大模型落地 B 端營銷：京東物流如何用 Agentic Workflow 破解"機械感"難題，實現降本 50%

作者｜ 王春陽

編輯｜李忠良

策劃｜AICon 全球人工智能開發與應用大會

導語：
在數字經濟與物流產業深度融合的背景下，B 端營銷正面臨著決策鏈路長、獲客成本高、轉化邏輯復雜等深層次挑戰。傳統的營銷模式受限于人力規模與標準化程度，往往難以在激烈的市場競爭中兼顧“效率”與“精準”。

InfoQ 榮幸邀請到了王春陽在 AICon 全球人工智能開發與應用大會上分享《從觸達到轉化，京東物流 B 端營銷的數據閉環與 AI 驅動增長實踐》，他深入解析了京東物流如何通過 AI 技術重構 B 端營銷全鏈路。

從破解“獲客難、轉化差”的兩大核心痛點出發，分享將揭示京東物流從“人機協同”到“大模型平替”，再到“全流程大模型培育方案”的進化歷程。通過構建 Agentic Workflow，系統實現了從僵化指令向動態決策的跨越；而底層自動化數據飛輪與維智能評估體系的建設，則為模型的持續迭代與業務的穩健運行提供了堅實支撐。

以下是演講實錄（經 InfoQ 進行不改變原意的編輯整理）

1 獲客難、轉化差？B 端物流營銷的兩大"致命傷"

首先，獲客難的根源在于銷售獲客渠道過于單一。目前銷售主要依賴線下自主挖掘及老客戶轉介紹等傳統方式，雖然此類客戶質量較高，但受限于個人社交圈，獲客數量極其有限。

而來自市場部引流的線上“冷線索”雖然在數量上有所補充，但由于其真實性難以保障。這種獲客方式的局限性使得銷售人員面臨巨大的業績壓力，即便京東物流有 60% 的銷售每天花費 3 小時以上的時間用于拓展新客，依然難以支撐其完成新客 KPI 指標。

其次，轉化差則是另一核心問題。除銷售個人能力差異外，B 端客戶的特殊性是導致轉化困難的主因。由于 B 端業務具有較高的認知門檻，客戶往往會針對多家供應商的解決方案進行比價，考量價格競爭力與服務質量，這導致了 B 端客戶的決策鏈路漫長。在漫長的決策周期中，任何跟進不及時的情況都會直接造成客戶流失。數據顯示，京東物流銷售每天處理的線索整體轉化率不足 1%。

獲客難與轉化差的雙重困境，是當前 B 端營銷發展的核心制約因素。

深入剖析上述兩個問題的本質可以發現，其核心矛盾在于銷售團隊不僅極度匱乏高質量的精準客戶資源，且即便在獲取優質客戶后，仍需投入巨大的溝通成本與長期關系維系精力。

由此我們面臨著兩大核心挑戰：首先，如何通過前置線索挖掘與 AI 篩查機制，規模化地為銷售團隊持續輸出高質量線索，從而提升銷售效率；其次，如何利用 AI 技術實現對客戶的深度培育，以此破解 B 端業務簽約周期長的痛點。

2 從"人機協同"到"大模型平替"：AI 營銷的三次進化

針對上述挑戰，我們進行了多輪方案迭代。

首先是“營銷解耦”。通過拆解 B 端營銷全鏈路，明確 AI 團隊的切入點，即規模化、持續性地為銷售提供高質量線索。

為此，我們構建了擁有 3 億至 4 億量級的上游潛客池，作為數據支撐。利用常規召回與排序算法，并面向轉化簽約進行建模，從海量數據中篩選出意向潛客并進入“線索工廠”。

為了進一步優化線索質量，我們在“線索工廠”與銷售環節之間引入了人機協同機制。通過設置 SDR（線索培育人員）角色，對初篩線索進行質量把控，確保輸送給銷售的均是有明確意向的客戶。

為破解意向客戶轉化率不穩的難題，進一步增設了 Pod（線索運營人員）環節。Pod 負責對已確認意向的客戶進行持續跟進，直至其達到準簽約狀態后，再交由銷售跟進。

通過這一鏈路，簽約量與轉化率均實現了成倍增長。該方案的本質是利用智能化工具輔助人工，通過數據挖掘與智能匹配技術，提升了線索培育人員的工作效能與線索流轉效率，最終實現銷售轉化的提升。

