香港
用 AI Agent 喚回舊名單:五步實戰指南

用 AI Agent 喚回舊名單:五步實戰指南

要把一批冷卻了的舊名單重新叫醒,五步就夠:定好成功指標並揀一個平台、寫系統提示、設計對話範例、做紅隊測試,最後多渠道上線並交回人手跟進。每一步都有完成後應該見到的結果,這篇指南按這個次序寫,也會講清楚邊類公司唔應該用這種做法。以 ai agent development 的角度看,難題從來不在模型,而在名單、提示與驗收有沒有人負責。

本文重點

  • 瓶頸通常在跟進,不在名單數量;先算清楚現時有幾多人真正被聯絡。
  • 五步之中,提示與對話範例決定質素,平台只決定你幾時開始。
  • 驗收要看回覆率、預約數與回本時間,三個指標要在第一日寫低。

邊類公司適合用 AI Agent 喚回舊名單?

先問一個問題:你手上的名單,有幾多成在過去半年被人主動聯絡過?如果答案係一兩成,問題就唔係名單不夠,而係跟進斷了。原文引述 AI 業務策略顧問 Noelle Russell 的說法,中小企收集回來的線索只有一成至一成半得到主動跟進,其餘留在數據庫裡,被當成做生意的成本。同一個訪問亦提到,轉換一位客戶平均要二十一次接觸,單靠人手很難跟得完。

這種做法適合名單有幾百到幾千筆、單價較高,而且要用對話才約到人的生意:B2B 服務、顧問、課程、裝修、醫療美容、專業事務所。名單來源要清楚,最理想係下載過內容或參加過活動、問過價但未成交的人,因為他們曾經表達興趣。

唔適合的情況也要講清楚。名單少過一兩百筆,逐一打電話更快;單價低而客人即場決定的零售,用短訊喚回的價值有限;名單來源不明、沒有同意記錄,先清理再做;公司沒有真人接手預約,Agent 約了人也是白做;期望 Agent 直接成交的,多數會失望。

老闆在辦公桌前比較兩疊客戶名單,一邊連著日曆,另一邊散落一旁。

動手前要準備的工具、帳戶與權限

開始第一步之前,先把以下幾樣放在桌上,缺一樣都會在中途停低。

  • 一份可以合法聯絡的舊名單:保留來源、同意與退訂記錄,先清走重複、錯號與長期投訴的聯絡人;名單質素可以參考 清除有毒數據 的做法。
  • 一個 AI Agent 平台帳戶:要能接短訊、電郵、社交平台與網站聊天。
  • CRM 或試算表的讀寫權限:對話結果要可以回寫,否則名單永遠停在匯入那一刻。
  • 預約日曆的嵌入權限:Agent 要能把人送去一個真實有位的時段。
  • 一個肯接手的真人,以及分開列出的預算:平台月費、訊息費、工時,三條數不要混在一起看。

這類 ai 自動化 的前置工作做唔足,之後每一步都會拖。平台額度與月費也要先查清楚。原文以 Chat Bot Builder 為例,免費開始,提供三百萬個 token 作測試;Pro 方案 $49/月,包含 5,000,000 個 token,另有 14 天免費試用、30 天退款;代客營運的代理商可以看 White Label Enterprise,$2499/月。落單前要再核對一次。

