企业微信智能营销怎么落地

先把链路拆开，再看 AI 落在哪

一条完整的私域营销链路大致是这样：线索进入 → 身份归并 → 意向判断 → 客户分层 → 内容准备 → 触达执行 → 回应处理 → 转化归因。八段里有一半本来就是确定性逻辑：归并要按唯一标识合并、分层要按标签规则命中、执行要按频次预算放行、归因要按时间窗和渠道口径算。这几段换成模型不会更准，只会让结果不可复现 —— 同样的输入两次跑出不同的分层，运营第二天就会来问为什么这个客户今天不在名单里，而你答不上来。

剩下三段的共同特征很明确：输入是非结构化的、判据说不清楚、错了还能补救。把客户说的话读成信号，把一条内容展开成若干候选，判断一个沉默了两周的客户此刻值不值得再碰一次 —— 这三件事人工做得又慢又不稳定，规则做不了，模型做得比人好。收益确定的就是这三处。

• 读会话：把非结构化的对话内容抽成结构化的意向信号，供下游规则消费
• 出候选：批量生成话术变体，进审核后入库，发送时从库里取
• 排时机：在规则允许发送的名单里，给出「今天先碰谁」的相对顺序

第一处：把会话读成结构化信号

意向判断在多数团队里靠两样东西：运营手工打标，或者一张关键词表。前者在会话量上千之后一定滞后，后者覆盖不了「我们下个季度再看看」「得先过一下我们老板」这类没有关键词但信息量极大的表述。这正是模型最擅长的活：输入一段对话，输出几个预定义槽位的取值。

成败在输出格式。别让模型输出「该客户意向较高，建议跟进」这种自然语言 —— 它无法被规则消费，也无法回归测试。让它输出固定槽位：预算区间、决策角色、时间窗口、当前阻碍项。每个槽位的取值范围写死成枚举，模型只能选不能造，抽不出来就返回空值，空值比编造的值有用得多。这样下游分层规则可以直接读，模型换代时也能拿同一批会话跑出两份槽位做逐字段对比。

落地上有个顺序问题：每条消息都抽一次太贵，等会话彻底结束再抽又太晚。可用的做法是双触发 —— 会话静默一段时间后按整轮抽一次，同时对少数关键信号（明确报价请求、明确拒绝、提到竞品）做即时抽取。用 wecomapi 的事件回调把消息接进来后先快速 ACK、入队，抽取跑在异步链路上，不要在回调请求里同步调模型，那条链路的超时预算不属于你。

// 示意逻辑：消息由 wecomapi 的事件回调推来，先入队再异步抽取
// 精确事件类型与字段以线上文档为准，这里只表达链路顺序
queue.consume("wecom.message", async (msg) => {
  const conv = await turns.load(msg.convId);
  if (!shouldExtract(conv, msg)) return;          // 双触发：静默收尾 or 关键信号

  const slots = await llm.extract(conv, SLOT_SCHEMA); // 枚举写死，抽不出返回 null
  await signals.append({                           // 追加信号，不是覆盖档案
    convId: msg.convId,
    customerId: conv.customerId,
    slots,
    source: msg.id,                                // 每个取值都能追回到原文
    at: msg.ts,
  });
});

抽取结果不要直接覆盖客户档案，写成带时间戳和来源消息标识的信号流，由规则决定怎么合并。同一个客户上周说预算五万这周说十万，谁覆盖谁是业务规则，不是模型该决定的事；而且当销售质疑「这个客户为什么被打成高意向」时，你要能指着一条原文说是从这句抽出来的。做不到这一点的抽取，用不了三个月就会被运营团队集体绕过。

第二处：内容候选，而不是内容发布

让模型直接生成外发文案并发出去，是这类项目里最容易翻车的设计。问题不在于模型写得差 —— 它通常写得比临时拼的话术顺 —— 而在于发送这个动作不可撤，模型的输出分布你无法穷举，测一百条没问题不代表第一百零一条没问题。而营销文案恰恰是最容易踩线的内容类型：绝对化表述、暗示性承诺、编出来的优惠期限。

可行的形态是候选池：模型一次产出二十条变体，进人工或规则审核，通过的带版本号入库，实际发送时从库里取。这个设计把模型的速度优势完整保留了下来 —— 写二十条变体人工要一下午，模型几分钟 —— 而审核是一次性成本，同一条变体后面能用几百次。相比之下，实时生成意味着每一条都要过一遍审核，成本反而更高。

• 模型不接发送通道。生成侧和发送侧之间必须隔一个人或一条审核规则，这条不打折。
• 每条变体带版本号、审核人和生效范围，下架时能按批次撤，不用满库找。
• 含价格、时限、承诺的内容一律不进自动通道，无论它是模型写的还是人写的。

