夜雨聆风最近，AI 的能力在不断被进一步发掘。我注意到一个非常好的应用方向，也是大家都非常认同的方向，叫 AI 客服，或者叫 AI 销售。
我们知道，到目前为止，其实几乎所有工作都可以在线上完成，或者说都可以在线化。但唯一有一个东西很难在线化，那就是人和人之间的信任。商业的达成，或者人和人之间情感联系的达成，都需要一个过程，也就是我们所谓的关系旅程，或者叫信任达成的旅程。
那么，用 AI 怎么做销售，就是大家开始研究的一个问题。
我做了这么多年销售、面向市场的工作，也有相关创业经历，所以我会发现，人在做销售的时候是怎么样的，AI 就应该怎么来做。我的意思是，如何让 AI 像一个人一样去做人的工作，尤其是销售工作，这会变得非常重要。
所以这个时候，我们就会发现：如何拆解人的销售流程，或者说人在销售的时候会做哪些动作、需要用到哪些工具、具备什么样的旅程和思维，就变得非常重要。
以前我们试图用软件来实现一个销售过程，会发现很困难，因为软件没有决策能力，或者说没有思维能力。但是 AI 出现之后，我们就会发现，好像这一切变得非常可行，或者说我们见到了曙光。
于是很多企业开始把 AI 的能力引入到公司的客服，或者销售岗位上。目前看起来，市场上的应用进度在我看来分为三层深度。
第一层，是把 AI 放到公司客服岗位上，比如回答一些客户基础问题、内部执行问答，或者一些简单沟通型动作。
第二层，是因为 AI 拥有全世界公开的数据库、策略库，或者说它有思考能力，所以让 AI 辅助真人做一些销售动作。这个也叫现在所谓的销冠陪练，或者销售辅助能力。
第三层就非常激进，也是现在几乎所有 AI 应用公司都想探索的方向：让 AI 直接替代人工销售，或者让 AI 主导销售过程，也就是所谓的 AI 超级销售。
今天我们聊的，就是 AI 超级销售的可行性：它目前到底能不能实现，或者有没有实现的潜力。这是第一个话题。
第二个话题是，AI 如何和人类结合，才能做好销售。
过去一年里，我们公司做了一些探索，把 AI 的能力真正接入到人的销售流程当中，也就是把 AI 放到人和人之间的主流沟通工具上，尤其是国内主流的沟通工具上。
先讲讲我们把 AI 真实放到销售环境当中的计划和思考。
我们认为，人在做销售的时候需要几个动作，或者说需要具备几个能力。
首先，这个人一定要有销售经验。销售经验是一个比较虚的词，但具象下来，我认为有几个方面。
第一，人要能够对用户需求做出判断。
第二，人要能够理解用户情绪。
第三，人要能够分析用户的消费意愿。
也就是说，核心有三个要素：客户的消费需求、消费意愿和消费预算。对应到更具体的说法，就是他有明确需求，这是客观的；他有主观意愿；同时他有客观预算。
如果这三个要素都构成了，他就成为所谓的 A 类客户、高意向客户，或者值得重点关注的客户。因为这三个要素构成了一个人要买一个东西，或者会做出购买决策的核心。
这就是我所说的，人做销售时需要具备的基础技能。
第二，人在做销售动作的时候，需要熟悉业务，也就是熟悉公司，熟悉正在卖的东西是什么。
这里包括几个部分。
首先，这家公司是什么样的公司。它的经营策略、优势、文化，甚至战略等等，销售都需要对公司有全面了解。
第二，这家公司经营的产品是什么。产品功能是什么，优势是什么，差异点在哪里，击中的客户痛点是什么，能够满足客户什么样的需求。这当然还有其他一些更延展的东西，这一部分指的是对产品的理解。
第三，他需要把这些产品理解整理、整合为销售工具包。
所以综合来看，人在做销售的时候需要具备三项核心重点。
第一项，他要有自己的销售认知，也就是所谓的销售经验。
第二项，他要对产品和公司具备深度了解。
第三项，他需要有自己的销售工具。
