图判断要低话术生成要高所有智能体项目里我最先调的就是这两个值。换一个应用场景你必须重新调一遍不能一套参数吃遍所有功能。| 场景 | temperature 推荐 | top_p 推荐 | 原因 | | 意图判断/线索清洗 | 0.1 - 0.3 | 0.7 | 需要确定性不允许模型自由发挥 | | 话术生成/首次触达 | 0.6 - 0.8 | 0.9 | 保留自然度让语气不至于像机器 | | 客户摘要提炼 | 0.3 | 0.8 | 压缩信息要保守不要添油加醋 |建议只调temperaturetop_p保持 0.9 附近即可。两者同时往极端调会把输出质量搞得很不稳定这个在 DeepSeek 上表现尤其明显模型偶尔会在低温度下输出重复句子遇到这种情况先检查 max_tokens 是不是给太少。4.2 上下文长度与记忆策略长上下文不是免费午餐DeepSeek 支持的长上下文很大但获客场景里把整段对话历史全喂进去效果并不好。第一是慢第二是贵第三是模型容易被无效信息干扰比如客户闲聊了两句天气AI 就开始聊天气而忘了销售目标。正确的做法是工作流内只传最近 3 轮对话加一份客户摘要。客户摘要不是缓存是每轮对话后用大模型重新生成的结构化档案。下面这段代码是放在 Coze 代码节点里的摘要更新逻辑每轮对话末尾执行一次。# 代码节点把本轮对话压缩成客户摘要 import requests import json def main(context: dict) - dict: prev context.get(customer_summary, ) new_turn context.get(last_dialogue, ) api_key context.get(deepseek_key) messages [ {role: system, content: 你是客户档案管理员用100字以内更新客户摘要保留预算、决策链、痛点、竞品和下一步计划。}, {role: user, content: f已有摘要{prev}\n本轮对话{new_turn}} ] resp requests.post( https://api.deepseek.com/chat/completions, headers{Authorization: fBearer {api_key}}, json{ model: deepseek-chat, messages: messages, temperature: 0.3, max_tokens: 150, }, timeout20, ) try: updated resp.json()[choices][0][message][content] except Exception: updated prev # 调用失败时保留旧摘要不让流程断掉 return {customer_summary: updated}注意timeout20和except兜底。摘要更新是辅助动作不是用户直接看到的响应它超时了不应该影响主流程。在 Coze 里把这个代码节点的输出存进变量customer_summary下一轮对话就能在 Prompt 里读到「客户是制造业、预算中位、关注续费机制、已经对比了至少两家竞品」这类高密度信息。4.3 成本与延迟控制模型分级与超时保护获客智能体跑起来之后最容易让人肉疼的是成本账单。一次普通提问如果每次都走完整工作流、每个节点都调一次大模型单次成本确实不高但一个月几万次对话下来就不好看了。我的做法是分级能用规则处理的绝不调模型能用小模型处理的绝不用大模型。# 意图分流避免每条消息都走完整大模型链路 INTENT_FAQ faq INTENT_DEMO demo_request INTENT_COMPLEX complex def route(message: str) - str: if any(k in message for k in [价格, 怎么卖, 收费]): return INTENT_FAQ if any(k in message for k in [演示, 约时间, 试用]): return INTENT_DEMO return INTENT_COMPLEX这套分级思路落地到 Coze 上就是在「开始」节点后面加一个「条件分支」优先处理高频标准问题只有识别到「约演示」「比方案」这类高价值意图时才调用 DeepSeek 生成个性化回复。至于本地部署 DeepSeek我的看法是API 调用在成本和维护上已经足够划算中小团队没必要碰本地部署省下的钱不够付服务器电费和运维时间。5. 从能跑到好用获客智能体落地必踩的 5 个坑与排错记录搭建阶段的每一步都可以照着文档来但等它真正跑在线上各种意外才陆续冒头。下面这 5 个坑是我在不同项目里踩过不止一次的按现象、原因、解决一个个说。5.1 坑JSON 解析崩溃意向判断节点直接断流现象工作流日志显示大模型节点已经正常返回结果但下游代码节点报json.decoder.JSONDecodeError整个流程中断用户只收到一句「系统开小差」。原因两个一是max_tokens给得太短模型话没说完就被截断二是模型把 JSON 包进了 Markdown 代码围栏代码节点拿到的是json ... 直接json.loads当然失败。