帮助中心

有个做企业服务的团队，去年把私信话术改了七稿。

标题从"合作机会"改到"你们官网有个问题"，从 300 字压到 120 字，加了客户公司最近的融资信息。

回复率从 3.1% 变成 4.4%。

同期他们发现另一件事：官网表单收到的咨询，平均 5 小时 40 分才有人回。

其中三分之一，等销售看到的时候客户已经在别家签了。

两件事都叫"没人回"，但一件是优化，一件是事故。

它们的解法方向相反，投入产出差三个数量级。

先分清是哪一种没人回

这个问题得先拆。

客户主动来找你，和你主动去找客户，是两条完全不同的曲线。

客户主动来（他找你）你主动去找（你找他）

正常水平30 分钟内回回复率 3%–5%

行业实际工作时段平均 4 小时 10 分冷邮件 3.43%

这是不是事故是不是，这就是中位

该改什么响应速度对象和话术

2026 年一份基于邮件系统实测的统计给出两个数：工作时段内的平均响应是 4 小时 10 分，把非工作时间也算进去是 12 小时 55 分。

另一组更难看。

哈佛商业评论审计过 2,241 家公司，其中 23% 从来没有回复过任何一条线索。

Drift 的调查里，55% 的线索在 5 天之后仍然没有得到任何回复。

也就是说，你抱怨"客户不回我"的时候，有相当一部分情况是双方都没在回。

时间的量级：21 倍到 100 倍

先看客户主动来的这一类，因为它有最硬的数据。

哈佛商业评论那项研究（后来 InsideSales 跟进，2024 年在 100 万条线索上复现）给出的结论是这样的：

首次联系时间资格转化相对值

5 分钟以内基准

5 到 30 分钟低 21 倍

30 到 60 分钟低 50 倍

1 到 24 小时低 100 倍

24 小时以上基本等同冷线索

这个表要带着两个保留看。

第一，它是 odds ratio，衡量的是两两之间的相对概率，不是"转化率会变成 21 倍"。

第二，原始研究是 2011 年做的，由销售软件商合作完成，公开的页面里没有样本量和方法细节。

方向可以信，倍数要打折。

但即便打个对折，从 1 小时压到 5 分钟，量级上的差别仍然是十位数的。

对照现实：工作时段平均 4 小时 10 分。

这意味着大多数团队实际落在"低 100 倍"那一档，而他们讨论的是话术。

为什么速度的作用这么大

线索有保鲜期，更像窗口而不是库存。

客户填完表单之后，通常在同一小时内会问三到五家。

谁先回，谁就定义了这件事该怎么做。

后面的人要在对方已经形成的框架里做纠正，成本高得多。

这一条有独立的佐证。

多家机构的统计都指向同一个区间：35% 到 50% 的成交给了第一个响应的供应商，Lead Connect 2024 年的调查给出的是 78% 的客户从最先响应的公司购买。

它和 5 分钟规则说的是同一件事的两面。

5 分钟规则描述的是概率曲线，第一响应者优先描述的是结果分布。

还有一个时间维度常被忽略：线索什么时候来。

B2B 的决策人通常在晚上八点到十点之间闲下来填表。

如果团队只在工作时段回，那么夜间来的线索平均要等 12 小时以上，直接落进"低 100 倍"那一档。

这件事跟销售的态度无关，问题出在排班上，一个人不可能二十四小时盯着收件箱。

话术的量级：3 倍到 6 倍

话术能带来多大变化，数据也清楚。

按个性化深度分三档：完全不做个性化、批量套模板，回复率 1% 到 3%；加了姓名、公司、职位的，5% 到 9%；引用了对方近期动态、行业痛点的，9% 到 15%。