方案演進的第二部分核心在于逐步采用大模型平替。

此前人機協同模式中的 SDR 與 Pod 角色，畢竟有人力成本在，所以規模化擴張受限。為此，我們逐步推行了大模型平替方案：在 SDR 環節，通過 AI 外呼及營銷機器人分別替代傳統的電話外呼與線上入口（如企業微信、小程序、在線客服）的接待工作；在 Pod 環節，則通過構建智能銷售助手及優化客戶自助簽約鏈路，確保簽約鏈路順暢執行。

這一方案的應用成效顯著，不僅實現了 50% 的運營降本，更由于擺脫了人力規模的限制，促使簽約量實現了翻倍增長。為了支撐大模型在營銷場景的深度落地，我們同步構建了包括自動化樣本構建、指令遵循、查詢意圖識別及多模態處理在內的核心技術能力，從而支撐整個大模型的平替。

在經歷了從部分替代到深度融合的演進后，我們最終形成了全流程的大模型培育實踐方案。

該流程鏈路主要由三大板塊構成：

首先是 CDP 潛客池，它整合了算法自動挖掘與各省區及業務部門的實際需求，通過調度中心的智能調度與全局優化，確保輸出高質量線索；

其次是內部客戶培育體系，該環節完全依托 AI 技術，重點通過 AI 外呼與企業微信兩大渠道進行自動化觸達；

最后是通過銷售助手實現的反饋閉環，銷售人員對線索質量與數量的需求會實時回傳至潛客畫像端，從而指導新一輪的客戶圈選，使整個營銷鏈路實現閉環滾動。

在上述體系中，核心環節在于企業微信與 AI 外呼的智能化建設。企業微信的優勢在于能以極低的成本與客戶進行深度、長頻的溝通，有利于維持長期關系，但其瓶頸在于覆蓋率受限，即客戶添加好友的門檻較高。相比之下，AI 外呼具備極強的規模化觸達能力，理論上只要資源充足，每日可實現百萬級的營銷觸達，但其缺點在于語音交互的深度有限且難以維持長期維護。

針對這兩類工具的特性，我們構建了“AI 外呼 + 企業微信”的協同矩陣。該矩陣采用“廣篩加深耕”的策略：利用 AI 外呼進行前置的大規模篩查，精準識別出高質量潛客并引導其添加企業微信；隨后，由企業微信承接后續的深度培育與長期價值轉化。這種協同模式不僅顯著提升了全鏈路的客戶培育效能，也實現了 B 端營銷的業務的可持續增長。

3 Agentic Workflow+ 上下文工程

底層技術的穩固建設支撐了上述應用的落地。

在應用層，我們部署了覆蓋 AI 外呼、微信助手及智能客服的工具群；在基礎能力層，則依托多元知識庫，利用 RAG（檢索增強生成）技術實現了對客戶知識、銷售知識及通用知識的精準檢索。

為了提升智能體的交互質量，我們構建了包含信息抽取、意圖識別、個性化回復及語音轉換（ASR/TTS）在內的智能體能力集群。

在模型開發層面，通過數據飛輪 SFT（監督微調）與 DPO（偏好對齊）等模型優化工作。同時，針對線上長期運行的營銷環境，我們建立了涵蓋自動化評測、自動化運營及模型幻覺檢測、回復質量評估等核心功能，輔以對話摘要和智能編排等相關能力。

智能營銷的核心目標在于通過 AI 實現客戶培育與最終轉化。

為此，我們借鑒了銷售與業務人員在客戶培育方面的成功經驗，并對其進行了任務解耦。

具體而言，培育流程被細化為開場引導、信息收集與核實、疑難解答以及基于追問的簽約引導等環節。這一任務架構對 AI 能力提出了明確要求。

首先，必須具備精準的多輪意圖識別能力，以確保能夠根據用戶的每一輪反饋準確引導對話走向；其次，需實現高效的信息抽取，以便將客戶提供的關鍵數據精準錄入系統或下發給銷售人員；最后，AI 應能提供高質量的回復，在解答用戶疑問的同時，保持營銷節奏的連續性。