这三项加起来，他就是一个合格的销售。再进一步，他可能还需要了解销售心理学，或者对用户旅程有判断。而这些恰好又是 AI 比较擅长的东西。
所以我们在把 AI 真实用到销售环境的时候，就考虑了这三项。
首先，我们用 AI 的人设来告诉 AI 它自己是什么身份、性格是什么、对这个世界的理解是什么。也就是说，我们定义这个 AI 的人设或者人格。因为每个智能体都会有自己的系统提示词，用来决定这个智能体是什么智能体，也就是“它是谁”。
第二，现在 AI 可以有自己的知识库，也就是增强知识检索，所谓的 RAG。我们行内叫 RAG 能力。
所以我们做了一个 RAG 能力。也就是说，人类需要把公司的信息、产品的信息，也就是我们所说的客观信息或者客观事实，放到知识库里面去。AI 就能够充分学习，并通过增强知识检索来调用，也就是向量数据库的逻辑。
我们把知识进行向量化之后，存到向量数据库里面，以便 AI 按需调用，或者基于对话环境和对话节点，进行合适内容的调用。
这里指的是什么呢？向量数据库通常输出是以文字形式输出的，所以这叫把客观事实存给 AI。
为什么现在的基础大模型，比如豆包，或者国内外一系列大模型，能够知道所有公开策略，但不知道企业的私有化数据？因为你这家公司对外销售，一定有自己的私有化数据。所以这里的知识库，或者 RAG，指的就是把公司的私有化数据库进行知识结构化，把它向量化之后给到 AI，然后 AI 在合适的时候就可以调用。
这是我们做的第二个动作，叫知识库，也就是客观信息。
第三个，就是销售工具。
销售工具通常以图片、文章、报价表、客户案例，或者其他说明材料的形式存在。它可能是链接、文件、图片，或者某一段话，是结构化的，也可以说是一整块内容。我相信做销售的人都知道我在说什么，这个东西叫销售工具包，或者销售材料。
所以我们做了这三项。然后结合 AI 本身的对话能力，就能够一定程度上实现一个更加契合企业需求，或者契合销售角色的对话过程。
接着我们发现了第四个问题。
当 AI 跟人对话的时候，一个聪明的 AI，或者说一个参数很大的大模型、非常优秀的大模型，它的优秀之处由几点构成。
首先，它要有很低的幻觉。我们知道 AI 通常会胡说八道。
第二，AI 有没有记忆能力，也就是它是不是拥有记忆。
当我们做完前三个动作之后，就碰到了第四个问题：大模型会有幻觉，而且没有记忆能力，或者没有很强的记忆能力。
现在我们为什么会说一个大模型是好的？其实评价标准有两个指标。
第一个指标，是它的幻觉高还是低。也就是它会不会胡说八道。
第二个指标，是它能不能精准、精确地记住更多信息。
幻觉越低，同时记忆能力越好，能记住越多东西，它就是一个更好的大模型。同样，一个更好的大模型，也就能够在销售场景，或者在人和人对话的场景当中，给人更好的体验。
我们平时使用大模型，是我们跟大模型对话。但如果我们想用智能体，或者基于大模型能力的智能体来做销售动作，让它代替我们一部分工作，我们就会对它的幻觉要求更低，对它的记忆能力要求更高。
尤其是在销售场景里，因为销售通常是一个长线程过程。销售的情况非常复杂多变：用户可能第一次跟销售沟通的时候，就会选择购买或者成交；也可能是了解完之后，对话被打断，经历很长一段时间之后才成交。
也有可能是在你跟进，或者建立联系、有了联系方式之后，经过很长一段时间，他对你更加了解，你持续露脸、露面，并持续给他进行售前服务。直到有一天，他具备了消费意愿，也具备了消费需求，同时还有消费预算，并且你又是他比较好的服务提供选择时，他才会来找你。
这就是我们所说的客户周期问题。
客户可能一开始认识你就跟你买，因为他刚需；也可能是接触一段时间后跟你买；还有可能是你跟他进行联系、做客情维护很长时间之后，也许两个月、三个月，甚至一年、两年，他才跟你买。