篇幅的影响也很确定。

一份 300 万封邮件的统计里，50 到 125 字的邮件回复率比 200 字以上的高 2.4 倍。

Instantly 的建议更严格，首次触达控制在 80 字以内。

标题长度有个反直觉的点。

Belkins 分析 550 万封邮件，2 到 4 个词的标题打开率 46%，是所有区间里最高的。

而另一份 1,200 万封的研究说，带具体信息的长标题回复率高 24.6%。

两边打架，说明这件事需要在自己的名单上测，没有通用答案。

跟进次数则是明确的。

4 到 7 次是最优区间，其中 58% 的回复发生在第一次触达，第 2 到 4 次再贡献 42%。

只发一次的团队，等于主动放弃四成回复。

话术这一层的天花板大致是：从 2% 做到 12%，六倍。

对象的量级：接近 3 倍

这一层最容易被跳过，但它的杠杆跟话术接近。

Belkins 分析 1,650 万封邮件发现，收件人少于 50 个的campaign 平均回复率 5.8%，收件人超过 500 个的只有 2.1%。

差 2.76 倍。

另一个维度是同一家公司联系几个人。

每家公司只联系 1 到 2 个人，回复率 7.8%；撒给 10 个人以上，3.8%。

这两条合起来说明一件事：群发的规模效应是负的。

你发得越多，每封的回复概率越低，而且是名单层面的原因，不是文案层面的原因。

拿你的数字对照，先定位再说改什么

上面三层的量级差摆在一起，就能做判断了。

按你自己的回复率分档：

你的回复率判断该动哪一层

低于 2%名单或送达出问题换名单、查域名信誉，不要先改文案

3% 到 6%中位水平加个性化、压缩篇幅

7% 以上头部水平扩量，别再打磨文案

这条规则最有用的一点，是告诉你什么时候该停。

回复率已经 8% 还在改标题，是把时间花在了边际收益最低的地方。

一个能算的对比

基线设 1,000 条主动私信，无个性化群发，回复率 2%（落在 1% 到 3% 区间），得到 20 条回复。

方案只改一项系数新回复率回复数变化

基线无12.0%20—

A篇幅从 300 字砍到 100 字2.44.8%48+140%

B加基础个性化3.57.0%70+250%

C名单从 500+ 群发改成 50 内精准2.765.5%55+175%

D跟进从 1 次加到 6 次1.723.4%34+70%

四个系数来自四份不同的数据集，不能相乘，只能单独看各自的方向和大小。

按这个表，改话术的两项（A 篇幅、B 个性化）提升最大。

但前提是基线在 2%。

如果你的基线是 0.4%，先查名单质量和送达率，因为那是另一回事，改文案救不回来。

再看客户主动来的那一类。

100 条主动询盘：

5 分钟内回，假设资格率 40%，得到 40 条合格线索。

拖到 1 小时，按 50 倍差距反推，40% 除以 50 是 0.8%，得到 0.8 条。

这中间的差别跟话术一个字都没关系。

它取决于谁在半小时内盯着屏幕。

这一条也是我建议先修的原因：它不需要写任何新东西，只需要有人值守。

把它变成一个流程参数

上面那个 40 条对 0.8 条的对比，容易被读成"要求销售更快"。

真正管用的做法不在提要求，在改流程。

设每天来 20 条线索，工作时段 8 小时，平均 24 分钟一条。

现状是销售每 2 小时查一次邮箱。

线索到达后平均等待 1 小时，落在"低 50 倍"那一档。

改成实时推送到企业微信或钉钉，配 15 分钟响应要求，平均等待落到 15 分钟，进入"低 21 倍"档。

相对改善 2.4 倍。

再配一张值班表，覆盖午休和晚上八点到十点这两个高峰段，把中位数压到 5 分钟以内，才进入基准档。