逐步操作:五步建立一個喚回 Agent

以下五步按次序做。每一步都寫明完成後應該見到甚麼,見不到就唔好跳去下一步。

  1. 第一步:定成功指標,開一個平台帳戶。先把「成功」寫成預約數而不是回覆數,並用手上名單的實際數字做基線。原文用三百個線索做例子:同一批名單如果變成四十、九十或一百二十個預約,就可以比較成效與回報。完成後你會見到:一個可以對話的空白 Agent,以及一張寫明基線與目標的表格。
  2. 第二步:寫系統提示,把目的、對象與資料三段寫清楚。完成後你會見到:一段貼進平台即可運行的提示,以及一個載入公司資料的知識庫。
  3. 第三步:寫三至七個理想對話範例,另加五至七個離題問題與回應腳本。完成後你會見到:一份可以逐句核對的對話腳本,Agent 的回應開始有你品牌的語氣。
  4. 第四步:找二十五位信任的同事、朋友或團隊成員做紅隊測試,逐段覆核對話記錄。完成後你會見到:一份列出漏洞與修正項的測試記錄,以及至少一個改動過的提示版本。
  5. 第五步:在二十多個渠道上線,設定人手接手與預約流程。完成後你會見到:第一批真實回覆寫入 CRM,預約出現在日曆,並且有人認頭跟進。
五個相連的工作站沿長桌排開,由名單與目標表開始,最後連到日曆和接手的同事。

第一步要定的兩件事:指標與平台

指標先於平台。原文作者 Noelle Russell 講得很直接:成功是讓一個原本沒有人理的冷線索,願意打電話或者預約一通電話。第一張表要寫的是名單總數、現時每月預約數、三個月後想見到的預約數,以及每個預約大約值幾多錢。沒有這張表,之後任何數字都無法判斷好壞。

平台的選擇反而簡單:先揀一個可以免費或低成本試用的,接入現有渠道。原文提到平台可接二十多個渠道,測試額度有三百萬個 token;先開一至兩個客人最常用的,其餘等流程穩定再加。做 ai agent development 之前先寫好這張表,之後每一步才有同一個目標。

第二步:三個 P 怎樣寫(目的、對象、資料)

系統提示是 Agent 的行為基礎。原文把它拆成三個 P:Purpose(目的)、People(對象)、Portfolio(資料)。

目的要寫成一句可執行的任務,例如「引導下載過白皮書的人預約一次諮詢」,同時要求它遵守安全與責任原則。你可以先請一個通用模型起草一段安全的系統提示,再按業務改寫。

對象要寫得具體:行業、公司規模、職位、地區,還有他們面對的困難、目標與決策方式。寫得夠清楚,Agent 才會知道邊些人唔適合,遇到不合適的人可以引導去看文章或低門檻資源,而不是硬推預約。

資料就是知識庫。原文提醒,模型受過互聯網資料訓練,裡面有過時與互相矛盾的內容,所以你要明確告訴它公司的事實。平台提供三百萬字元空間,可以處理十五種檔案格式,由網站內容、PDF、雲端文件到錄音都可以放進去。知識庫要持續維護,新優惠與互相矛盾的頁面都要更新,否則 Agent 會照舊資料回答。

第三步:對話範例要寫幾多個?

與其寫一大堆規則,不如寫範例。原文建議準備三至七個理想對話,每個都寫出客人可能問的問題與你期望的回應,涵蓋服務、價錢、流程與預約方式。這一步是把品牌語氣放進去的位,原文舉 Progressive Insurance 的 Flo 角色為例:語氣可以有性格,資料仍然要準確。

更花時間的是不受歡迎的對話。原文建議準備五至七個離題問題與回應腳本,例如客人問稅務或一個完全無關的名人。寫法是先承認幫不到,再把話題帶回你的服務;原文作者說,這樣可以把死路變成銷售機會。腳本要具體到可以逐句核對,唔好只寫「禮貌地拒絕」。與其找一個通用 ai 解決 方案,不如先把這十幾個範例寫好,它們直接決定 Agent 的回應質素。

第四步:紅隊測試與對話覆核

上線前找二十五位你信任的同事、朋友或團隊成員,請他們刻意令 Agent 出錯:問模糊問題、要求它承諾折扣、假裝另一個身份、測試它會不會講出未公開的資料。不同背景的人會問出不同的問題,這一步要找出 Agent 幾時會亂答,不是證明它聰明。

平台通常有收件箱或對話記錄,逐段看。要留意的情況包括:客人重複問同一件事、Agent 答錯價錢或條款、對話中斷而沒有人接手。每一條問題都要回到提示、範例或知識庫去修,並保留修改前後的版本,方便下次比較。