大概是这几个过程。
当客户跟你的成交周期越长，中间跟你的对话过程可能就越丰富。也就是说，他认识你、跟你对话越多，最后成交，中间跨度越长。
这里讲得可能比较啰嗦。我的意思是，人和人之间进行销售动作并成交的过程，时间可能很短，也可能很长。
而我刚刚所说的 AI 幻觉降低，以及记忆能力提高，其实决定了它在销售场景中能不能做好的核心原因。
那我们用了什么方法和策略来做呢？
首先，我们选用的是全世界最好的大模型，或者说我们会对模型进行精挑细选，它一定是幻觉率最低的。
第二，我们做了记忆模块。
现在 AI 的记忆，其实是上下文短记忆。怎么理解？你现在给它发一句信息，AI 回你一句；下一次你再给它发信息的时候，真实情况是 AI 会把你第一次发给它的信息、它的回复，再加上你第二次发的信息，合并起来再发送给它。然后它才拥有了知道你前面跟它对话内容的“记忆”。
这就是所谓的 AI 短记忆，也就是上下文短记忆。
那我们其实需要的是什么？是长记忆。
这里插一句，所谓 AI 的幻觉，或者叫注意力偏移，就是因为你在同一个对话框里跟 AI 进行了很多轮对话之后，大模型处理其实有上下文限制。比如现在我们讲 1M，也就是 100 万 token 的上下文。这里有一个概念叫 token，一个 token 大约等于 0.5 到 0.7 个汉字，当然每个大模型厂商的换算方式和标准不一样。
拉回来讲，当你跟 AI 进行了很多轮对话后，它的上下文会被挤爆。但是 AI 又必须回复你，于是这个时候你会发现它在胡说八道，或者忘记之前跟它说过什么，然后给出上下文极其错乱的回复。你就会发现，跟 AI 聊得越久，体验越不好。
这是现在全世界所有大模型的通病。
所以做得比较好的大模型会怎么做？它会在你进行多轮对话的时候做对话压缩。比如你跟它进行了十轮对话，第十一次再发信息的时候，它会把前面十轮对话进行精简和压缩。可能把前面 5 万字的对话记录，压缩成一条 500 字的总结，再结合你第十一条信息发给它。这样它就能够给你进行比较好的回复。
这是比较聪明的大模型在做的事情。
我们也尝试做了这样的动作。但在这个过程当中，我们仍然会受到各种各样条件的制约，也会遇到问题。
我们总结一下做了哪些动作。
首先，我们用基础大模型来进行对话回答，把它封装成一个智能体。
第二，我们做了知识库，也就是客观信息的知识库。
第三，我们做了销售工具包。
第四，我们做了记忆能力。也就是说，我们选用了幻觉最低的模型，同时做了主动记忆能力。不管对话多少轮，最终还是能够比较清晰地知道当前要聚焦讨论的是什么。
最后，我们还做了联网搜索功能。
因为我们知道，人跟人对话的时候，比如在微信聊天或者线上沟通时，遇到不明白的东西，聪明的人，或者执行力比较强的人，会马上去联网搜索，或者马上去百度，去网上搜索这个问题的答案，然后再进行回复。
我们通常说，一个优秀的销售，或者对企业来讲，一个优秀的销售员、优秀的销售个人，需要具备什么？
他非常勤奋，知识储备非常充分，有明确且更优秀的客户感知能力，或者说情商比较高。他的销售工具储备非常好，销售结构化能力很强，也就是销售 SOP 沉淀得很好。同时他的大脑很聪明，能及时响应信息，又有很强的执行力，能够马上去搜索信息。
这样的销售，就会是一个比较顶尖的人力销售。
我们奔着这个终点做了尝试。从去年 5 月到现在，我们不断进行工程优化，做出了这么一个产品。
后来我们发现的问题是：在这个过程当中，AI 还是不能够完全替代一个顶尖的人类销售。
但是它能够做的是什么呢？
我们认为，人机协作可能是 AI 在当下能够实际创造趋向价值的东西。也就是说，人机协作是当下 AI 最能够在销售场景落地应用的一个过程。
