企业官网建设流程全解析

简介：一份完整的AI获客智能体构建实战指南，面向传统行业中小老板、创业者及销售运营人员，聚焦用DeepSeek+Coze从0到1搭建短视频获客智能体的全流程。资源为docx格式，共1个文件，压缩包约1.75MB，目前已吸引627人学习。文档从智能体定位与目标出发，结合蛋糕店老板短视频起号实例，拆解账号定位、对标拆解、选题库搭建等环节的痛点，并输出DeepSeek可协助的任务清单与人工动作对照表。随后细化场景工作流，给出自动爬取视频信息、生成拆解报告等功能需求，最后落地到Coze工作流创建、绑定、测试与发布。读者可据此快速复制一套AI获客分析流程，把80%重复性分析交给AI，提升选题、拆解与优化效率。

1. 为什么“DeepSeek+Coze”组合成了AI获客智能体的主流起手式

做AI获客智能体这件事，大多数人一开始都走错了路：先去找大模型，再去找平台，最后才想起来自己要解决什么。真正干过一遍的人会告诉你，这套组合里最难的不是技术，而是把一个销售场景拆成一套能让大模型稳定执行的对话逻辑。DeepSeek负责“懂人话、会生成”，Coze负责“接消息、跑流程、存数据”，两者拼在一起，才是一个完整的获客智能体。市面上单独聊DeepSeek API调用的教程很多，单独聊Coze工作流的教程也不少，但能把“定位→搭建→调优→落地”串成一条完整链路的，并不多。这篇文章就按照我实际做过的方案，把这套全流程讲透，包括参数怎么设、坑在哪里、跑起来以后拿什么指标判断它到底行不行。适合谁看？想用AI做销售线索获取的运营、准备给公司搭一套获客系统的技术人员，以及已经在Coze上折腾过但转化率一直上不去的朋友。

2. 先把获客场景拆成会话蓝图：定位、用户路径与转化节点

2.1 从“被问”到“主动问”：AI获客和客服机器人的本质差异

客服机器人解决的是“用户来了，我怎么接住”，AI获客智能体解决的是“用户来了，我怎么让他留下线索甚至直接下单”。这两件事的底层逻辑完全不同。客服机器人追求的是满意率，话术偏保守，答不上来就转人工；获客智能体追求的是转化率，它必须在对话里主动设计“钩子”——比如在合适的时候提出“留个电话，我们出个方案”或者“加个企微，我把报价单发你”。

很多人在Coze上搭建时犯的第一个错误，就是把客服机器人的对话流程直接拿过来当获客流程用。结果就是用户问一句它答一句，聊得挺愉快，但聊完用户就走了，一个线索没留下。获客智能体必须在会话蓝图阶段就明确：用户在哪个节点应该收到什么信息、在哪个节点会被引导留下联系方式、在哪个节点触发人工介入。这些不是靠模型自由发挥能保证的，必须在工作流里用节点卡住。

2.2 会话蓝图的三段式结构：开场、回应、转化

我一般会把获客会话拆成三段：开场白、需求确认、转化引导。三层各自承担不同职责，在工作流里对应不同的处理模块。

开场白（前2轮对话）：“用一句话说清你能帮对方解决什么”。这里的关键是不要问“您好，有什么可以帮您”——这是客服逻辑。获客逻辑应该更主动，比如“您刚才看了我们的小程序，是想了解企业版的报价吗”。开场白的目的是把用户的注意力从“随便逛逛”拉到“某个具体需求”上。

需求确认（第3到第8轮对话）：围绕“预算、时间、决策角色、核心痛点”四个维度收集信息。这个阶段的每一句回复都要有目的性，要么是在确认需求，要么是在引导用户说出更多业务信息。我会在Coze的变量节点里预设好四个字段，bot每套出一个信息就写入变量，套不出来就换个方式再问。

转化引导（用户表达出明确意向之后）：给出可执行的下一步。包括但不限于“留下手机号获取完整方案”“扫码进群领资料”“预约腾讯会议演示”。这段必须有强指令性，不能含糊。

2.3 给智能体定人设：语气、边界与话术模板

人设不是用来“拟人”的，是用来约束模型输出范围的。在Coze的Bot配置里，人设提示词写得越具体，后面的工作流就越稳定。我常用的写法是包含“身份+任务+禁区+话术风格”四部分：

你是一家SaaS公司的售前顾问，负责解答企业客户的报价、功能和实施问题。 你的目标是在对话中收集客户的行业、公司规模、使用场景和决策预算。 严格禁止做的事：编造不存在的功能、承诺“定制开发”的时间节点、给出未经确认的价格折扣。 话术风格：简洁、专业、避免反问句连环追问。每段回复不超过120字。 当客户明确表达“想进一步了解”时，立即引导对方留下联系方式，不要继续聊功能细节。