第五步:上線與人手接手

上線不等於全自動。原文的個案由一條標準化短訊開始,客人一回覆,Agent 才接手對話;原文作者報告,這條短訊有大約三成收件人回覆,原因是他們當初下載過內容,本來就對題目有興趣。第一碰是模板,不是模型,寫得似廣告就無人回。

渠道要一致。原文強調「一個大腦」:客人在短訊開始,之後轉去電郵,Agent 要記得之前的對話。上線時先開一至兩個渠道,確認上下文能夠帶過去,再加其餘渠道。

最後是接手。Agent 約到預約之後,日曆要有人確認,銷售要有人準備。原文的個案把日曆連到 CRM,自動觸發提醒,直到真人進行銷售對話。這一段沒有寫清楚,Agent 只會製造一堆沒有人處理的預約。

常見錯誤與排查:為甚麼回應開始變差?

回應開始變差,通常有跡可尋。下表按症狀、可能原因與先檢查的位置排列。

症狀可能原因先檢查
回覆率一開頭就低第一碰寫得似廣告,或者名單太舊模板文案、名單來源與退訂比例
Agent 答錯價錢或條款知識庫有幾頁講法不一致網站與文件的最新版本
離題問題被亂答沒有離題腳本,或者邊界寫得太鬆五至七個離題問題與回應腳本
預約有了但無人出現日曆沒有確認,銷售沒有接手接手人與提醒流程
同一客人要不斷重複資料渠道之間沒有共用上下文是否只用一個 Agent、一個知識庫

排查次序由最接近客人的位置開始:先看第一碰與名單,再看知識庫,最後才看模型設定。很多時候問題不在模型,而在你餵給它的資料。名單本身有毒(錯號、重複、已退訂)也會令指標失真,清理可以參考 清除有毒數據 的流程。

另一個誤解是把 ai 自動化 當成萬能。關鍵決策與對外承諾要人核對,價錢讓步也是;Agent 負責接觸與篩選,約到時間之後交給人。

如何驗證成效:回覆率、預約數與回本時間

驗收要在第一日寫低。三個指標就夠。

回覆率看第一碰有沒有用。原文的個案用標準化短訊,三成收件人回覆;這個數字可以參考,但基線要用自己第一批名單量出來,因為名單年齡、來源與行業都會影響結果。

預約數看 Agent 有沒有把人帶到下一步。原文用三百個線索做例子:同一批名單轉成四十、九十或一百二十個預約,分別代表保守、中性與樂觀三種結果,可以用這三個門檻檢查表現。留意分母要一致,唔好今次用全部名單、下次只用回覆過的人。

回本時間要把三條數放在一起:平台月費、訊息與工時成本,對比新增預約帶來的收入。原文引述的 Agentic AI Agency 在自己的介紹頁講,數據庫喚回機器人可以為企業帶來 $10K-$100K+ 的額外銷售;這是服務商自己的說法,不是保證,你要用自己的成交率與客單價去算。

還有一條內部指標值得看:人手介入率。如果每個對話都要同事接手,Agent 只是多了一層;如果常見問題由 Agent 處理,人手只處理真正有意的預約,才算把流程拆開。驗收期定為兩星期至一個月,每週看同一組指標,並在開始前寫明停損條件:回覆率連續兩週低於基線、或者預約轉成交差過人手跟進,就暫停並檢查名單與提示,而不是加預算。把每次對話回寫到 CRM,再用 TTO 的線索跟進與歸因 看哪類名單真的變成預約,上面的數字才有來源。

三位同事站在白板前,看著三張圖表,一人指向中間的預約數字。

Topkee 的觀點:把喚回流程當成可驗收的交付

以香港中小企的場景看,買一個聊天機械人並不足夠,要把整條流程當成可驗收的交付。Topkee 的客製 AI Agent 開發分四個階段:需求與流程確認、原型與規格、測試與部署、持續改善,每個階段都有交付物與測試記錄。這種做法的好處是先在單一場景跑通,例如只做「舊線索喚回」這條流程,之後才加工作台、App 或系統連接;接入之前會先評估現有 CRM、網站或雲端系統的 API、授權與資料質素。