在明確能力要求的基礎上，如何定義復雜的營銷流程成為提升轉化率的關鍵。溝通節點的銜接與后續動作的決策直接影響客戶體驗，若流程配置不合理，極易因“機械感”過強導致客戶流失。

為此，我們構建了基于 Workflow 與 Agentic Workflow 的標準化解決方案。

在項目初期，我們主要依托預設的工作流方案實現了營銷機器人的快速落地，并在較長一段時間內以此作為核心解決方案。

初期流程圖的節點跳轉邏輯尚屬可控，系統根據識別到的用戶意圖進行相應流轉。然而，隨著業務對“精準化培育”要求的不斷提升，傳統工作流的局限性日益凸顯。其弊端在于執行邏輯的刻板性：系統必須嚴格遵循預設路徑，難以處理跳躍式的對話需求。當客戶提供預期之外的信息或展現動態變化的潛在需求時，工作流模式往往無法有效理解復雜的上下文語境，導致客戶體驗極差。

實踐證明，傳統的 Workflow 模式僅適用于配合度極高、合作意向極其明確的 B 端客戶，即只需按部就班核對信息即可達成合作的場景。但在需要靈活互動、需求多變的 B 端營銷實戰中，這種僵化機制無法應對客戶的動態反饋，可能會引發刪除好友或掛斷電話等行為，最終導致客戶流失。

以上圖具體案例為例：在對話初始階段，機器人首先進行身份表述并詢問客戶需求。當客戶明確表達寄送櫻桃的需求后，由于系統預設的工作流專注于核心要素信息的采集，機器人僅簡短確認櫻桃可寄送，便立即切換回既定的信息追問環節。

此時，客戶進一步詢問關于櫻桃寄送的具體服務，但受限于僵化的工作流配置，機器人未能針對性地解答其關切，而是機械地繼續執行信息核對任務。

這種處理方式使得機器人無法基于客戶提及的特定品類，導致對話節奏失調。這種高度機械化的交互體驗極易引發客戶反感，降低其提供后續信息的意愿，最終導致 AI 客戶培育的線索轉化率受限。

為有效解決以上問題，我們推出了 Agentic Workflow 解決方案。該方案的核心點在于以自主決策機制取代了傳統的固定工作流模式，將大模型作為整體決策中樞，實現對用戶意圖的實時解析與后續動作的動態生成。

這一架構賦予了系統在流程節點上自由跳過、插入及回溯的靈活性，使人機交互過程更具人性化與靈活性，并成功將客戶從進線到最終轉化的轉化率提升了約 20%。

本質上，該方案堅持以客戶需求為中心，通過場景識別、互動平衡與專業賦能的三維協同革新了傳統的信息采集模式，使溝通過程更具溫度，在確保轉化效果的同時，實現了營銷全鏈路的優化。

在場景觸發維度上，通過自動提取用戶表達中的核心關鍵詞，精準匹配業務場景庫，從而識別出當前及同類客戶的最優歷史轉化鏈路。基于此路徑，系統可實現個性化的互動觸發與針對性的細節追問。

在獲取上述信息后，后續關鍵在于精準把握主題回歸的時機。在任務動態平衡層面，為了兼顧客戶深度培育與留資轉化這一核心目標，我們采取了“先話題培育、后要素采集”的遞進策略，有效規避了規范式審問體驗。

此外，在專業賦能層面，通過深度嵌入垂直領域知識，來實現 AI 營銷助手的角色從原始信息采集員升級為行業顧問的形式。

在實現 Agentic Workflow 的過程中，我們將場景觸發與任務動態平衡整合，核心是通過構建“主題生成模型”控制對話主題的自動化流轉。

首先，針對 B 端營銷場景進行意圖建模，通過界定業務邊界約束大模型的回復范圍，確保交互的聚焦性。隨后，通過分析 SDR 與銷售的外呼數據進行主題映射及關系推斷，并利用這部分數據做出相似場景下主題生成模型。

