Coolseek AI Lab - 探索智能，酷在前沿

一、需求分析

业务背景

某建材批发贸易企业，年营收约 8000 万元，主营钢材、型材、五金等品类，客户以工程承包商、装修公司、二级经销商为主。

询价是这个行业最日常、也最消耗人的动作：客户发来一份询价单（有时是微信里一句话，有时是 Excel、图片、扫描件），业务员要人工识别型号、查库存、查价格、算折扣、编报价单、再发送回去。

原有流程的四个痛点：

痛点	现状描述	量化影响
响应慢	业务员手工查库存与价格，一份询价单平均 2–4 小时	客户比价期内易被同行截单
口径不统一	同一批货给不同客户的价格策略，全靠 3 名资深业务员的记忆	同客户不同价、同货不同利润
经验单点	报价决策集中在少数人手里	请假 / 离职 / 状态波动即出错
时段断档	夜间与周末的询价只能等到次日	工程客户常年赶工期，损失最直接

需求的两个层次

项目最初立项时，需求写得很清楚：做一个 AI 智能体，自动处理客户询价——识别型号、查库存与价格、生成报价单、自动发送。

这是表层需求。项目做到第 3 周测试阶段，客户的业务总监在与项目组复盘时说了一句话，把真实问题暴露了出来：

"你这个询价自动回复确实快了，但你知道吗，我们最大的痛点不是回复速度——**是报价决策**。"

报价为什么不是「查库存 → 报价格」

建材批发的报价是一个多因子决策，而不是一次查表：

客户维度——大客户有年度协议价，新客户用试探价，老客户有复购折扣，工程客户有量大优惠；

商品维度——规格、材质、产地、批次差异直接影响成本；

市场维度——行情波动、竞品价格区间；

库存维度——某规格压货时宁可薄利走量，周转天数决定让价空间；

成本维度——成本线、品类最低毛利，是绝对不能击穿的硬边界。

现实是：这些判断全部装在那 3 名资深业务员的脑子里。报高了丢单，报低了亏利润，两个方向的损失都是真金白银。

这也是为什么「自动回复」只是表层——它让回复变快了，但并没有碰到利润是怎么被决定、又是怎么被漏掉的。

二、技术方案

前置判断：价格不能交给模型去算

立项后的第一个工程决策，不是选模型，而是划边界：

**涉及数字的地方归代码，涉及语义的地方归模型。**

成本线、折扣叠加、税运、阶梯价 —— 这些必须由确定性规则引擎计算，一行都不能让 LLM 代劳；

询价单解析、客户意图判断、报价依据的文字表达、风险提示话术 —— 这些才交给 LLM。

理由很朴素：模型会算错数，而报错一个价格，损失的是客户真实的钱。这条边界一旦划错，整套系统在业务员心里的信任就没了——而信任没了，工具就等于不存在。

系统架构

客户询价（邮件 / 企业微信 / 图片 / Excel）
    ↓
① 询价解析（LLM + 结构化输出）
   型号 · 数量 · 交期 · 客户身份 · 附加要求
    ↓
② 客户画像检索（CRM + 向量检索）
   协议价档位 · 近 6 个月成交价 · 信用额度 · 历史偏好
    ↓
③ 定价因子计算（规则引擎 · 确定性）
   成本线 → 协议价约束 → 库存周转系数 → 行情调整 → 竞品区间
    ↓
④ 报价建议生成（LLM）
   建议价 + 可接受区间 + 逐条依据 + 风险提示
    ↓
⑤ 输出
   建议模式：业务员确认 / 改价后发送
   自动模式：低风险场景直接发送
    ↓
⑥ 回写
   实际成交价 → CRM，成为下一轮的历史数据

技术栈

LLM：GPT-4o（询价解析、依据说明、风险话术）
确定性计算：规则引擎服务（Python）
数据层：PostgreSQL（客户档案 / 成交历史）+ pgvector（历史报价单语义检索）
后端：FastAPI
系统集成：ERP（库存 / 成本）、CRM（客户 / 协议价）
触达渠道：邮件、企业微信

三、实现细节

1. 把资深业务员的经验结构化成规则

这是整个项目最费力、也最不可替代的一步。做法不是「访谈一次写份文档」，而是陪跑记录：让业务员在处理真实询价时同步口述决策理由，累积一批真实报价案例，再从中归纳出可执行的因子与权重。

例如，把一句模糊的经验：

"这个客户是老客户了，可以给点优惠。"

