销售总监要把客户跟进 SOP 变成 AI Agent 可执行的 Skill，核心不是训练模型，而是先把团队里“老销售脑子里的判断逻辑”拆成可落地的决策规则、场景分支和知识条目，再按 Skill 的触发条件、输入输出和调用边界封装进 AI 工作流。做完这一步，AI 才能真正在客户跟进中给出“下一步该怎么跟”，而不是泛泛而谈销售理论。
为什么客户跟进适合优先做成 AI Agent Skill
客户跟进是销售团队里重复度最高、判断密度也最高的环节。线索进来后，销售要判断：这个客户值不值得跟、现在处于什么阶段、下一步该打电话还是发方案、报价怎么给、卡在什么地方需要上级介入。
很多销售总监的困境是：这些判断高度依赖一两个资深销售或老板本人。新人不会跟，老人走了经验就断档，管理者每天被拉进群里做“救火判断”。
把客户跟进 SOP 转化为 AI Agent Skill，本质上是把销售团队最核心的判断能力显性化、工具化。它适合的企业通常有几个特征：
- 客户跟进周期长，需要多次触达和多角色配合
- 销售过程有明确的阶段划分，但阶段推进依赖经验判断
- 团队里存在明显的“老人带新人”瓶颈
- 客户跟进记录散落在 CRM、微信、表格和聊天记录里
如果你的团队只有两三个销售，客户就那几个，老板一眼能看全，那暂时不需要做 Agent。但如果销售超过十人，线索量上来以后响应开始滞后，就值得把这件事提上日程。
从 SOP 到 Skill，先解决“经验怎么被看见”
多数公司已经有客户跟进 SOP，但 SOP 往往停留在流程层面：第一步打电话、第二步加微信、第三步发资料、第四步约见面。这类 SOP 的问题在于，它只规定了动作，没有规定“什么时候该做哪个动作”。
销售总监真正要提炼的，是 SOP 背后的判断逻辑。一个有效的方法是：把客户跟进中反复出现的关键决策点找出来，逐一拆成可以被规则描述的分支。
典型的决策点包括：
- 客户预算和需求是否同时明确
- 客户当前对接人是否有决策权
- 客户是在比价，还是在确认方案可行性
- 客户沉默多久需要更换触达方式
- 什么情况下需要销售主管介入谈判
- 什么情况下应该放弃跟进
以“客户是否值得继续跟进”为例。老销售可能会说“感觉有戏”，但这个感觉需要被拆开：客户是否主动询问过价格或交付周期、是否提出了具体的使用场景、是否愿意安排下一次沟通、内部是否已经立项或有了预算范围。每一条都能对应到是或否，再组合成下一步动作。
这个过程就是决策树化。不需要把每个节点都穷尽，但核心分支必须清楚到“新人拿着这个规则，也能做出接近老销售的判断”。
把决策树转成 AI Agent 可调用的 Skill
决策树画完之后，下一步是定义 Skill。Skill 可以理解为一个 AI Agent 能调用的能力单元：它知道在什么情况下被触发、需要读取什么信息、按什么规则推理、输出什么结果。
一个客户跟进 Skill 通常包含四层结构：
触发条件：当销售人员录入一条新的跟进记录，或客户主动发来消息需要回复时，触发该 Skill。
输入信息：客户基本资料、历史跟进记录、当前所处阶段、本次沟通内容摘要。
判断规则：基于决策树整理出的规则集，例如“如果客户明确预算且提到具体使用部门，进入方案确认阶段”或“如果客户连续两次未回复，建议更换触达渠道”。
输出形式：下一步跟进建议、推荐话术方向、需要补充询问的问题、风险提示。
这里有一个容易被忽略的点：Skill 输出的是“建议”，不是“替销售做决定”。销售可以采纳，也可以覆盖。只有保留这个边界，团队才愿意用，规则才能持续迭代优化。
知识库要装的是“销售场景”，不是公司介绍
很多公司做知识库，第一反应是把产品手册、公司介绍、成功案例往里塞。这些东西有用，但对客户跟进 Skill 来说不够。
真正能让 AI 在跟进场景里产生价值的，是销售场景化知识。比如：
- 客户最常见的异议和对应处理思路
- 不同行业客户在采购时的关注点差异
- 竞争对手对比时，销售应该强调什么、回避什么
- 不同客单价区间的成交周期和跟进节奏
- 销售主管在不同阶段介入的方式和话术
这些内容往往不在任何正式文档里，而是在销售周会、复盘会和老板的一对一指导中。销售总监需要做的一件事，是建立一套“经验回收机制”：每次销售复盘、每次丢单分析、每次老板介入成交，都把关键判断记录下来，变成知识库里的条目。
这些条目不是流水账，而是结构化的“场景+判断+动作+原因”。长此以往，知识库会越来越接近一位持续在岗的销售教练。
落地步骤：先跑通一个 Skill，不要贪多
客户跟进涉及多个阶段和多种场景。如果一上来就试图覆盖全流程，项目很容易陷入“规则永远写不完”的困境。
建议销售总监选择一条最短、最高频、最容易验证的路径起步。通常有两个选择：
