本文拆解AI获客智能体中线索筛选的核心算法——双层漏斗模型，分析意图识别、分层策略与自动跟进的工程实现，以及这套系统如何将有效线索率从25%提升到50%。
一、问题背景：为什么需要线索筛选
在To B和高客单价业务中，客户咨询量不小，但有效线索率往往很低。
典型痛点：
- 100条咨询里，只有25条是真正的潜在客户
- 大量时间浪费在同行打探、闲聊、完全不相关的咨询上
- 高意向客户没被及时跟进，低意向客户占用了大量人力
传统解决方案是人工筛选，但存在三个问题：
AI获客智能体的核心价值，就是用算法解决这个问题——双层漏斗线索筛选模型。
二、双层漏斗模型整体架构
双层漏斗模型分为两层：
┌─────────────────────────────┐
│ 第一层：资格过滤（是不是潜在客户？） │
│ · 同行识别 · 闲聊过滤 · 需求匹配 │
├─────────────────────────────┤
│ 第二层：意向分级（意向高不高？） │
│ · 高意向 · 中意向 · 低意向 │
├─────────────────────────────┤
│ 执行层：高意向转人工 · 中意向培育 · 低意向忽略 │
└─────────────────────────────┘
设计目标：
- 第一层过滤掉70%的无效咨询
- 第二层把剩余30%分成高/中/低三档
- 人工只处理高意向部分（约占总量的10-15%）
这样，人力成本节省50%以上，同时高意向客户被及时跟进。
三、第一层：资格过滤算法
3.1 同行识别
问题： 同行打探消息、竞品调研，是无效咨询的重要来源。
技术实现：
3.2 闲聊与无效过滤
问题： 用户随便聊聊、问个不相干的问题，不是真实客户。
技术实现：
3.3 需求匹配
问题： 用户咨询的业务，是不是你公司能做的？
技术实现：
四、第二层：意向分级算法
通过第一层过滤后，剩下的是潜在客户。第二层要判断他们的意向高低。
4.1 三维度意向评分
意向评分从三个维度计算：
| 需求明确度 | 40% | 能不能说清楚自己要什么？是随便问问还是真有需求？ |
| 紧迫程度 | 30% | 是现在就要，还是先了解一下？有没有时间节点？ |
| 决策能力 | 30% | 是决策者还是只是了解？有没有预算？ |
4.2 多轮对话中的意图识别
关键技术点：不是第一轮就判断意向，而是在多轮对话中逐步判断。
工程实现：
4.3 分级策略
根据综合评分，分成三档：
| 高意向 | 80-100分 | 10-15% | 立即转人工销售 |
| 中意向 | 50-80分 | 20-25% | AI持续跟进，培育转化 |
| 低意向 | <50分 | 60-70% | 自动回复基础信息，不主动跟进 |
五、自动跟进策略
5.1 中意向客户的自动培育
中意向客户不会马上成交，但可以通过持续跟进培育。
技术实现：
5.2 跟进话术策略
跟进话术不是固定的，而是根据客户画像动态调整：
- 行业话术包：不同行业用不同的话术
- 阶段话术：初步了解、对比评估、即将决策，不同阶段用不同话术
- A/B测试：不同话术效果对比，持续优化
六、工程实现中的关键问题
6.1 准确率问题
意图识别的准确率，直接影响效果。
提升准确率的方法：
6.2 响应速度问题
客户咨询要秒级响应，不能等。
技术方案：
6.3 合规性问题
自动回复要符合平台规则，不能太机械。
技术方案：
七、实际落地效果
以长沙本地的瞬维AI获客系统为例，其双层漏斗模型的实际运行数据：
- 日均咨询量：50条 → 80条（+60%）
- 有效线索率：25% → 50%（提升一倍）
- 人力成本：2个运营 → 1个运营（节省50%）
- 响应时间：8小时值守 → 秒级响应
核心原因就是双层漏斗模型：AI自动过滤掉无效咨询，自动分级，人工只处理高意向部分。
八、总结
AI获客智能体的双层漏斗线索筛选模型，本质是用算法解决"哪些线索值得人工跟进"的问题。
技术上分为两层：
- 第一层：资格过滤，过滤掉同行、闲聊、不匹配的咨询
- 第二层：意向分级，把潜在客户分成高/中/低三档
关键技术点：意图识别、多轮对话状态跟踪、自动跟进策略、准确率优化。
这套系统的价值不在于替代人，而在于把人从无效工作中解放出来，只处理最有价值的高意向客户。