从 50 倍档到基准档，中间是 50 倍的差距。

这个差距靠培训话术拿不回来。

回复率和正回复率不是一回事

一个常被忽略的口径问题：回复不等于有效回复。

6% 的回复率里如果只有 1% 是正面回复，说明名单有问题。

人在回，但都在说"不需要"。

这种情况在数据上看起来是中位，实际上是对象错了。

所以看自己的数时要同时记两个：总回复率、正面回复率。

两者的比例如果低于三比一，名单和目标客户不匹配。

这一条在中文语境里更容易被忽略，因为微信私信里"收到""好的"这种也算回复，但没有任何商业含义。

四件必须说清楚的事

数据大多是冷邮件，不是社交私信。

LinkedIn 私信的中位数是 19 小时、回复率 12.3%，比冷邮件高不少。

平台之间差别很大，微信和企微私信又没有对等的研究。

跨平台套用只能看方向。

大部分基准来自卖工具的公司。

Instantly、Belkins、Snov、Woodpecker 都在卖冷邮件软件，它们的样本构成和统计口径不公开。

数字可以用来看趋势，不适合当 KPI 承诺。

5 分钟规则有历史包袱。

2011 年的原始研究，销售软件商合作，没公布样本量。

2024 年那次复现放在 100 万条线索上，但复现的细节也没完全公开。

引用它的时候最好带上这个说明。

中文语境缺数据。

我没有找到针对微信私信、企微私信的公开基准。

上面的数字全部来自英文的邮件和 LinkedIn 场景。

还有一点值得说：5 分钟不一定总是对的。

如果线索质量很差，快速响应只是让你更快地浪费时间。

这时候正确的动作是先做线索评分，把明显不合格的过滤掉，再对剩下的执行 5 分钟。

顺序是先筛后快，不是先快后筛。

还有两个变量，量级更小但别忽略

发送时机。

工作日周二到周四的上午，回复率通常高于周一和周五。

这个方向在不同数据集里一致，但我看到的公开数据没有给出统一的系数，所以只当方向用。

渠道。

同一个名单，LinkedIn 私信的回复率中位数 12.3%，冷邮件第一次触达 6.2%，电话留言 0.8%。

渠道之间的差异比话术之间的差异还大。

选渠道之前先想清楚对方在哪里，这件事的顺序排在响应速度和名单之后。

这两条都不建议作为第一步。

如果回复率已经在 7% 以上，再考虑它们。

都做到 5 分钟之后呢

这个推演没有数据支撑，是逻辑外推。

如果同行普遍把响应压到 5 分钟、把话术改到 10% 以上，这两项就不再是差异。

那时候还能拉开距离的，剩下名单。

名单难抄，因为它是长期积累的结果：谁在行业里待得久、谁的老客户记得他、谁把每一次展会收集的名片真的录进去了。

文案可以抄，名单抄不了。

这也是为什么在回复率到了头部之后，正确的动作是扩量和找新名单，不是继续磨文案。

常见问题

客户说"再考虑一下"，算不算没人回？

不算。

那是另一种状态，需要的是跟进节奏而不是首次响应速度。

判据是对方有没有给出明确的时间或下一步。

给了时间就按时间跟，没给时间就在 3 到 5 天内换个角度再问一次。

我们回复率 1.5%，是不是文案太差？

先别改文案。

1.5% 落在"名单或送达出问题"那一档。

先查两件事：域名有没有进过黑名单，名单里的邮箱有没有验证过。

验证过的名单，回复率大约是没有验证的两倍。

要不要统一用模板？

模板可以用，但个性化不能省。

数据里"批量套模板"和"完全不做个性化"基本是同一档，都在 1% 到 3%。

基础个性化（姓名、公司、职位）就能到 5% 到 9%，这是成本最低的一档。

微信私信和邮件能套同一套结论吗？

方向可以，数字不行。

微信是社交场景，对方的心理预期和打开邮件的语境完全不同。

