智能销售客户分析Agent
任务目标
- 本 Skill 用于:通过图片识别与智能分析，辅助销售人员管理客户数据、评估成交可能性、生成客户画像、推荐跟进话术、导出报表、团队协作
- 能力包含:图片数据提取、批量处理、客户画像生成、成交评分、话术推荐、数据导出、团队协作、日期提醒、反馈迭代
- 触发条件:用户上传名片/资料截图、要求批量导入、生成客户画像、推荐话术、导出数据、管理团队、分析客户、查看提醒
前置准备
- 数据存储:客户数据存储在消费者工作区的
./customer_data.json文件中，首次使用时自动创建 - 数据格式:见 references/data_schema.md
- 产品需求:见 references/prd.md
操作步骤
一、图片数据采集与识别
当用户上传图片（名片、客户资料表、聊天记录截图、屏幕截图等）时:
-
图像内容识别 — 由智能体直接分析图片，提取以下信息:
- 基础信息:姓名、公司、职位、电话、邮箱、地址
- 业务信息:需求描述、预算范围、时间线、决策权
- 标签信息:行业分类、客户等级、来源渠道
- 其他:生日、喜好、备注等 -
结构化整理 — 将识别结果按数据格式规范整理为JSON结构:
- 对照 references/data_schema.md 中的客户数据模型
- 缺失字段标记为 null，不编造数据
- 向用户确认提取结果，允许修正 -
数据存储 — 调用脚本写入数据库:
bash python scripts/store_data.py --action add --data '{"name":"张三","company":"XX科技",...}'
- 新增客户使用--action add
- 更新已有客户使用--action update --id <customer_id> --data '{...}'
- 批量导入使用--action batch_add --data '[{...},{...}]'
二、批量图片处理
当用户同时上传多张图片（如多张名片、一批客户资料截图）时:
- 逐张识别 — 对每张图片依次进行多模态识别，提取结构化信息
- 汇总确认 — 将所有图片的识别结果汇总为列表，一次性展示给用户确认:
- 标注每张图片的识别置信度
- 标记可能的识别错误或缺失字段
- 允许用户批量修正 - 批量入库 — 确认后一次性批量写入:
bash python scripts/store_data.py --action batch_add --data '[{"name":"张三",...},{"name":"李四",...}]' - 批量反馈 — 输出批量处理结果摘要:
- 成功录入数量
- 需补充信息的字段列表
- 自动生成的标签汇总
三、客户画像自动生成
当用户要求生成客户画像或了解某个客户的全貌时:
- 画像生成 — 调用脚本生成多维度画像:
```bash
# 单个客户详细画像
python scripts/generate_profile.py --action profile --id <customer_id>
# 批量生成所有客户画像摘要
python scripts/generate_profile.py --action batch_profile
```
-
画像维度 — 脚本输出包含四个维度的结构化画像:
- 基础画像: 客户类型、行业、职位层级、沟通偏好、喜好、信息完整度
- 行为画像: 参与度、互动频率、沟通趋势（升温/降温）、最近联系时间
- 商业画像: 需求明确度、预算阶段、决策链分析、成交阶段判断
- 风险画像: 风险等级、风险因素列表、针对性建议 -
自然语言画像 — 由智能体基于脚本输出，生成可读的客户画像描述:
- 一段话概括客户特征
- 关键标签云
- 建议的沟通策略
四、客户数据分析
当用户要求分析客户数据或查看成交可能性时:
-
评分计算 — 调用脚本计算客户评分:
bash python scripts/analyze_customers.py --action rank python scripts/analyze_customers.py --action filter --period short python scripts/analyze_customers.py --action filter --period medium python scripts/analyze_customers.py --action detail --id <customer_id> python scripts/analyze_customers.py --action summary -
深度分析 — 由智能体基于评分结果进行深度解读:
- 分析客户成交的有利因素和阻碍因素
- 识别短期（30天内）和中期（30-90天）高可能性客户
- 给出针对性的跟进建议和行动方案
五、跟进话术推荐
当用户需要跟进话术或沟通建议时，由智能体直接生成:
-
话术生成依据 — 综合以下信息生成个性化话术:
- 客户画像（基础/行为/商业/风险）
- 最近互动记录和待办跟进
- 客户评分和成交阶段
- 客户喜好和沟通偏好 -
话术类型 — 根据场景生成不同类型的话术:
- 首次接触话术: 基于来源渠道和行业特点，设计开场白
- 跟进话术: 基于上次沟通内容和待办事项，自然衔接
- 异议处理话术: 针对价格、竞品、时间等常见异议
- 促成话术: 当客户处于方案阶段时，推动决策
- 维护话术: 节日问候、生日祝福、行业分享
- 挽回话术: 对长期未联系或降温客户的重新激活 -
话术输出格式:
- 场景说明（何时使用）
- 话术正文（可直接发送的文字）
- 注意事项（使用时的注意点）
- 备选方案（如果对方未回复的后续策略）
六、数据导出
当用户需要导出客户数据为Excel或CSV时:
- 导出操作 — 调用脚本生成文件:
```bash
# 导出全部客户为Excel
python scripts/export_data.py --format excel --output ./customers.xlsx
# 导出全部客户为CSV
python scripts/export_data.py --format csv --output ./customers.csv
# 按条件筛选导出
python scripts/export_data.py --format excel --output ./vip.xlsx --filter '{"tags":["VIP"]}'
# 按评分筛选导出
python scripts/export_data.py --format excel --output ./high_score.xlsx --filter '{"min_score":70}'