該方案的核心初衷在于復現一線銷售與客戶培育人員的歷史最優鏈路，并將其能力賦能至現有業務場景。

針對歷史數據中可能存在的偏差，我們通過在垂直領域構建仿真交互環境，采用模擬用戶與機器人多輪對話的形式，并跳轉生成新場景主題數據，再利用強化學習技術進行新場景主題下的生成，從而保障了數據的無偏性，且實現了該主題生成模型在該場景下的適用性。

在專業賦能的實現路徑上，我們采用了“上下文工程”。其本質是構建一套動態信息支撐系統，使大模型在每次交互前均能自動聚合當前任務所需的全部資源，包括垂直領域知識庫與工具調用能力，從而在精準解決用戶問題的同時，確保營銷目標的達成。

該工程包含了用戶的長短期記憶、業務數據（如訂單狀態、促銷信息及客戶系統畫像）以及全量知識庫（涵蓋產品手冊、FAQ、政策文檔及權益折扣）等。在工具調用層面，系統集成了物流追蹤、優惠券發放、工單創建、線索下發及銷售匹配等執行功能。

以訂單查詢場景為例，傳統的提示詞工程往往止步于被動索要單號，而上下文工程則能主動識別用戶身份，并實時檢索業務系統，直接完成信息組裝并給出最終反饋。這種模式實現了營銷助手從“會說話”向“會辦事”的關鍵跨越。通過讓大模型在準確回答的基礎上實現精準操作，成功將服務模式從“千人一面”的廣播升級為“千人千面”的私人管家的形式。

在營銷場景中推行上下文工程，核心目標可歸納為以下四個維度：首先是提升轉化率，基于用戶歷史行為與偏好，確保推薦內容精準契合用戶需求；其次是增強客戶忠誠度，通過記錄用戶的長期偏好信息并定期推送專屬權益，從而提升客戶體驗；再次是降低運營成本，依托自動化工具釋放繁重的人力；最后是保障營銷合規，通過實時檢索最新政策文檔，有效規避相關風險。

傳統的上下文工程雖能使 AI 助手成為優秀的“個人檔案管理員”和“業務研究人員”，能夠精準識別用戶身份并解析業務邏輯，從而輸出“正確”的解答。

然而，在營銷場景下，“正確”并不等同于“有效”。若 AI 僅提供標準化的事實回復而缺乏后續引導，用戶在獲取信息后往往難以產生轉化動機。

為此，我們引入了“用戶行為結果知識圖譜”，實現了大模型決策邏輯的跨越：從理解單個用戶的靜態的畫像信息，進化為對相似人群動態轉化鏈路的深度洞察，賦予了大模型“群體智能”形式。

傳統上下文工程通常僅限于傳遞當前用戶的相關信息，相比之下，基于圖譜的方案在整合當前用戶數據的同時，能夠實時檢索并聚合相似客群的歷史狀態信息。這一機制使大模型能夠“站在前人的肩膀上”，快速鎖定最佳參照組。依托于該參照組的成功經驗，系統可以精準生成推薦話術并動態設計轉化流程。

在圖譜上下文工程的構建方法上，我們將用戶旅程抽象為由用戶、行為、產品及結果作為節點的結構化圖譜，并通過“邊”來揭示用戶旅程的動因及相關路徑。在線上應用層面，系統能夠實時檢索與當前用戶畫像高度相似的客群，并將這些“群體記憶”注入提示詞中。

以冷鏈物流場景為例，傳統方案僅能識別“從青島發貨需冷鏈”等基礎事實，而圖譜增強方案則能進一步洞察到同類客群中 78% 的用戶高度關注時效性，且 50% 的用戶發貨量在 300 單以上。基于對客戶痛點的精準洞察，開展更具針對性的營銷干預，在有效提升客戶留存的同時，轉化率也得到進一步的提升。

基于前述的 Agentic Workflow 與上下文工程，營銷 Agent 整體技術架構已初步成型。

系統首先對用戶輸入的語音、文本及圖片等多模態信息進行解析，并由調度中樞完成意圖識別與關鍵信息抽取。依托前述的 Workflow 以及 Agentic Workflow 跳轉機制，系統能夠精準確定下一輪對話主題，并通過 Planner 協同多尺度大、小模型進行多步搜索與推理。

