外贸B2B获客的系统重构：基于“WhatsApp+AI Agent”的7层自动化漏斗设计与工程实现

背景

传统外贸获客（展会、海关数据、冷邮件）本质上是一个低信噪比的人工筛选过程，人效随线索量指数下降。核心瓶颈在于：决策人识别、多渠道触达、多轮跟进无法规模化。

本文尝试从工程角度，设计一套以WhatsApp为高触达通道、以AI Agent为核心执行单元的自动化获客漏斗。

说明：下文7层漏斗的模块划分与功能逻辑，是基于对当前外贸B2B智能获客类工具（如海关数据实时化、WhatsApp触达、AI自动跟进等）常见功能的归纳总结。文中讨论侧重于可复现的架构设计与工程实现路径。

整体架构：7层漏斗

每一层对应一个可拆解的子模块，输入为原始数据源，输出为可人工接管的意向线索。

L1：获客层 —— 分布式数据采集

问题：海关数据滞后、展会名录静态、社媒信息分散。

设计：

• 数据源接入：海关提单（公开接口）、Google Maps/SerpAPI、LinkedIn Profile、展会官网
• 采集方式：调度器 + 代理池 + 反爬策略
• 输出：结构化企业实体（名称、域名、地区、近期动态）

关键点：不做全量抓取，只关注“近期有采购/参展/招聘”的动态信号。

L2：筛选层 —— 实体-角色-相关性判定

问题：大量货代、物流、非决策人。

设计：

• 基于规则的初筛（排除行业关键词黑名单）
• 基于轻量BERT的职位分类（Owner/Director/Purchasing Manager vs Admin/Support）
• 产品匹配：用嵌入向量计算客户网站类目与你的产品描述的相似度

输出：(企业, 决策人联系方式, 相关度评分)

L3：触达层 —— WhatsApp优先的多通道编排

问题：邮件打开率<5%，WhatsApp打开率>80%但需要号码且防封。

设计：

• 优先从LinkedIn/公开渠道获取手机号（国际格式校验）
• 消息生成：基于客户画像的模板变量填充（非纯模板，而是动态拼接：公司名+近期动态+产品利益点）
• 发送控制：间隔、频控、黑名单机制

技术注意：WhatsApp Cloud API 或 商业解决方案需处理号码预热与消息模板审核。

L4：跟进层 —— 有限状态机驱动的多轮对话

问题：人工无法规模化跟进未回复线索。

设计：

• 为每个线索维护一个状态机：NEW → SENT → DELIVERED → READ → REPLIED / TIMEOUT
• 策略配置示例：
  • 第1天：初发
  • 第3天（未回）：换角度跟进（痛点/案例）
  • 第7天（未回）：终止或转入低优先级池
  • 若回复“没兴趣” → 终止；若回复“价格/目录” → 转人工

工程实现：Celery + Redis 做延迟任务，Webhook接收消息状态回执。

L5：转化层 —— 人工接管的阈值设计

问题：AI不能替代谈判，但要保证人工只处理高意向。

设计：

• 规则触发转人工：
  • 客户主动问价
  • 客户回复“目录/样品”
  • 客户发出采购量/交期等信号词
• 输出给业务员的数据结构：客户画像 + 完整聊天上下文 + 推荐话术

目标：将业务员的时间集中到最后20%的签单环节。

L6：管理层 —— 轻量CRM + 全链路追溯

问题：Excel无法支撑千人级线索状态。

设计：

• 数据库模型：contact、company、message_log、state_transition
• 标签系统：自动打标（意向等级、行业、拒绝原因）
• 审计需求：每个线索的每次触达、回复、转人工都有记录

可基于Supabase或PostgreSQL快速实现。

L7：成本层 —— 从固定成本到可变成本

技术视角：本漏斗的核心价值不是“便宜”，而是边际成本可控。

• 获客成本 ≈ (数据采集API费用 + WhatsApp消息费用 + AI推理费用) / 成交线索数
• 当漏斗稳定后，可反向优化：砍掉低转化率的数据源，调整跟进策略

与传统模式的核心差异（工程视角）

大实话：这套漏斗能解决什么、不能解决什么

能解决：

• 线索量不足 → 扩大数据采集覆盖面
• 跟进效率低 → 自动化多轮触达
• 决策人识别难 → 规则+模型过滤

不能解决：

• 产品本身无竞争力
• 报价明显偏离市场
• 业务员缺乏基础谈判能力

AI在这里扮演的是规模化执行器，不是商业奇迹生成器。

适合人群（本文视角）

• 正在搭建外贸SaaS或内部提效工具的后端/全栈工程师
• 希望用工程手段重构销售流程的技术负责人
• 对B2B自动化获客感兴趣的系统架构师

如果你正在实现类似漏斗中的某一层（例如WhatsApp消息的自动跟进状态机、决策人识别模型的轻量部署），欢迎一起讨论具体实现方案。

附：以上设计已在小范围内以脚本+规则引擎跑通，下一阶段计划引入更灵活的AI Agent编排（如LangGraph）来替代硬编码状态机。