LangChain 详解如何利用 GTM Agent 构建高质量销售材料

过去 12 周里，LangChain 内部的 GTM 智能体在各项工作流中为销售代表省下了数千小时。在此期间，它自动生成了 1,540 份销售资料——以往销售代表必须针对每个客户逐一手动制作这些材料。其中包括定制化客户方案、价值验证文档、提案幻灯片以及上线交付方案等。

资料制作向来是推进交易中最耗费精力的环节之一，强大的模型固然能提升制作速度，但纯靠模型本身，自动化的上限终究有限。真正拉开差距的，是围绕模型构建的一整套配套体系：

• 销售管理层的业务品味与标准
• 真实客户通话中沉淀的背景信息
• 诸如公司销售阶段划分等业务逻辑
• 推进到各个阶段的具体门槛与要求

本文将详细介绍我们如何借助业务背景信息，利用 GTM 智能体实现资料生成，并将其深度契合 LangChain 自身的销售模式。

你也可以基于 Deep Agents 框架复刻这套方案。它所依赖的基础组件（沙箱、技能、记忆与定时运行能力）均已集成在托管版本 Managed Deep Agents 中，方便有类似需求的团队直接专注于提炼和映射自身的业务运作方式。

核心成果

• 发送了相关资料的交易中，有 47% 顺利推进到后续阶段；而在未发送资料的对照交易中，这一比例仅为 16%
• 46% 的资料发出后，客户在 14 天内与我们安排了通话
• 过去 12 周内，平均每周生成超过 100 份资料
• 仅发送给客户的资料，就为销售代表累计节省了 337 小时

为什么我们要为 GTM 智能体加入资料生成功能

今年早些时候，我们曾分享过 LangChain 是如何搭建 GTM 智能体的。如今，它已经承担起销售和营销层面的大量工作流：它能调研新销售线索，拟定个性化的跟进内容供销售代表在 Slack 中一键审批，每周还会主动梳理出增购机会、丢单风险等客户信号。既然销售代表每天都在使用它，由它来接手工作中最耗时的环节之一——制作销售物料，自然水到渠成。

过去这套做法早就该改改了。团队内部同一份文档往往版本混乱；客户主管们得把产品用量数据塞进对话助手，再自行拼凑提案 PPT。每单交易都在重复同样的体力活，而且每次做出来的东西都不一样。我们需要一种既能把经过验证的宝贵经验沉淀为标准，又不会拖慢任何人节奏的办法。

我们的目标是同时解决三大诉求：

1. 严格把控客户所见内容的质量标准
2. 告别低效重复，不再让每位销售手动做重复劳动
3. 保障流程统一，确保每单交易都遵循标准化流程

第三个目标也是最难落地的。销售推进的每个阶段都有“关卡”，也就是必须满足的前提条件，比如确定最终预算决策人（Economic Buyer），或就验收指标达成共识。我们会追踪每单交易当前所处的阶段，以及通关所需的具体资料。然而在全靠人工操作时，某个步骤被遗漏往往要到几周后的商机复盘会上才被发现，白白错过了向客户追问的最佳时机。现在所有资料都交由 GTM 智能体归档，它就能在交易推进过程中实时发现缺失的文件。

这一工作流还为销售管理层提供了恰当的切入点：他们可以梳理总结出全团队最行之有效的打法，而我们则能将其转化为智能体的指导规范，把优秀经验规模化赋能给每个人。

将业务背景注入智能体

该智能体针对我们的业务运作方式做了高度定制。GTM Agent 掌握了 LangChain 推进每笔交易各环节的完整上下文，包括每份文档的模板、后续可能出现的追问，以及各类信息的准确来源。借助我们的工具，你只需定制自己智能体的上下文，也能搭建出完全相同的系统。