综上所述，我的观点是：AI 到当前为止，还不能够完成我们希望它完成的所谓 AI 销冠，或者 AI 顶尖销售的能力。但是 AI 在和人类结合，也就是人机协作的时候，能够做得很好。
比如，人在不断重复地回应客户、响应客户，或者触达客户时，这些重复性动作其实可以由 AI 来做。
第二，AI 能够比较精准地回复或回答客户问题。因为我们做了知识库、销售工具包，AI 能够比较精准地命中并回复客户。比如客户问一个报价，而这个报价是标准报价，AI 就会命中素材库，或者命中销售工具包里关于报价的部分，然后发送给客户。这个时候 AI 是做得很好的。
再进一步，AI 能够有自己的记忆能力，所以它在回复客户的时候，能够比较快速、精准地记忆并回复客户。
第四，AI 回复客户时没有任何负面情绪。我的意思是，人类会因为各种各样繁杂的琐事，或者生活状态，导致在销售过程中受到影响。可能上一句话就会影响下一句话，不能总是保持最高水准发挥。但是 AI 可以做到。
于是我们会发现，AI 能够解决的问题，是重复性的、对情绪比较有挑战的，以及需要快捷响应、高频响应、及时响应的工作。这些它能够做得很好。
除此之外，AI 距离人类真实能力还有很长一段路要走。更何况人和人之间都有巨大差异，并且每个人面对每个客户时，情况也完全不一样。也就是说，这里面有所谓个性化的逻辑。
经过将近一整年的深度技术探索，同时也在市场上做了深度验证之后，我们发现 AI 在销售领域，或者营销领域，能够做的事情主要有几个。
首先，基于公司官方网站，或者公司对外露出的轻量化客服平台，比如你需要让客户留资，或者让客户跟你进行一些前置筛选对话。
第二，在重复性客户对话过程中，比如有 1000 个、1 万个客户同时来咨询某一个东西，这种客服类、重复性的问题，如果让人去做响应和回复，成本可能比较高。
第三，AI 可以进行精准的、指向性的回答，并且不带任何情绪，永远保持积极、热情的态度。这一点 AI 能够做得很好。
第四，AI 能够比较快速地回复客户信息。
相反，AI 不能够做到的是什么？
长链路地、像真人一样，让用户感知到是在跟人对话，这件事 AI 现在还做不到。
同时，它也不能非常全面地拥有人的直觉，不能非常全面地了解一个人的信息，并且推理、推论这个人的信息，形成真正意义上的直觉。
比如我现在跟一个客户沟通，我能想起来一年前他曾经跟我聊过什么东西，或者我想起来我跟他有过什么共同好友，他曾经给什么信息点过赞或者评论。而这些信息，可能会影响我这次跟客户沟通时要说什么话，并且不同信息点的权重也会有区别。
而 AI 目前仍然是个奖励模型，它可能还是只能相对生硬地用人类设定好的规则去跟客户沟通。尽管它能够自我发挥一些，但这种自我发挥仍然相对窄，或者相对生硬和死板。
这就是我们现在探索到的，AI 在营销、销售或者客服过程当中的边界。
不过好的地方在于，我们在过去这一整年的探索当中，沉淀下来了一些能力。
第一，知识库能力。也就是把公司各种庞杂的信息进行向量化存储，然后按需调用。比如内部培训，比如客服向客户提供对话服务、提供响应时，能够精准命中信息，并回复客户问题。一些客观信息，可以完整交给 AI 来进行回复和回答。
第二，我们做了对话链路当中的记忆存储和优化。
第三，我们做了命中素材并发送的能力。比如 AI 客服在跟客户对话时，除了自然语言表达之外，可能还需要发链接、发图片、发视频，或者发客户案例等等。这些能力我们做完了。
再进一步，我们做了联网搜索能力。
最重要的是，为了支撑这些能力实现，我们做了一个底座，来支撑这些智能体运行。
我们通常知道，智能体分为很多层级。