同一节里还有一处收益方向相反的用法：发送前预审。让模型去读将要发出的内容，标出风险点 —— 绝对化表述、未经确认的承诺、与客户标签明显冲突的称呼、上一次已经发过的同款话术 —— 然后交给规则决定拦不拦。这仍然是「读」的活，模型只出标注不出决定，拦截的判据留在规则里，被拦的运营来问时你有话可说。

变体库需要维护，这一点在方案阶段几乎总被忽略。产品改一次价、活动换一轮，库里就有一批变体过期。实际做法是给每条变体挂上它依赖的事实（价格、活动期、产品名），事实变更时批量标记待复审，而不是等运营发现发出去的话是上个季度的。

第三处：再激活的时机判断

沉默客户要不要再碰、什么时候碰，是营销里最贵的判断之一。发早了掉粉，发晚了人凉了。规则做法是固定间隔 —— 十四天没互动就发一条 —— 它的问题不是不准，是对所有人一样：一个平时两周回一次的客户和一个昨天还在问价的客户，被同一条规则同等对待。

模型在这里能做的是相对排序：在今天规则允许发送的名额里，谁最值得。这个定位要卡死 —— 名额上限、静默时段、频次预算仍然全部由规则算完，模型只在规则放行的集合内部排先后。这样即使排序完全失灵，最坏结果也只是发给了不太合适的人，不会出现超频打扰，风险被规则兜在外面。

输入用行为序列而不是画像标签。最近一次回复距今多久、历史回复集中在哪些时段、上一轮发的是什么类型的内容、当时是已读不回还是直接回了、有没有点过链接 —— 这些是模型能读出模式的东西。画像标签是人定义的粗粒度分类，模型从里面读不出比规则更多的信息。行为序列的原料是消息与事件流本身：wecomapi 推来的事件按发生时间追加落库，一条只增不改的行为流比任何画像表都好用。要注意它只能从接入那天算起，之前的行为不会凭空出现。

冷启动阶段没有行为数据，不要硬上。先用规则跑三到六个月，把互动记录攒下来，同时保留一个随机对照组 —— 后面训练排序时，随机组是唯一没有被规则污染的样本，价值极高。这一步省掉，之后想评估模型效果会发现所有数据都带着旧规则的偏。

剩下那几处，不要交给模型

1. 1别让模型决定最终发送名单。去重、退订名单、合规黑名单、归属冲突，全是确定性逻辑，出错时要能追责到规则的某一行。
2. 2别用模型做频控。频次是算出来的不是判断出来的，一个能被说服的频控等于没有频控。
3. 3别让模型自动改标签体系。标签是运营、销售和系统之间的公共契约，模型只能写它被明确授权的那几个槽位，新增标签必须走人的评审。
4. 4别用模型生成对客的价格、库存和时限。这类内容错一次的成本，比它省下的所有人力都贵。

这四条的共同逻辑是可复算：名单怎么来的、频次怎么算的、这笔转化算在谁头上，事后都要能用同一份输入重跑出同一个结果。模型给不了这个，而营销链路里几乎每一次争议都从「这批人为什么被选中」开始，答不上来就只能整条策略停掉。责任归属那一面站内讲智能运营那篇有展开。反过来，凡是错了只影响内部判断、下一轮能自我纠正的环节，模型的容错空间就大得多，可以放手用。

怎么证明它真的提效了

上了 AI 的营销链路最难的不是做出来，是证明它有用。默认做法是上线前后对比，这在营销场景里几乎一定被污染 —— 季节性、活动节奏、销售团队人员变动、甚至竞品的一次降价，任何一个都能盖过模型带来的那点差值。

1. 1留对照组。同一批客户里划出 10% 到 20% 走原链路，跑满一个完整的转化周期再看，短于转化周期的对比没有意义。
2. 2三处各自能独立降级。意图抽取、内容候选、时机排序要能分别关掉退回原方案，否则收益来自哪一处永远说不清，出了问题也只能整体回滚。
3. 3指标看下游不看上游。抽取准确率 92% 是过程指标，它高不代表转化好；最终要看的是分层后的回复率、进入下一阶段的比例和成单周期。
4. 4记录人工介入量。运营改了多少条候选、推翻了多少次排序 —— 这个数比准确率更早反映模型是不是真的可用。

还有一条容易被跳过：留一份人工基线。让运营用原来的方式处理同样一批线索，记录耗时。半年后当有人问「这套东西到底省了多少人」时，这份基线是唯一能拿出来的证据。没有基线的项目，最后都变成了体感之争。