我没有找到微信私信的公开基准，只能说上面那些"缩短篇幅、加个性化、多跟几次"的方向大概率成立，但比例不能直接搬。

相关阅读

询盘来了怎么接：第一句话的跟进话术拆解

内容发了没人接：从曝光到询盘，中间缺的那一环

有个客户的品牌，在豆包里能被搜到，AI 会主动说出他们的名字，位置还挺靠前。

但连续三个月，来自 AI 的询盘是零。

他们的判断是"AI 已经认识我们了，接下来就是等"。

这个判断错在一个地方：AI 说出你的名字，和 AI 把你放进推荐位，是两个机制。

中间隔着四道门禁，四道都过不去，等再久也等不来推荐。

先看这个差距有多大

2026 年一项覆盖 13,184 条 AI 引用的研究，把"提及"和"引用"分开统计。

提及指 AI 在答案里说出品牌名，引用指 AI 把你的页面列进来源。

四个模型的差距是这样的：

模型提及率引用率差距

Claude70%40%30 个点

Gemini72%41%31 个点

Perplexity67%44%23 个点

ChatGPT56%47%8 个点

Claude 和 Gemini 会大方地谈论品牌，却很少给出处。

三分之一的答案里它提到了你，但读者找不到你的页面，你也拿不到流量。

把这个差距再拆一层，能看清四种状态各自占多少。

另一项针对 559 组非品牌提问、1,118 个回答的研究，给出了这张分布表：

状态ChatGPTPerplexity

提到品牌，也引用了品牌自己的站4.7%9.5%

提到品牌，但没引用品牌自己的站6.6%5.2%

没提品牌，但引用了品牌自己的站0.9%4.8%

两个都没有87.8%80.5%

最后一行是最该看的数字。

八成以上的答案里，AI 既没提你，也没用你的页面。

剩下两成里，真正"提到且引用"的只有 4.7% 和 9.5%。

第三行也值得注意。

Perplexity 有 4.8% 的回答用了你的页面当证据，却没写你的品牌名。

你的内容贡献了答案，读者却不知道是谁说的。

另一边，一家机构的统计更直接：在 20 个采购类问题、464 条引用里，86% 的引用指向第三方，包括测评合集、对比博客、行业论坛。

只有 14% 指向被推荐厂商自己的网站。

换个说法，AI 推荐了你的产品，然后引用别人的文章来证明。

你的官网写得再好，也只能覆盖那 14%。

机制：为什么"被提到"不等于"被推荐"

2026 年一项覆盖 34,960 条观测的研究，把品牌出现在 AI 答案里的过程拆成两段，每一段都给了量级。

当目标品牌和它的域名都没有出现在检索路径上时，被提到的概率是 GPT 2.8%、Gemini 3.8%。

当品牌自己的域名被引用，但没有额外的品牌指向时，这个数字变成 49.0% 和 58.4%。

两者都具备时，变成 91.4% 和 100%。

从"域名被引用"到"品牌被提及"，风险比是 10.6 倍（GPT）和 9.0 倍（Gemini）。

这个量级说明一件事：你的页面有没有进入 AI 的检索证据集，几乎是决定性的。

这里有个陷阱。

同一份研究明确写了，这是观察性关联，不是随机实验。

它还区分了"匹配"和"曝光"：页面与问题的匹配度，对 GPT 来说几乎没有区分力（AUC 0.545，接近抛硬币），对 Gemini 才有（0.641）。

意思是，你觉得"这篇写得特别对口"，在 GPT 那边可能完全不算数。

真正算数的是它有没有被拉进去。

两段之后还有第三段。

2026 年 4 月那份 602 条提问、21,143 条引用的研究，测了不同模型的引用深度：ChatGPT 引用的来源最少，但每条引用的平均影响力是 0.2713；Google 是 0.0584，Perplexity 是 0.0646。