解决给足 max_tokens解析前先剥离围栏再做容错只截取第一个{到最后一个}之间的内容import json def safe_parse(text: str) - dict: text text.strip() if text.startswith(): lines text.split(\n) lines lines[1:] if lines[0].startswith() else lines text \n.join(lines) if text.endswith(): text text[:-3] start text.find({) end text.rfind(}) if start -1 or end -1: return {} try: return json.loads(text[start:end 1]) except json.JSONDecodeError: return {}这段代码放进代码节点后最坏情况也只是返回空字典让流程走「无法判断」的兜底分支而不是整个链路中断。空结果比崩掉好因为空结果可以被记录成一条日志继续往下分析。5.2 坑知识库分块太小精确参数查不到现象客户问「你们最大支持多少并发」智能体回复「这个需要您联系销售深入了解」但产品手册里明明写着一组并发数。原因上传到 Coze 知识库的产品手册被默认切成小块一条包含服务器配置和并发数的表格数据被拆散到多个 chunk 里向量检索召回的片段缺了关键数字。解决表格类内容单独存一份文档再上传把分块大小调到 200 字以上同时在知识库节点里把检索策略从「向量检索」改成「混合检索」让关键词精确匹配优先命中。如果数据是结构化表单干脆不要用知识库写一个代码节点直连数据库或接口查询准确率更高。5.3 坑一次普通提问跑完整条链路单笔成本翻十倍现象用户就问一句「你们最近放假吗」工作流把意图识别、知识库检索、话术生成全跑了一遍账单比预期高。原因没有在流程最前面做低成本过滤把需求消息和高价值线索一视同仁地送进了完整工作流。解决在「开始」节点后面紧接一个条件分支用关键词命中最简单的「放假、地址、怎么走」这类问题直接返回标准答案不进大模型节点。放完假这类问题之后还要确认一条只有命中demo_request的对话才允许进入完整 DeepSeek 生成链路。这样调整之后单次对话的平均成本能降一半以上。5.4 坑Coze 模型列表里根本没有 DeepSeek现象在智能体的模型设置里翻遍了模型列表只看到豆包、Kimi 这些找不到 DeepSeek或者偶尔找到了第二天又消失。原因Coze 平台的模型列表是按账号区域、版本灰度动态开放的不是所有账号都能直接看到 DeepSeek 入口这是平台侧的设置问题不是你的账配错了。解决不依赖平台入口直接走自定义插件或代码节点方式接入 DeepSeek API。这跟 3.3 节的做法一致用deepseek-chat和deepseek-reasoner两个模型名自己控制所有参数。顺带提一句不要因为平台限制就转头去折腾 Coze 开源版本地部署开源版缺插件市场、缺现成工作流模板为了接一个模型把整个平台栈都换成自维护的性价比很低。5.5 坑话术千篇一律用户一眼看穿是机器人现象同一批导入的线索每个人都收到「您好请问您对我们的产品感兴趣吗」回复率惨淡。原因Prompt 里根本没有客户字段模型拿不到客户名字、公司、行业、来源渠道只能生成模板套话。解决在话术生成前把线索字段注入 Prompt。上一章代码里的user_info至少包含company_name、industry、source_channel、previous_message四项。注意注入客户真实数据之前先做脱敏导出线索时去掉手机号、身份证这类敏感字段只保留跟对话直接相关的信息获客智能体可以处理生意但数据合规的底线是整个项目能不能继续的前提。6. 落地之后怎么验证效果用对话日志把智能体调成「销冠脑子」智能体上线只是开始真正的工作是每周盯日志、做对比、调一个变量。这里讲三个我一直在用的验证方法。6.1 从 Coze 对话日志里找「沉默样本」Coze 的对话日志会记录每次工作流的完整输入输出包括每个节点的耗时和结果。我每次迭代前会花半小时翻日志专找「用户说了话但没有到达任何高价值节点」的样本。比如日志里显示某类用户第一句话就被条件分支判成invalid但点进去看原话是「你们是外包团队吗」——这说明分支条件写得太粗把「确认合作模式」这种高意向问题丢掉了。这就是日志的价值它能让你定位到是流程断掉还是模型答错。6.2 用 A/B 测试验证话术同一批线索两种开场白改话术不能拍脑袋要用数据说话。我的做法是在 Coze 里复制一份智能体做 B 版共享同一个知识库和意图判断节点只改话术模板然后把进来的新线索按 50/50 分流。跑一周看这张表| 实验组 | 话术风格 | 送达数 | 回复率 | 预约演示数 | | 模板A | 自我介绍产品卖点 | 200 | 8% | 6 | | 模板B | 回应来源渠道开放问题 | 200 | 14% | 12 |只看回复率还不够预约演示数才是获客智能体的北极星指标。回复率高但预约演示少说明话术吸引了闲聊但没抓住采购意向两个数都高才值得把 B 版合并回主版本。6.3 我的一个习惯每周只调一个变量最后分享一个踩过坑之后养成的习惯。有一回我同时改了 Prompt、知识库分块和 temperature 三个地方结果话术回复率跌了但完全找不到是谁的锅只能全部回滚重新试。从那以后我给自己定了条铁律一次只调一个变量改了什么、为什么改、预期是什么记在日志里。这样每次效果波动都能对上因果好的改动留下来坏的改动回滚项目是匀速前进的。做获客智能体这件事慢就是快希望帮到你。本文还有配套的精品资源点击获取