人手把關寫在流程裡。Topkee 對關鍵決策、對外發送與預算變更保留人工核對,原則是資料有來源、執行有權限、成果可驗收、交付可接手;上線前先約定樣本、評分規則與通過門檻,與第五步講的接手人是同一件事。

如果客人主要經網站聊天、WhatsApp 或 Messenger 查詢,YME Chat Agent 可以即時辨識意向、引導留資、按階段轉人工,並同步到 Leadbox 跟進;名單與對話要統一管理,則可以用自動化線索管理把表單、即時通訊與電話錄音轉文字匯入,按互動頻率與內容關鍵詞分級。要把成效量到漏斗每一層,TTO Funnel Tuning Agent 會逐層計算通過率與流失率,輸出優先行動清單,並提示 CRM 線索的跟進時機與分配規則,所有行動預設「待確認」。這種 ai agent development 的分工,重點是每一步都有人核對,而不是把名單交給一個黑盒。

下一步建議

如果你手上有一批三百至三千筆的舊名單,下一步用最小範圍做一次試點,不必先買最貴的方案。挑一段有清楚來源的名單,開一個平台賬戶,寫好提示與三至七個對話範例,找二十五位同事做紅隊測試,然後用兩星期跑第一批,期間只開一個渠道。

試點結束時,用同一張驗收表回答三個問題:回覆率有幾多、預約有幾多、每張預約值幾多。答案如果比人手跟進好,才考慮擴大渠道與名單;如果不好,先檢查名單與提示,唔好急住加預算。要找人幫你把流程落地,可以先看 ai 解決 方案 的交付方式;如果問題出在名單本身,先做一次數據清理;平台更新可以留意 Weber 平台的更新記錄。

常見問題

用 AI Agent 喚回舊名單要幾多錢?

入門可以用原文提到的 Chat Bot Builder:Pro 方案 $49/月,包含 5,000,000 個 token,並有 14 天免費試用、30 天退款;代客營運的代理商方案是 $2499/月。平台月費之外,訊息費與內部工時因渠道與名單量而異,沒有一個固定答案。

名單只有三百筆,值得做嗎?

值得,如果你賣的是需要對話才成交的服務。原文用三百個線索做例子,轉成四十、九十或一百二十個預約就可以比較成效;名單少的時候,先做一個渠道、一個場景。

第一條短訊應該由 AI 寫嗎?

原文的個案不是。第一碰是標準化模板,客人回覆之後才由 Agent 接手;原文作者報告大約三成收件人回覆。模板的目標是講清楚你是誰、為甚麼找他、問一句簡單的問題,唔好寫成推銷信。

怎樣防止 Agent 亂答或者承諾錯嘢?

上線前做紅隊測試:找二十五位信任的同事、朋友或團隊成員刻意測試,逐段覆核對話記錄;提示裡寫明邊些問題要轉人工,知識庫只放經核對的資料。關鍵決策與對外承諾保留人手核對,這是 Topkee 在交付時的做法。

要幾耐才知有沒有效?

兩星期至一個月。第一週先量基線(回覆率、預約數、人手介入率),之後每週看同一組指標,並在第一日寫明停損條件。如果回覆率與預約數都明顯低於人手跟進,先檢查名單與提示,再決定是否繼續。

Sources

  1. Michael Stelzner, "Automating Lead Nurturing With AI Agents", Social Media Examiner, 2025-09-16. https://www.socialmediaexaminer.com/automating-lead-nurturing-with-ai-agents/
  2. "Agentic AI Agency | About Us", Agentic AI Agency, 無日期. https://agenticaiagency.ai/sme
  3. "ChatBotBuilderai | Home | World's Best AI Chatbot Builder in 2025", Chatbot Builder AI, 無日期. https://www.chatbotbuilder.ai/
分享到:
日期: 2026-11-22
Wing Yau

作者

Wing Yau

Marketing Manager