被引用一百次，抵不上被用上三次。

这个差距解释了为什么很多品牌曝光了却没转化。

四道门禁：一道不过，其他全白费

上面说的是"能不能进证据集"。

真正决定"能不能被推荐"的，是 2026 年一份更大规模的研究。

他们搭了一个双文档的检索测试台，每次只给模型两条候选来源，两条之间只差一个因素，一共 18 个因素、6 个模型、252,000 次试验。

18 个因素里有 4 个，在 6 个模型上全部显著，效应量 OR 大于 100。

这四道是：

门禁大意

主题不匹配页面讲的不是这个问题

没写价格内容里没有明确的价格信息

时间戳陈旧页面时间比对手旧

列表位置靠后在候选列表里排得低

关键在后面那半句：这四道是乘法关系，任何一道不过，其他三项再强也可能直接归零。

"没写价格"排在这里面，值得单独说。

很多公司有意不写价格，理由是怕比价、怕被抄、怕客户拿去砍价。

这个决定在展厅里成立，在 AI 的检索层里不成立。

它不会让你少一个客户，它让你连候选名单都进不去。

时间戳那一条也常被忽略。

它比的是页面时间与竞争对手的新旧，不是有没有更新过。

改一个错别字不会刷新这个信号，重新发布、改动核心数据才会。

列表位置那一条最容易被忽视，因为它在平台那边，不在你这边。

同一个问题，AI 可能只看前面几个候选就决定要不要继续往下翻。

研究用的是受控双文档比较，位置是唯一变量，结论是排在前面的被引用概率显著更高。

对照到实际操作，同一个话题下你有好几篇内容时，先被检索到的那一篇更重要。

堆十篇同质文章不会提高总命中，只会分散。

过了这四道，还有七个次级因素在起作用，效应量 OR 在 2.1 到 243 之间：规格写得全不全、措辞是不是模糊、主张有没有证据、内部有没有自相矛盾、有没有明确的对比、关键词覆盖有没有缺口。

还有七个因素没有稳定效果。

其中最反直觉的一条：排版和视觉组织，完全没有影响。

研究的原话是，模型解析内容时不管你视觉上怎么组织。

这一条对很多团队是个打击。

花两周做的漂亮排版、信息图、分栏设计，在 AI 这一层是零收益。

一套能自己复算的账

下面这组数是我为了说明差距搭的例子，每个假设都写出来，你可以换成自己的数。

设客户会问 100 个问题，分三类：定义类 40 个（这个东西是什么）、对比类 35 个（A 和 B 哪个好）、场景类 25 个（我这种情况该怎么做）。

给三类各设三个参数：检索命中率 r（被拉进证据集的概率）、过门禁率 g（四道门禁全过的概率）、推荐率 q（在提到的情况下被列为推荐的概率）。

类型题数检索命中 r过门禁 g推荐率 q

定义类400.550.700.15

对比类350.400.250.55

场景类250.450.550.40

对比类的过门禁率设成 0.25，是因为这一类问题几乎必然要谈价格和参数，而没写价格是硬门禁。

按 提到 = 题数 × r × g，推荐 = 提到 × q 算：

类型提到次数推荐次数

定义类15.42.3

对比类3.51.9

场景类6.22.5

合计25.16.7

100 个问题里，你被提到 25 次，被推荐 6.7 次。

中间那 18.4 次就是"提到了却没被推荐"。

现在改一个参数：把价格和规格写清楚，对比类的过门禁率从 0.25 提到 0.65。

方案改动提到次数推荐次数变化

基线无25.16.7—

A补价格30.79.8+46%

B再补完整规格32.810.9+62%

C只美化排版25.16.70%

补价格把推荐次数从 6.7 提到 9.8，涨 46%。

同样花两周做排版，涨 0。

这不是说排版没用，对人有用的东西对 AI 不一定有用。

但如果目标是"被推荐"，这两件事的回报差了 46 个百分点。

再往下做一层敏感性：如果价格写出来之后，对比类的推荐率 q 也从 0.55 升到 0.70（有了可比的数字，AI 更容易把你放进对比表），推荐次数到 11.2，涨幅 67%。