在此過程中，結合 RAG 與 MCP 工具的上下文工程實現了行業知識與相似客群信息的實時召回，從而生成精準的回復內容。此外，系統內置了反思與評估機制，針對幻覺、合規、風控及質量等維度出具評估報告。任何未達標的回復都將被攔截并強制觸發重修鏈路，最終保障了高質量的生成回復 。

上述鏈路主要展示了營銷 Agent 在被動響應模式下的交互過程。

但在真實的營銷場景中，僅具備被動問答能力往往難以觸達最終轉化目標。鑒于 B 端客戶的決策通常具有長周期的特點，即時成交并不常見。

為此，我們構建了智慧管理中心，實現了從全局維度對客戶價值及狀態的實時追蹤與管理。該中心能夠根據監控到的客戶動態執行差異化的營銷策略，將交互模式從被動變為主動。

例如，當系統識別到用戶因忙碌而中斷對話時，管理中心會自動計算最優的二次觸達時間，并將其排入任務隊列，實現再次溝通。

在垂直業務場景中，模型幻覺治理是營銷 Agent 核心能力建設的關鍵環節。

任何細微的信息偏差都可能引發嚴重的客訴，風險點涵蓋了過度承諾、非職責承諾、知識性錯誤以及數值推理性錯誤。以報價單為例，關鍵數值的任何細微差錯都將直接觸發嚴重的客訴。

究其本質，模型幻覺主要源于三個層面：利用知識庫動態增強機制實時填補信息空白，通過 RAG 深度注入垂域知識以消除知識性幻覺；同時，依托規則引擎建立硬約束防線，對虛假承諾或合規敏感詞進行實時識別與自動糾偏。

在此基礎上，系統引入了獎勵模型進行在線判別，只有評分跨越預設閾值的回復才準予輸出，否則將強制觸發重新檢索與推理鏈路，從而在工程層面實現了對回復質量的嚴苛把控。

針對大語言模型的幻覺問題，我們有三個常規解決方法。

首先，針對線上尚未覆蓋的知識盲區，通過動態補充知識庫進行信息補位；其次，針對常規易于識別的錯誤，引入基于規則的過濾機制，實現對虛假承諾等詞匯替換。此外，系統還配置了線上實時評估模型，要求最終生成的回復必須通過獎勵模型的嚴格打分驗證；否則，系統將立即觸發檢索鏈路的重啟與二次推理。

此外，我們增加了線上實時幻覺檢測與回復改寫鏈路。系統基于歷史幻覺樣本分類構建了專門的分類器，并在質檢模塊中實時調用幻覺檢測 Agent 生成幻覺檢測報告。該報告能精確鎖定幻覺發生的具體詞句及其錯誤類型，隨后由幻覺改寫 Agent 根據診斷結果進行改寫。通過這三步大致鏈路，在實際的垂直業務場景中，已成功將模型幻覺率降低了約 80%。

盡管前述方案提供了有效的外部干預，但并未從根源上徹底解決幻覺問題。為此，我們實施了面向垂直領域的模型微調任務，重點針對多輪對話場景進行幻覺樣本清洗。由于模型在訓練過程中不僅會擬合最終標簽，還會擬合整段對話的過程，而多輪交互的任一節點均存在潛在的幻覺風險。

針對這一特性，我們對多輪對話下每一輪幻覺均執行“檢測、改寫及復測”的循環校驗，確保產出樣本的每一處細節均無幻覺，并配合專屬獎勵函數，最終將多輪對話場景下的幻覺率控制在1.64%左右。

針對通用模型在強指令約束下仍存在的意圖理解錯誤與回復偏差的情況，模型微調已成為提升業務適配度的必然選擇。然而，垂直領域應用面臨著樣本規模有限、數據質量參差以及人工標注成本高且多樣性不足等嚴峻挑戰，為此，我們構建了自動化數據飛輪解決方案。

第一階段，自動化數據飛輪聚焦于解決新場景或新業務下的數據冷啟動問題。該階段核心是通過構建“自動化樣本生成器”，以模擬用戶行為的方式還原線上真實的業務流程；同時，利用觸發器機制精準調控樣本生成的方向。