# 指定导出字段
python scripts/export_data.py --format csv --output ./simple.csv --fields "姓名,公司,电话,评分总分,标签"
```
-
Excel特性:
- 包含"客户数据"和"数据摘要"两个工作表
- 表头格式化（深蓝底白字）
- 隔行变色，便于阅读
- 自动列宽、冻结首行、筛选器 -
导出字段 — 默认包含全部30+字段，支持自定义:
- 基础信息、业务信息、评分维度、互动统计等
七、团队协作
当需要多人共享客户数据时:
- 团队管理:
```bash
# 添加团队成员
python scripts/store_data.py --action team_add --data '{"user_id":"user001","name":"王销售","role":"sales"}'
# 查看团队列表及统计
python scripts/store_data.py --action team_list
```
- 客户分配:
```bash
# 将客户分配给团队成员
python scripts/store_data.py --action assign --id <customer_id> --user user001
# 共享客户给团队成员（可查看但不修改归属）
python scripts/store_data.py --action share --id <customer_id> --data '{"user_id":"user002"}'
```
-
按成员查看:
bash # 查看某成员负责的客户 python scripts/store_data.py --action team_view --user user001 -
协作模式说明:
- 每个客户有owner字段标记负责人
-shared_with数组标记可查看的团队成员
- 团队数据共享同一个customer_data.json文件
- 支持按成员筛选和统计
八、重要日期提醒
当用户查看提醒或每日开始时:
-
检查提醒:
bash python scripts/check_reminders.py --days 7 python scripts/check_reminders.py --days 0 python scripts/check_reminders.py --days 30 -
提醒内容: 生日提醒、行程提醒、跟进提醒、合同到期提醒
-
主动提醒: 当用户开始对话时，主动检查并播报当日及近期提醒
九、用户反馈与模型迭代
当用户对客户成交结果进行反馈时:
-
记录反馈:
bash python scripts/store_data.py --action feedback --id <customer_id> --feedback '{"label":"high","reason":"需求明确","actual_result":"won"}' -
模型迭代: 智能体分析反馈偏差，调整评分权重:
bash python scripts/store_data.py --action update_weights --data '{"interaction_frequency":0.25,"need_match":0.3,...}'
使用示例
示例1: 批量名片录入
- 场景/输入: 用户一次性上传5张展会收集的名片照片
- 预期产出: 逐张识别后汇总展示，用户确认后批量入库，输出录入摘要
- 关键要点: 汇总展示减少确认轮次；自动去重（同名同公司）；批量生成标签
示例2: 客户画像生成
- 场景/输入: 用户说"帮我生成张三的完整客户画像"
- 预期产出: 输出包含基础/行为/商业/风险四维度的画像报告，附带一段话概括和沟通策略建议
- 关键要点: 画像基于数据自动生成，智能体补充自然语言解读；信息不完整时标注待补充项
示例3: 跟进话术推荐
- 场景/输入: 用户说"李总上次说预算要等下个月审批，帮我写个跟进话术"
- 预期产出: 生成针对性的跟进话术，包含场景说明、话术正文、注意事项和备选方案
- 关键要点: 话术需结合客户画像和历史互动；语气匹配沟通偏好；提供多种风格选择
示例4: 数据导出
- 场景/输入: 用户说"把这个月的高意向客户导出成Excel给领导看"
- 预期产出: 筛选评分>=70的客户，导出为格式化Excel文件，包含数据摘要表
- 关键要点: 自动筛选高评分客户；Excel格式化便于阅读；包含统计摘要
示例5: 团队协作
- 场景/输入: 用户说"把张三分配给小王，然后把李总共享给小陈"
- 预期产出: 更新客户归属和共享关系，输出团队客户分布统计
- 关键要点: 区分"分配"（转移归属）和"共享"（只读查看）；支持按成员查看工作量
资源索引
- 脚本:见 scripts/store_data.py(用途:客户数据CRUD、反馈记录、权重更新、团队管理)
- 脚本:见 scripts/analyze_customers.py(用途:客户评分计算、排名、筛选、详细分析)
- 脚本:见 scripts/generate_profile.py(用途:多维度客户画像自动生成)
- 脚本:见 scripts/check_reminders.py(用途:检查生日、行程、跟进、合同提醒)
- 脚本:见 scripts/export_data.py(用途:导出客户数据为Excel/CSV)
- 脚本:见 scripts/md_to_pdf.py(用途:Markdown文档转PDF)
- 参考:见 references/data_schema.md(何时读取:需要了解数据结构和字段定义时)
- 参考:见 references/prd.md(何时读取:需要了解完整产品需求和技术方案时)
- 资产:见 assets/smart-sales-agent-prd.pdf(用途:PRD文档PDF版本)
- 资产:见 assets/smart-sales-agent-user-guide.pdf(用途:使用说明书PDF版本，可直接下载分享)
注意事项
- 图片识别由智能体多模态能力完成，无需额外OCR脚本
- 跟进话术由智能体基于客户数据生成，属于内容创作能力，无需脚本
- 客户数据文件
customer_data.json存储在消费者工作区，首次操作自动创建 - 团队协作基于共享数据文件，所有成员操作同一文件
- 导出Excel需要 openpyxl 依赖
- 评分模型权重可通过用户反馈持续迭代
- 充分利用智能体能力进行深度分析、画像解读和话术生成