这段配置的价值在于，它把模型能力的“上限”变成业务需要的“下限”，防止DeepSeek在对话中发挥过头。同时，人设里明确写了“收集哪些信息、什么时候引导留资”，这直接对应后续工作流里的节点判断条件——当变量字段被填满到一定比例时，Bot自动切换话术策略。

3. 在Coze上搭建智能体主流程：模型接入、人设配置与工作流编排

3.1 模型选择的三个必调参数：温度、频率惩罚与上下文长度

Coze平台默认接入了多款大模型，DeepSeek是其中响应速度和中文能力平衡得比较好的一个。在Bot的“模型设置”里，有三个参数建议主动调整，而不是用默认值。

第一个是温度（temperature）。获客场景建议设在0.3到0.6之间。低于0.3，回复会非常生硬，像是念产品说明书；高于0.7，模型容易跑题，可能从“邀约演示”聊到“行业趋势”上去。第二个是频率惩罚（frequency_penalty），建议设置在0.6左右。这个参数控制的是“同一个意思的句子会不会换个说法反复说”。拉高频率惩罚，可以明显减少DeepSeek在获客对话里车轱辘话来回说的情况。第三个是上下文长度，Coze默认是模型自动管理，但在获客场景里建议手动限制在10轮对话以内。原因很简单：获客对话的目标是快速收集信息并引导留资，对话太长说明流程有纠缠，这时候宁可重新开启新会话。

提示：温度参数影响的是每个回复的确定性，不是整个会话的“性格”。不要指望靠调温度让Bot变热情，热情要靠人设提示词去写。

3.2 用工作流把“闲聊”变成“获客漏斗”

Coze工作流是整个智能体落地的核心骨架。获客智能体的工作流不必一次性搭得特别复杂，但至少要包含四个固定节点：入口判断、意图识别、信息收集、转化动作。

入口判断节点接收用户的第一条消息，判断是“直接提问”“询价”还是“闲聊”。这里我通常直接用DeepSeek的意图分类功能，让模型输出一个JSON字段，工作流再根据这个字段路由到下一层。

# 意图识别节点的思路示例（在Coze工作流的代码节点中实现） import json def main(input_text: str) -> dict: # 调用DeepSeek，这里用封装好的环境变量API Key result = llm.chat( model="deepseek-chat", temperature=0.1, messages=[ {"role": "system", "content": "你是意图分类器，只输出JSON，不要解释。"}, {"role": "user", "content": f"判断下面用户意图，输出intent字段：price/business/chat/other。\n用户说：{input_text}"} ] ) return json.loads(result)

这段代码实现的是工作流里的“路由大脑”。逻辑说明：先用低温减少分类结果抖动，再把大模型的能力封装成一个标准函数供工作流其他节点调用。参数说明里最值得关注的是temperature=0.1，意图分类是确定性任务，不需要创造性，温度设得越低分类越稳定。

信息收集节点要配合变量使用。我在Coze里预置的变量是user_industry（行业）、user_scale（规模）、user_scene（场景）、user_budget（预算）。工作流每轮对话结束后执行一次变量更新判断，四个字段全部非空时，触发条件节点跳转到转化引导分支。

转化动作节点是获客智能体和客服机器人的分水岭。这里不推荐用纯模型问答去“等用户主动留资”，而是做成一组可触发的动作：工作流调用API写入CRM，同时推送一条卡片消息（里面放预约链接或二维码）。在Coze上，这一步通过“插件节点”或“自定义API节点”完成。

3.3 知识库与插件：给DeepSeek补充私域数据与行动能力

裸的DeepSeek对产品细节、价格折扣、客户案例这些信息一无所知，必须靠在Coze知识库里上传私有文档来解决。获客场景下知识库建议分三类：产品FAQ（应对客户功能提问）、报价指南（应对价格区间询问，但不直接报底价）、案例分析（给客户“别人怎么用”的信任证据）。

我在实际项目中踩过的坑是：文档太长导致检索命中率下降。Coze知识库对单篇文档有处理上限，一篇文档超过5000字，检索质量和切片质量都会明显下滑。解决办法是文档精细化切分：一个主题一篇文档，文件开头先用100字写明适用场景，正文只保留问答对。