第一个层级，是给 AI 一个系统提示词。比如我们现在跟豆包说：接下来在这个对话过程中，你扮演一个什么角色，你的回复通常需要有什么风格，你着重的地方应该在哪里，你要捕捉的核心信息有哪些，你的响应规则是什么样的。然后豆包的这个对话，就会以第一次给它的定义作为回复准则，继续跟你对话，并给你提供类似服务。
第二个层级，我们叫 workflow，也就是工作流。你给智能体一句话，或者给它一个需求之后，它可能会帮你执行既定节点。比如第一个节点先进行语义分析，第二个节点帮你联网搜索，第三个节点帮你做回溯，判断前面的响应是不是正确，第四个节点输出一个组合内容，比如图片加文件，或者图片加文字等等。
这叫工作流。也就是说，一句话进去，它给你输出一个你想要的，或者基于工作流定义的特定结果。
第三层叫智能体，真正意义上的 agent，也就是代理。
Agent 里面一定需要具备一些基础能力。第一，它要有联网搜索能力；第二，它要有调用知识库的能力；第三，它需要有调用工具的能力，比如调用代码工具，或者启动某个软件的工具等等；同时它还需要有自我思考，也就是有一条思考链路，可能还会沉淀自己的信息，然后进行自由化等等动作，最终帮你输出一个相对满意的结果。
通常我们说的像 Manus，或者最近的一些其他智能体，就属于智能体层。
那么这些东西全部都要运行在什么上面呢？它要运行在基础设施上，也就是智能体基础设施。
智能体其实是一串代码体系，它需要跑在一个基础环境上，这个环境就叫智能体的基础。比如现在我们所说的 Codex，它是一个智能体基础。国外的 LangChain 和 LangGraph 的语法所构成的体系，也是一种智能体基础。n8n 则是一个工作流基础。
我们做的东西，有点类似于 LangChain 这样的基础，也可以理解成一个更加自由、更加可自定义的 Codex 这样的智能体基础。
这是我们过去一年时间沉淀下来的东西。
所以我们对 AI 现在的看法是：它可能在生文、生图、生视频，以及处理一些特定任务，甚至进行编码的时候，都能够帮人类完成一些重复性工作。
但如果我们想让它更聪明地完成比较复杂的工作，就需要给它搭建一个完成复杂工作的运行环境，或者给它相对复杂的约束。
这也是为什么现在所谓的 IDE，比如 Claude Code、Codex，或者国内的一些编码智能体，会需要各种各样的 skills，或者 MD 文件。其实 skills 就是一个 MD 文件，只是它进行了结构化和强制令化的处理。
这也意味着，AI 在完成特定任务时可能会比较好用；在完成人类给它做了很好指向性、约束，或者给它提供了明确工具的环境中，也会比较好用。
但是，如果让它像一个人一样拥有直觉，或者像人一样能够进行更复杂的自我决策，甚至完成受情绪、情感影响的工作和工程，它往往是达不到的。
甚至我认为，在真正意义上的 AGI 到来之前，也就是所谓通用人工智能到来之前，在有意识、并且像人一样有情感、有情绪的人工智能到来之前，它都是无法完成的。
所以基于现在的 AI 能力来判断，至少我认为 3 到 5 年内，这件事完全没有希望。
不管是创业者、终端用户，还是想要找寻 AI 工具的人，都不要被当前一些非常花里胡哨、非常泛滥，或者夸大其词的营销内容误导。这些是完全不可行的。
一定要有自己非常清晰、简洁的判断，并且千万要克制好对 AI 的预期。
如果我们想验证内心的想法到底可不可行，一定要先问一下 AI。找一个大模型跟它对话，问它这个想法是不是可行，中间的卡点有什么，面临的最大挑战是什么，或者当前实现这个想法最大的阻碍是什么。
这些反而是 AI 能够做得比较好的。
以上就是我在探索 AI 使用过程当中的一些看法，或者说一些不成熟的经验，分享给大家。