整體架構如圖所示：首先，樣本生成器的服務架構與線上服務架構保持高度一致，以確保意圖對齊與流程跳轉邏輯的完全同步。其次，為解決多輪對話中微小偏差易導致路徑漂移問題，我們引入了觸發器機制，通過前置設定每輪對話的意圖與回復主題，對生成方向進行精確引導。這種模式下，系統僅需根據預設主題進行上下文檢索即可產出回復，從而保障了生成樣本在分布均勻、質量高及多樣性上的相對可控，實現了高質量業務數據在任意任務規模下的按需供給。

在持續運營階段，對于常規線上 Badcase 及新數據擬合，數據飛輪機制構建了一套涵蓋樣本生成、樣本評估、模型訓練、模型評估及線上自動化運營的全鏈路自動化策略。

依托數據飛輪的持續驅動，我們通過多版數據任務的迭代，顯著實現了模型回復效果的提升。

以家電行業客戶為例，針對其“次日中午 12 點前送達”及“百單規模報價”的特定需求，通用模型回復了類似正確的解決方案。

首先，它回避了“貨損”這一關鍵矛盾；其次，模型僅基于常規知識庫檢索將精準的時效要求模糊處理為寬泛的“次日達”。整體來看，其回復相對泛化。

經過大模型強化后，系統不僅能正面回應“12 點前送達”的需求，且推薦匹配的“倉配一體”解決方案，更能敏銳識別用戶單量價值并主動觸發專屬折扣。為了實現這一強化效果，我們對獎勵函數進行了獨特設計。除了常規指標外，重點引入了用戶需求滿意度獎勵、推理過程合理性獎勵以及營銷任務達成率獎勵。

在系統意圖上的效果，以信息抽取場景為例，強化后識別準確率從原有的 80% 大幅提升至 99%，同時系統時效性平均響應耗時由 3 ~ 5 秒縮減至 0.5 秒左右。

為了確保線上系統的穩定性并提升運營效率，我們構建了覆蓋“事前、事中、事后”的全鏈路三維智能評估體系。在事前階段，通過自動化評測平臺對模型進行上線前的標準化性能驗證；在事中階段，依托自動化運營手段實時監測并捕捉線上 Badcase；在事后階段，則利用大模型對 Badcase 進行深度歸因與分類，精準定位引發故障的具體原因并將其規則化關聯至對應的算法負責人，實現全流程的快速迭代。

該自動化評測方案的核心在于其與業務的強關聯。系統首先使用大模型進行自動化評測，隨后引入業務規則對評估結果進行二次修正，從而保障評估符合整個業務系統。得益于這套體系，模型及服務的迭代效率提升近 100% 左右。

在整體架構上，系統依托協同控制引擎來統籌離線與實時評估任務，不僅能夠實現跨服務的端到端評估，還支持服務內部 Agent 組件級的評估。評估完成后，系統會自動推送深度分析報告，并同步觸發樣本與評測指標體系的更新。

4 總結與展望

我們通過多 Agent 架構的實踐應用，充分驗證了智能化轉型的可行性及其蘊含的核心價值。在智能化流程構建方面，依托 Agentic Workflow 顯著提升了用戶轉化效率。

與此同時，上下文工程的優化進一步提升了大模型在垂直領域的適配性及響應準確率。而自動化營銷體系的建立，不僅大幅降低了人工運營成本，更實現了運營效率與標準化程度的提升。

在此基礎上，數據飛輪機制的形成持續驅動著模型性能與營銷效果的迭代優化。展望未來，我們將致力于多 Agent 協同生態的構建，并深入探索端到端的智能營銷閉環。

會議推薦

測完 MBTI，快來解鎖技術人專屬 AITI ！前沿探索家、大模型工程師、Agent 實戰拆解師、行業賦能師… 你是哪一種？6.26-27 # AICon 上海站等你面基同頻人！世界模型與多模態智能突破、Agent 架構與工程化實踐、Agent 安全與可信治理、企業級研發體系重構等 14 大專題全面開啟，誠摯邀請你登臺分享實戰經驗。AICon 2026，期待與你同行。