插件方面，获客智能体最常用的插件是“链接解析”和“表单提交”。链接解析用于识别用户发过来的网页/文章链接，判断是不是竞品或者需求描述；表单提交用于把收集到的信息写入CRM。在Coze插件商店里搜“表格”“CRM”能找到现成插件，没有的话就用自定义API节点写一个HTTP请求：

# 自定义API节点示例：提交线索到CRM系统 import requests def main(user_name: str, user_phone: str, user_company: str) -> dict: # CRM接口，实际使用时替换成业务系统地址 resp = requests.post( url="https://your-crm-system.example.com/api/leads", headers={"Content-Type": "application/json"}, json={ "name": user_name, "phone": user_phone, "company": user_company, "source": "deepseek_coze_bot" }, timeout=5 ) return {"status": resp.status_code, "lead_id": resp.json().get("id")}

这段代码把从对话里提取出的线索数据结构化，推送到CRM。参数说明：timeout必须设置5秒以内，获客场景下用户不会等一个接口响应超过3秒；source字段打上渠道标签，方便后续统计这个智能体实际带来了多少线索（转化分析时必用）。

4. 用DeepSeek写提示词和话术：从“会聊天”到“能成交”

4.1 让DeepSeek生成话术的提示词模板

获客智能体的话术质量直接决定转化率，但话术不是凭空写出来的，我一般会让DeepSeek先出一版初稿，再人工逐句调整。这里的关键是提示词里必须带“场景约束”，否则DeepSeek会生成一堆正确但没用的废话。

示例如下：

请为下列场景生成5条B2B获客开场白。约束条件： 1. 面向企业客户，决策人角色是运营总监； 2. 我们提供AI数据分析工具，可在10分钟内完成客户行为分析； 3. 不能出现“限时优惠”“折扣”等促销词； 4. 每条开场白不超过60字，语气自然，不要像机器人； 5. 目标：让客户愿意回复并透露当前使用的工具名称。 场景背景：客户在官网停留超过3分钟，看过价格页和案例页。

这个提示词模板的核心是“给结果加约束”，DeepSeek生成的初稿大约80%可以直接用，20%需要人工改掉过度承诺和术语堆砌。提示词里“不能出现促销词”这条特别有用——大模型天然倾向用促销语言刺激用户，但B2B决策流程里促销词只会让客户觉得不专业。

4.2 把DeepSeek的输出变成Coze工作流的变量

话术生成之后不是直接粘贴到Bot配置里，而是要嵌入工作流中作为动态内容。获客智能体要面对的用户是千人千面的，每个用户的需求背景、沟通风格都不同，话术必须能够根据用户输入实时生成。

在Coze的“大模型节点”里配置动态提示词模板，把用户填写的关键变量（行业、规模、痛点）作为模板参数传入。模板这样写：

客户信息： - 行业：{user_industry} - 公司规模：{user_scale} - 沟通中提出的问题：{last_user_message} - 当前对话轮次：{conversation_round} 您的任务：针对上述信息生成一句自然的回复，回答客户问题，并顺势提出一个更深入的问题来确认客户的具体场景。注意：不要推销，不要提促销。

这里的关键是“回答客户问题”和“确认场景”两个动作要结合，不要让模型只回答、忘了收集信息。Coze工作流中的变量引用语法是花括号包字段名，上方的模板在实际执行时，Coze会用当前会话中存储的变量值替换掉这些占位符。

参数配置上，大模型节点在获客场景下建议选择DeepSeek的deepseek-chat模型，温度设置在0.4到0.6之间。这里比意图识别节点温度高的原因是：话术生成需要一定的变化空间，否则每个用户收到的话术都一模一样，会被识别成机器人。但不要超过0.6，超过后会出现模型为了“变着法子说”而偏离业务目标的风险。

5. 测试与调优：AI获客智能体的常见翻车点与避坑清单

5.1 空转与自问自答：如何识别对话失控

现象：用户只发来一个含糊的词，智能体自己编出一整段对话，先问“您是想了解报价对吗”，再回答“我们的报价分为三档”，全程自言自语。原因是工作流里缺少最低信息量校验，模型面对模糊输入时倾向于“脑补完整会话”。

解决：在入口节点后加一个判断逻辑——如果用户输入少于4个字（不含标点），工作流直接返回一句确认话术：“为了更好地帮您，方便说一下您目前遇到的主要问题吗？”而不是进入完整生成流程。这条规则用Coze条件节点就能实现，不要指望模型自己判断——模型天然倾向多说，规则必须靠节点卡住。

5.2 信息幻觉：DeepSeek回答过界时的三条防线

现象：用户问“你们有没有团队协作功能”，产品其实没有这个功能，但模型回答“有的，支持多人同时在线编辑”。这就是信息幻觉在获客对话里最危险的形态，远比答非所问严重。