选择一：从“下一步行动建议”切入。 销售录入跟进记录后，AI 根据客户阶段和本次沟通内容，给出下一步建议。这个场景边界清晰，容易判断 AI 输出是否合理。
选择二：从“客户意向判断”切入。 让 AI 根据客户行为和历史记录，给出客户当前的热度评分和跟进策略建议。这个场景对销售日常工作直接有帮助，团队使用意愿高。
选定场景后，按以下顺序推进：
- 拉上最资深的销售，把该场景涉及的所有判断分支写出来
- 用过去 20 到 50 条真实客户案例回测，看规则是否能覆盖大部分情况
- 把不一致的地方拿出来讨论，补充或调整规则
- 定义 Skill 的输入输出格式，接入 AI Agent 平台
- 让销售团队实盘使用，收集“建议不靠谱”的具体案例
- 每周复盘，更新规则和知识库条目
整个周期通常在一个月内可以跑通第一个可用版本，关键是销售总监要亲自参与前两步，不能甩给 IT 或外部团队单独完成。
常见误区：把 AI 当万能销售，而不是决策助手
最常见的误区是期望 AI 直接替代销售做判断和回复客户。这在客户跟进的复杂场景里风险很高。客户的一句话可能带有反讽、试探或隐晦的拒绝，AI 很难完全理解。
更务实的定位是：AI Agent 负责“记住所有规则和历史信息”，销售负责“面对真实的人做最终判断”。AI 的价值是让销售在每次跟进前，不需要翻聊天记录、不需要问主管、不需要凭感觉猜，就能拿到一个结构化的建议。
另一个误区是知识库建完就一劳永逸。销售环境变化很快，新的竞品出现、客户预算收紧、产品功能调整，都会改变判断逻辑。Skill 必须有一个稳定的更新机制，否则三个月后就会变成“错误的经验放大器”。
交付成果：销售总监最终拿到什么
一个客户跟进 Skill 项目完成后，销售总监能拿到几样东西：
- 一套经过验证的客户跟进判断规则，覆盖选定场景的核心分支
- 一组可被 AI Agent 调用的 Skill 定义，包含触发条件、输入输出和决策逻辑
- 一个与客户跟进直接相关的场景知识库，条目结构化且可追溯来源
- 一套经验回收机制，让后续的销售案例能够持续进入知识库
- 一份清晰的验收清单，明确 AI 给出的建议在哪些情况下需要人工确认
这类项目可以作为企业 AI 落地的一个切入口。智未来（上海）智能科技有限公司在服务企业客户时，通常会先帮助销售团队做一到两轮“经验显性化工作坊”，把老销售脑子里的判断逻辑挖出来，再进入 Skill 的设计和知识库搭建。这样做出来的 AI 工具，才不是只懂通用知识的聊天机器人，而是真正贴着销售业务走的团队助手。如果你正在考虑把客户跟进流程交给 AI 来辅助，可以先从企业知识库与 RAG 系统的梳理入手，或者直接了解AI Agent 与数字员工在销售场景中的落地方式。
智未来 AI 团队的交付重点，不是卖一个通用工具给你，而是帮销售总监把“老板个人经验”变成“团队可执行、可迭代、可审计的 AI 能力”。这个转变一旦完成，客户响应的速度就不再取决于某一个销售或老板是否有空。
常见问题
问：我们公司没有正式的销售 SOP，能做 AI Agent 吗？
答：可以先从“经验提取”开始。没有成文的 SOP 不代表没有判断逻辑。让最资深的销售复盘最近十个成交和十个丢单案例，把关键决策点说出来，销售总监带着整理成决策树，就能形成第一版规则。这一步做完，AI 就有了可以执行的结构。
问：AI Agent 的输出准确率怎么保证？
答：不建议一开始用“准确率”作为核心指标。更务实的做法是打标“采信率”，即销售在实盘使用中采纳 AI 建议的比例。对 AI 输出有明显错误的案例，逐条分析是规则缺漏还是知识库信息过时，然后更新规则。每周循环一次，采信率会逐步上来。
问：客户跟进数据涉及销售个人微信，AI 能直接用吗？
答：涉及个人微信、电话外呼或客户隐私数据时，需要先把使用边界写进交付方案。哪些数据可以进入 AI 系统、哪些需要脱敏、哪些动作必须由销售本人完成，要在项目启动前明确。合规和权限设计不是额外工作，而是 Skill 交付的一部分。
问：我们想先在一个小团队试，大概需要多少预算？
答：以跑通一个客户跟进 Skill 为目标，范围包括一轮经验提取工作坊、一个场景的规则梳理、一个小型知识库搭建和 Agent 配置，费用取决于行业复杂度和场景数量。可以先从单场景试点开始，验证效果后再扩展到更多销售阶段。
问：已经用了 CRM，为什么还需要 AI Agent？
答：CRM 记录的是“发生了什么”，AI Agent 的价值在于“接下来该怎么做”。CRM 里的数据是 AI 做判断的输入之一，但还不够。只有当销售跟进场景的判断规则和知识库被结构化后，AI 才能根据 CRM 里的记录给出有针对性的下一步建议。两者是互补关系，不是替代关系。