这个智能体之所以好用，很大程度上归功于模型本身并不具备的上下文信息：

• 流程知识：明确我们需要哪些产出物、何时需要，以及达到什么标准才算合格，为智能体开展工作搭建起骨架。
• 客户背景信息：智能体会读取 Salesforce 记录、产品使用情况、通话速记、潜在风险、决策标准以及后续行动项。这为销售人员提供了坚实的支撑，让他们能够应对远超普通销售人员负荷的交易量。
• 品牌风格与调性：借助 LangChain 的品牌素材和风格指南，确保所有输出内容看起来都专业、规范且统一。

我们的大部分精力都花在为智能体提供上下文上。我们极少把时间耗在“弥补模型能力短板”的提示词上，而是专注于沉淀我们的业务运作方式。每次集成都由销售人员在实际使用中不断打磨，并针对核心用户的偏好进行了精细调优。

搭建这套系统需要组合几项基础构件：

• 技能与指令：承载我们的销售流程、模板和阶段规则，并与核心代码分开进行版本控制。
• 沙箱环境：预装了 Office 工具，方便智能体生成文件、渲染预览、检查效果并修复问题。
• Slack 交互界面：销售人员平时就习惯在这里寻求协助。
• 定时运行任务：用于生成会前简报，让智能体具备主动服务的能力。
• 记忆机制：能够跨越整个交易周期保留上下文，而非仅局限于单次对话。
• LangSmith 链路追踪：完整记录每次渲染、工具调用和审核环节，我们正是借此排查出下文提到的延迟问题。

任何团队若想打造类似的智能体，这些组件都必不可少。如果现在着手开发，Managed Deep Agents 已经将它们打包成开箱即用的基础组件，免去了繁琐的沙箱编排流程，让你能直接聚焦于核心业务上下文的构建。

品牌即代码

各类产出物最终都会以公司品牌或销售代表的署名发出，因此 GTM Agent 同样遵循全公司通用的品牌规范。我们的品牌素材包（涵盖 Logo、色彩与排版规范、字体及风格品味指南）已预装到沙箱镜像中，任何品牌规范的变更都必须经过 Pull Request 审核。每完成一次渲染，智能体都会自行审查生成的页面，对照品牌指南逐一核验。点击此处可深入了解这一自我审查循环。

自我审查固然能提升质量，但若没有明确的退出机制，也会大幅增加延迟。早期版本的素材生成速度慢得令人抓狂。我们发现，智能体常常会反复审查完全没问题的页面，有时多达几十次。为此，我们加入了一条简单的规则：只要有一轮审查未发现实质性缺陷，就直接交付。这一改动大幅缩减了开销和等待时间——以一份单页文档为例，生成耗时从 18 分钟缩短至 7 分钟。

贯穿销售周期的各类产出物

GTM Agent 需要全流程跟进一笔交易，这就需要生成各种各样的产出物。我们将这些产出物对应到销售周期的五个阶段，每个阶段都配备了标准的文档模板。

产出物是如何生成的

产物是智能体与销售代表协同工作的结晶。智能体会在合理范围内尽量调取信息填满模板，随后交付文档，并明确标出哪些内容仍需人工补充。每件产物的生成都遵循同一套流程：

1. 触发：销售代表在 Slack 中提出需求，或者智能体在会议筹备期间主动提议生成产物
2. 读取客户信息：智能体在生成任何内容前，都会先在 Salesforce 中定位该客户，并读取其对应的 Drive 文件夹
3. 补全缺失信息：如果产物所需的背景信息（如成功衡量指标或关键决策人）在客户资料中存在缺失，智能体会先向销售代表询问
4. 获取模板：相关工具将管理层统一定制的模板复制到智能体的沙盒环境中
5. 生成内容：智能体在沙盒中利用 python-pptx 填充模板，同时套用沙盒镜像自带的品牌设计套件
6. 渲染与审查：LibreOffice 将文件转换为 PDF 并栅格化为图片，智能体重新读取这些图片检查排版，发现问题并修正后再次进行渲染
7. 归档与交接：最终文件会转换为原生 Google 幻灯片、文档或表格，存入客户文件夹；销售代表则会在 Slack 收到 PDF 预览和访问链接，文件中会清楚标记哪些地方仍需人工修改