也就是说，写价格这一件事同时抬高了 g 和 q 两个参数。

它是四道门禁里唯一一个写上去就有用、并且能带来复利的动作。

这套算法什么时候不成立

有三处必须说清楚。

ChatGPT 是异类。

它的提及率 56%、引用率 47%，只差 8 个点，几乎同步。

对 ChatGPT 做优化，"被引用"基本等于"被提及"，上面那套两段区分在它身上不明显。

但对 Claude 和 Gemini 就不一样，差 30 个点。

有些问题类型根本没有引用层。

2026 年一项 480 个问题、8 个行业、10 种问题类型的统计发现：ChatGPT 只在 480 个回答里的 72 个给出了来源，其中 69 个集中在两类问题（找服务商、问价格）。

剩下 8 类问题，它在所有行业都没有引用任何来源。

这些类型里四道门禁的模型不适用，因为没有门。

中文模型没有对等的研究。

豆包、DeepSeek、Kimi、通义、智谱这几家，没有公开的、同等规模的引用行为研究。

上面所有数字都来自英文模型和英文语料。

拿它当方向可以，当结论不行。

如果大家都开始写了，会发生什么

这个推断没有数据支撑，只是逻辑推演，但值得先想。

四道门禁里价格最容易补，效果又最直接。

如果同行陆续开始写价格，价格就会从"不透明"走向"可比"。

可比之后，AI 在对比类问题上的推荐权重会更依赖具体数字，而不是品牌故事。

对买方是好事，对卖方的议价空间是一种压缩。

所以补价格的节奏值得想一想：先补你本来就有优势的参数，不是全部摊开。

第二个连带影响在分发优先顺序上。

86% 的引用指向第三方，说明官网能覆盖的天花板是 14%。

纯靠官网做 AI 可见度，结构上就有一个上限。

第三方内容的权重不会因为官网写得好而下降。

怎么查自己现在卡在哪一步

顺序很重要，跳步会白干。

第一步，查有没有被检索到。

拿 20 个客户真会问的问题，去 5 个平台各问一遍，记录 AI 有没有给出任何来源链接。

如果来源里完全没有你的域名，卡在检索层，先解决能被抓到的问题。

第二步，查有没有被引用。

如果引用了你的页面但答案里没提品牌名，这是"被引用不被提及"，属于第二种状态。

前面那张四态表可以当对照。

第三步，查被引用但没被推荐。

这一步才轮到内容质量。

拿那四道门禁回头核：主题对不对口、价格写没写、页面时间戳是不是旧的、在候选里的位置。

一份研究的作者给了同样的判断顺序，原话大意是：品牌被引用但没被推荐，问题在内容质量；品牌完全不在引用列表里，瓶颈在检索，该去做 SEO。

三步走完再决定改什么。

顺序反了，就会在一堆没进过候选名单的页面上反复优化排版。

常见问题

AI 提到我的品牌但不给链接，是不是说明我做得还行？

说明你在品牌记忆这一层已经进去了。

品牌记忆和页面引用是两个通道，前者可能来自训练数据或者其他网站提到你。

这种状态不稳定，一旦别的来源消失，提及也会跟着消失。

价格必须写具体数字吗，写"面议"或者价格区间行不行？

研究里那一条是"内容里缺少明确的价格信息"，属于硬门禁。

写区间至少给了一个可比的锚点，比完全没有好。

具体怎么写在合规和商业上还有别的考量，但从这条门禁看，信息越明确越安全。

我们行业比较特殊，价格确实不能公开。

那就在其他三道门禁上补足，并且在次级因素上做深：规格写全、主张给证据、内部口径一致、有明确对比。

另外可以去覆盖第三方内容，因为 86% 的引用本来就不指向厂商自己。

多久能看到变化？

上面所有研究都是单次快照，没有给出时间曲线。

能确定的是每次改完都要重新测，因为各平台的来源集本身在变。

同一份研究里，ChatGPT 引用 Reddit 的比例在半年内下降了 88%，来源结构并不稳定。

相关阅读

AI 是怎么回答你们这行的？

一次自查，以及最容易做错的第一步