翻译成可执行的规则：

IF 该客户近 6 个月成交单数 ≥ 5
   AND 无逾期记录
THEN 折扣档位 = B（对应协议价区间）
     且 报价不得低于成本线 × 1.03

模糊经验变成规则后，才可能被系统复用、被新人理解、被数据检验。

2. 报价依据必须逐条可溯源

智能体输出的不是一个价格，而是这个价格是怎么来的：

建议报价：¥4,280 / 吨（可接受区间 ¥4,150 – ¥4,380）

报价依据：
  · 该客户近 6 个月平均成交价 ¥4,240（协议价档位 A）
  · 当前该规格库存周转天数 18 天（偏慢 → 走量系数 ×0.98）
  · 同类产品当前市场均价 ¥4,320
  · 该规格成本线 ¥4,050

风险提示：
  ⚠ 本报价毛利率 5.4%，低于该品类均值 8.2%
  ⚠ 若客户要求再让 3%，将触及成本线 ¥4,050
  ⚠ 该客户信用额度剩余 ¥12 万，本单金额 ¥34 万，建议先款后货

（以上数值为格式示意。）

3. 风险提示比报价本身更值钱

业务方看到原型时的原话是："这个不是询价回复系统，这是帮我管利润的。"

触发这句话的，不是「3 秒生成报价」，而是那一行「低于成本线，建议确认」。所以风险提示的设计要成体系：

触发条件	提示级别	处理
报价低于成本线	硬告警	阻断自动发送，必须人工确认
毛利率低于品类均值	软提示	附同类历史成交参考，供议价取舍
偏离该客户历史成交价 ±5%	提示	请确认是否存在特殊商务背景
客户信用额度不足	提示	建议调整付款条件

4. 上线节奏：先建议，后自动

报价是要直接发给客户的，出错代价高，因此系统不一次性放开：

阶段一 · 建议模式：AI 出建议价 + 依据，业务员一键确认或改价后发送。系统记录「人改了什么、改成什么」，反过来校准规则；

阶段二 · 自动模式：仅对低风险场景（老客户 + 标准品 + 落在历史成交区间内）自动发送，其余仍需人工过一手。

这条灰度设计还有一个副作用：它让业务员从「担心被替代」转成了「多了一个替我把关的助手」——工具的推行阻力，往往不在技术，在这里。

四、项目成果

业务指标

指标	上线前	上线后	变化
询价响应时间	2–4 小时	3 秒（生成建议）	↓ 99%+
报价错误率	8%	1%	↓ 87%
夜间 / 周末询价	无法处理	全时段可处理	从 0 到 1
资深业务员时间占用	大量用于查价与编单	释放回客户维护与商务谈判	结构性改善

（业务指标为项目方披露口径。）

报价逻辑的重构：从「卖时间」到「卖价值」

这段经历对交付方最大的影响，是报价逻辑本身被改掉了：

报价维度	传统软件逻辑	AI 智能体逻辑
基础	人天投入 × 单价	创造的可量化价值
参考线	行业人天均价	客户年化收益的 10–20%
议价空间	±10%	取决于价值感知程度
运维费	通常不含	必含，按月持续收费

同一个项目，最初按「6 周 × 3 人 × 800 元人天」报了 8 万；而在原型演示、业务方看到报价决策与风险提示之后，客户主动提出把预算加到 25 万，并附带 3 个月的运维合约。

不是技术变强了，是价值被看见了。

五、可复用的经验

1. 表层需求是入口，深层需求才是价值。 客户说「帮我做个自动回复」时，真正的痛点往往在下一个问题里——他不会主动告诉你，因为连他自己都还没意识到这件事能被 AI 解决。要主动去挖，而不是等合同条款里写上。

2. 确定性归代码，语义归模型。 越靠近钱和合规的计算，越要交给确定性逻辑。模型的强项是理解与表达，不是算术与担责。

3. 可解释性不是加分项，是成交项。 一个数字不值钱，「这个数字怎么来的 + 风险在哪」才值钱。客户不为「快」买单，但会为「安全和利润」买单。

4. 先交付价值，再谈价格。 先提价再做，客户觉得你在坐地起价；先做出来再谈，客户觉得你在创造价值。同样的结果，顺序不同，感受完全不同。

5. 灰度上线不是技术妥协，是信任建设。 让使用者能干预、能回退、能看到系统学到了什么，比任何技术指标都更能推动落地。

写在最后

别急着报价。先搞清楚你帮客户解决了什么问题、这个问题值多少钱。搞清楚了，客户自己会告诉你他愿意付多少。

探索智能，酷在前沿