每个客户都拥有一个供销售代表与智能体共享的 Google Drive 文件夹。销售代表在其中补充通话纪要、修改智能体生成的内容，而智能体在制作下一份产物前会完整读取这些最新动态。管理层维护的模板也存放在同一个云端硬盘中，这意味着只要领导层更新了模板，所有销售代表都能立刻用上最新版本。

打造主动型智能体

大多数销售代表并不会主动索取自己压根不知道的材料，因此智能体必须学会在恰当时机主动施以援手。我们正是通过赋予智能体主动服务能力，成功推动了工具的落地普及。

会前简报：智能体会跟进销售代表的日程表，在客户通话前推送简报。由于我们清楚交易当前处于销售周期的哪个阶段，智能体能够敏锐发现某场会议尚未归档对应的必要材料，并提醒销售代表提前准备哪一份。

任务分配：我们可以给负责某笔交易的客户经理派发任务，要求其备齐相应材料，无论是由 GTM 智能体自动生成还是人工制作皆可。这样能确保各笔交易都能按照管理层预期的顺序，带齐规定材料稳步向前推进。

这一切最终都汇聚在我们的“产物中心”（Artifact Hub）中。在这个网页界面上，每笔交易的进展阶段、已有材料以及下一步应补充的内容一览无余。

这样一来，智能体既成了业务赋能的落地载体，也成了业务流程的推行渠道。后文提到的量化评分卡，则会直接告诉我们这套机制是否切实奏效。

学习闭环

很多时候，人类的主观感受才是衡量智能体表现是否合格的最真实指标。如果我们只靠其他智能体或自身的主观判断，单纯对照智能体自身的指令来审核材料，就永远无法知道这些指令是否准确还原了业务流程，抑或遗漏了关键环节。

因此，我们始终坚持让业务人员深度参与其中。我们的核心事实来源包括：

• 每周与各材料负责部门的负责人开会沟通
• 每周面向整个销售团队举办宣讲会与答疑专场
• 在 Slack 专设频道中持续收集所有使用产物的销售代表的反馈

每个工件都有一位负责人，其审美与判断贯穿在整个设计过程中。我们会录下与负责人的长篇访谈，逐一过一遍所有细节——页面上的每个复选框、每个按钮以及每句文案，然后将逐字稿直接交给编码智能体来确定改进范围。这种方式让我们能够对大量工件快速迭代，最终交付实用的工件生成智能体。

人工反馈能告诉我们工件是否达标，却无法说明业务代表是否真的在用。为了量化智能体的实际价值，我们追踪了每一个生成工件的后续情况，并在对智能体进行调整时紧盯这些指标的变化。

• 生成量：智能体生成了多少工件？
• 使用率：其中有多少与公司外部人员共享？
• 效率杠杆：相比运行成本，它为业务代表节省了多少工时？
• 业务结果：这些工件触达了多大体量的销售管道？

我们用这套框架来评估 GTM 智能体处理的每一项任务，这让我们能客观审视系统的实际表现。某项任务可能在生成量上看起来很红火，但实际上大部分都没派上用场。打通整个闭环——从智能体生成的内容，到哪些真正促成了交易、哪些没有以及原因何在——是我们在开发下一代 GTM 智能体时的重点攻坚方向。在接下来的文章中，我们将更深入地拆解 GTM 智能体如何衡量业务结果。

上下文才是护城河

目前，GTM 智能体每周生成的 100 多个工件已经带来了切实的成效。这充分证明：一旦智能体理解了你的业务运转方式，就会变得有用得多；而这种能力的飞跃，更多源自模型周围的上下文支撑，而非模型本身。

想要构建专属智能体，可立即体验 Managed Deep Agents。如需了解我们在 GTM 技术栈中应用智能体的另一个实例，请参阅关于设计智能体的文章。