销售线索挖掘通常需要从企业官网、招聘网站、新闻稿和融资快讯中识别出有采购潜力的公司。使用CrewAI搭建的多智能体系统可以把这项工作拆成线索发现、质量评分和触达策略三个阶段，每个阶段由独立的Agent负责，既能减少人工筛选时间，也能让输出结果更加结构化。本文将通过一个完整的Python案例，展示如何定义角色、配置工具并串联任务。
CrewAI把Agent视为拥有角色、目标和背景故事的执行单元。它不像传统工作流那样只关注函数调用顺序，而是允许每个Agent携带自己的提示词与工具集，最终由Crew统一调度。这种方式尤其适合销售线索挖掘，因为该场景天然包含多个异构环节：从公开网页抓取信息、根据业务规则评分、再生成个性化外联内容。如果用一个脚本硬编码所有逻辑，一旦某个环节需要调整，就会牵动整个流程。
一、为什么销售线索挖掘适合多智能体架构
销售线索挖掘的主要难点不是缺少数据，而是数据分散在不同渠道，并且需要根据企业自身的产品定位做出主观判断。例如一家做云原生安全产品的公司，目标客户可能是近期招聘了Kubernetes工程师、同时完成B轮融资的互联网企业。搜索引擎可以返回一些零散信息，但把信息整理成结构化线索仍然需要大量人工。
多智能体架构把这项工作分成三个专职角色。研究员Agent负责根据行业、地域和信号词搜索潜在客户，输出原始线索；评分分析员Agent接收研究员的结果，从需求强度、预算能力和决策链完整度几个维度打分；策略师Agent则针对高分线索生成跟进建议。三个Agent之间通过任务上下文传递信息，任何一个角色的提示词都可以单独调整，而不会影响其他环节。这种拆分也让系统更容易扩展，例如后续可以增加一个负责CRM录入的Agent。
CrewAI的另一个优势是工具与角色绑定。研究员可以调用搜索工具和网页抓取工具，评分分析员则不需要任何外部工具，只需要依赖大模型自身的推理能力。相比把所有工具都塞给一个Agent，这种设计可以减少无关工具对推理过程的干扰，也能降低API调用成本。
二、环境准备与Agent定义
要运行下面的案例，需要先安装CrewAI及工具包。可以使用pip安装：
pip install crewai crewai-tools python-dotenv
安装完成后，在项目根目录配置.env文件，加入OpenAI API密钥和Serper API密钥。Serper是一个搜索API，CrewAI的SerperDevTool封装了它的使用方式。配置好后，先定义三个Agent。每个Agent都需要明确role、goal和backstory，这三者会共同影响大模型在任务执行时的行为倾向。
from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool
search_tool = SerperDevTool()
researcher = Agent(
role='销售线索研究员',
goal='根据目标行业和区域，找到符合画像的潜在客户企业',
backstory='你擅长从新闻、招聘信息和融资动态中捕捉企业扩张信号，并能快速提取官网和联系人线索。',
tools=[search_tool],
verbose=True
)
qualifier = Agent(
role='线索评分分析师',
goal='对每条线索进行需求强度、预算可能性和决策链完整度评分',
backstory='你有十年B2B销售经验，能根据企业规模、行业属性和近期动作判断线索质量。',
verbose=True
)
strategist = Agent(
role='触达策略师',
goal='为高分线索生成个性化跟进建议和第一封外联邮件',
backstory='你熟悉顾问式销售方法，善于把企业动态转化为沟通切入点。',
verbose=True
)
这里researcher绑定了search_tool，而另外两个Agent没有绑定工具。这样设计是为了保持评分和策略生成的纯粹性，让它们只处理研究员提供的文本，不被搜索噪声干扰。如果希望评分分析员也能自行核实部分信息，可以给它绑定一个网页抓取工具，但要注意控制每次任务的最大抓取次数，避免产生过高费用。
三、任务编排与执行流程
定义好Agent之后，需要创建Task对象并指定依赖关系。CrewAI支持context参数来声明某个任务需要等待另一个任务完成，并把前一个任务的输出作为上下文传入。下面的代码创建了三个任务，分别是搜索线索、评分和生成跟进邮件。
research_task = Task(
description='搜索北京地区企业服务行业近3个月有招聘扩张或融资新闻的公司，给出公司名称、官网、联系人线索和动态摘要。',
agent=researcher,
expected_output='包含至少10家潜在客户的原始线索列表'
)
qualify_task = Task(
description='基于研究员返回的线索，从行业匹配度、招聘规模、技术团队扩张、融资阶段四个维度打分，满分100。',
agent=qualifier,
expected_output='带评分和理由的线索评分表',
context=[research_task]
)
outreach_task = Task(
description='为评分超过80分的线索撰写个性化跟进邮件，包含开头提及对方最新动态、价值主张和下一步行动。',
agent=strategist,
expected_output='每封邮件不超过200字，语气专业',
context=[qualify_task]
)
crew = Crew(
agents=[researcher, qualifier, strategist],
tasks=[research_task, qualify_task, outreach_task],
process=Process.sequential,
verbose=True
)
result = crew.kickoff()
print(result)
Process.sequential表示按顺序执行任务。由于qualify_task的上下文依赖research_task，即使不显式设置流程模式，CrewAI也会根据依赖关系调整执行顺序。但在简单线性流程中，建议仍然显式指定Process.sequential，这样日志和调试会更加清晰。
执行后会得到一段综合结果，包含评分表和邮件草稿。实际项目中通常需要把结果解析成结构化数据。可以让策略师在输出时直接返回JSON字符串，例如要求expected_output为“以JSON数组返回，每个对象包含company、score、email_subject、email_body四个字段”。这样后续可以直接写入CRM或表格系统。CrewAI的Task还支持output_file参数，可以把结果保存到本地文件，作为数据管道的一部分。
四、优化线索评分与人工复核
初始版本通常只能覆盖最基础的筛选条件，实际使用中需要根据销售团队的反馈持续调整评分提示词。例如，如果产品主要面向技术负责人，那么“技术团队扩张”的权重应该高于“销售团队扩张”；如果目标客户集中在特定行业，可以在评分任务中明确列出目标行业关键词，并要求评分分析员对不相关行业直接给低分。这样做的好处是，不需要修改代码，只调整Task描述就能改变评分逻辑。
另一个常见优化是引入人工复核环节。可以让高分线索先进入待审核队列，由销售助理确认联系人信息是否仍然有效。用CrewAI实现时，可以增加一个verifierAgent，它不负责生成新内容，只检查已有线索中的官网链接、领英页面和邮箱格式。把该Agent放在评分之后、策略师之前，可以减少因为数据过时而导致的无效外联。
在部署层面，建议将搜索关键词和评分阈值放在配置文件或环境变量中，而不是硬编码在Task描述里。这样销售团队可以每周调整目标关键词，而不必让工程师重新发布代码。也可以结合定时任务，每天自动执行一次crew.kickoff()，并把新增线索同步到CRM。需要注意的是，公开数据采集应遵守目标网站的robots协议和相关法律法规，避免批量抓取敏感个人信息。