原因：大模型在没有明确产品边界约束时，默认“应该帮用户解决问题”，于是把通用概念“团队协作”当成自己具备的能力。解决用三层防线：第一层，知识库必须放置最新的产品能力清单，并在人设提示词中写明“回答功能问题前，先检索知识库，若知识库无此功能信息，回复‘这个功能我需要和产品团队确认’”；第二层，把产品能力维度做成工作流条件节点，用户问到功能时强制走知识库检索分支，大模型直接生成的分支只处理情感类和开放性问题；第三层，在提示词里加一段“禁止承诺”清单，把所有不能承诺的范畴明确列出来。

注意：幻觉问题在获客场景里是必须清零的重度事故，一次虚假承诺会导致一批线索流失。不要依赖模型自查，要用架构兜底。

5.3 表单抓取失败：关键信息收集的兜底方案

现象：用户在对话里明确说了“我是做跨境电商的，公司大概50人，想了解专业版”，但CRM里收到的线索只有公司名，行业和规模字段全部为空。

原因：模型从对话中提取信息时不稳定，偶尔提取不到，或者提取格式和CRM接口要求的字段类型不匹配。这不是单次偶发，而是每几十次对话就会丢一个字段的量级。

解决：在信息收集节点后增加一个“信息完整性检查”，脚本判断四个关键字段是否全部非空。如果有缺失，工作流进入补充追问分支，而不是推送给CRM。追问逻辑用最自然的方式，不要生硬地说“您还没提供规模信息”，而是让模型基于上下文自然接话——“刚才您提到公司在做跨境电商，方便问一下团队大概多少人来判断展示方案的形式吗？”这样既是追问，也在推进对话，不打断沟通氛围。

5.4 频率限制与成本失控：上线前必做的三道检查

第一道检查：并发上限。Coze免费版对API调用频率有限制，上线前要预估同时对话人数，超出限制直接导致用户发消息无响应。常见做法是在工作日用压测工具模拟20个用户同时对话，观察响应时间。第二道检查：单次会话成本。DeepSeek的API按tokens计费，如果工作流里每个节点都调用一次模型，一次完整获客对话的成本可能比预期高出3到4倍。建议精细统计工作流里每个节点的tokens消耗，把不需要用到DeepSeek的环节换成规则逻辑——例如FAQ检索优先走知识库，不先走大模型。第三道检查：错误熔断。工作流里所有API节点都要写超时和失败重试逻辑，否则CRM短暂不可用会导致整个会话中断，用户正在输入的留资信息直接丢失，这个线索就永久流失了。

6. 落地验证与进阶：从“能跑”到“敢投”的三个判断指标

6.1 用会话日志反推话术漏洞：一个半小时的复盘法

上线一周后，我做的第一件事不是看线索总量，而是拉取全部会话日志，把对话按“流失节点”分组。流失节点有两种：一是用户在开场白后5轮内就离开，二是用户已经表达兴趣但最终还是没留资。第一种暴露出的是开场白与目标用户不匹配，说明人设提示词里的目标人群画像没写准。第二种暴露出的是转化动作太生硬，用户在等一个更有说服力的理由，但话术直接跳到要手机号，显得突兀。复盘方法很简单：每天抽30条会话日志，按流失位置分类，找共性话术问题。这个动作坚持一个半小时就能定位到80%的话术漏洞。

6.2 进阶技巧：让智能体自动分配销售线索

会话结束且线索字段完整时，工作流可以根据公司规模字段自动分流：大客户线索进入A组销售队列，中小客户进入B组，未明确规模但行业清晰的分入C组。在Coze条件节点中配置分流规则，然后调用API将带分组标签的数据写入CRM。这一步不需要额外开发，用已有的API节点加一个if-else分支就能完成，但对线索跟进质量的提升非常直接，因为不同体量的客户需要完全不同的首次触达话术。

6.3 边界提醒：AI获客智能体做不到的事

获客智能体擅长的是规模化筛选和初步说服，不擅长的是价格谈判和复杂异议处理。我踩过一次很大的坑：让智能体自动回复一个关于售后SLA（服务等级协议）的技术追问，结果它编了一个不存在的响应时效，最后客户合同审查时发现了这个假承诺，险些丢掉订单。现在我把所有技术承诺类问题全部设置为转人工关键词，并用条件节点强制拦截。做AI获客，先学会收住边界，再谈增量。这是我做这个项目最大的教训，希望帮到你。

本文还有配套的精品资源，点击获取