改结构涨 22%，改表达掉 9%：GEO 里两个方向相反的动作

内容发了没询盘

一个很常见的处境：文章写得不差，阅读量也有一点，但询盘是零。

于是判断出来了：内容不行，要写得更好。

或者：这个渠道不行，换个渠道。

这两个判断都可能错。

因为内容到询盘之间由一串乘号连接。

这篇文章做一件事：把这道乘法算出来，然后告诉你该从哪一段开始查。

一、先做一道乘法

B2B 的漏斗有四段：访客到线索、线索到合格线索、合格线索到商机、商机到成交。

2026 年一份跟踪了 28,400 条 B2B 线索、47 个客户账号、14 个行业、历时 12 个月的研究给出了各段的中位数。

把四个中位数乘起来，每 1,000 个访客的结果是这样：

阶段中位转化率每 1,000 访客剩下

起点—1,000

访客 → 线索1.8%18

线索 → 合格线索13.7%2.47

合格线索 → 商机38.4%0.95

商机 → 成交23.8%0.23

每 1,000 个访客，产出 0.23 个客户。

反过来算：想要一个客户，需要 4,437 个访客。

想要三个，需要 13,311 个。

这个数很多人没算过。

它带来一个不舒服的结论：如果一个月只有两三千访客，你本来就不该期待稳定的询盘。

问题不在内容。

是量不够。

但这不是全部。

往下看第二个性质。

二、乘法链的两面

乘法有一个特点，它对小幅改善极其敏感，对小幅恶化也极其敏感。

假设四个阶段每一段都提升 25%。

这是一个结构化优化能拿到的结果，不算夸张。

1.25 的 4 次方等于 2.44。

客户数涨 144%。

反过来，每段下滑一半：0.5 的 4 次方等于 0.0625。

客户数掉 94%。

这就是为什么"内容做扎实一点"和"效果一般"可以同时成立。

内容属于第一段，它提升 25%，后面的乘数没变，客户数也只涨 25%。

而另外三段里任何一段往下掉了，前面白做。

三、任何一段是零，前面全白做

这是这篇文章最想说的一点。

上面那些百分数是"平均情况"。

真实处境里更常见的情况，是其中一段整段没有，而另外几段还算正常。

举两个具体的：

情况一：没有留资入口。

你的文章末尾只有一句"更多内容请关注"，没有表单、没有企微、没有电话。

访客看完走了。

这时候第二段的值是 0，而不是 10%。

整条乘法链的结果是 0。

情况二：有入口，但没人管。

表单提交了，通知发到一个没人看的邮箱，或者发到了销售群但排在小红书咨询后面。

第三段是 0。

结果一样。

两种情况下，你把文章从两千字写到五千字，乘法结果仍然是零。

所以在"内容够不够好"之前，先回答一个更前置的问题：这条链上每一段，是不是都不为零。

四、可查的基准

查之前先看一份对照。

下面这张表来自同一份研究，给的是中位数、上四分位、下四分位：

阶段下四分位中位上四分位

访客 → 线索0.6%1.8%4.7%

线索 → 合格线索5.2%13.7%28.4%

合格线索 → 商机21.3%38.4%56.7%

商机 → 成交12.6%23.8%41.2%

用法是找"你哪一段最差"，不是当目标。

这里必须加一条提醒。

同一个阶段的转化率，不同来源给的区间可以几乎不重叠。

有另一组对照显示"商机到成交"这一段，三份可信来源分别给出 39%、15% 到 25%、37% 到 66%。

它们描述的是同一个阶段。

原因是各家的阶段定义不同。

什么叫"线索"，什么叫"合格线索"，每家公司自己定。

所以这张表只能用来排序，不能用来对标。

你自己的季度数据才是准的。

五、分诊顺序：先修零，然后动最好动的，最后才做曝光

把上面几件事放在一起，调查顺序就出来了。

三步。

第一步：修零

把四段逐个过一遍，问一句"这一段的值是不是零"。

有没有留资入口、留资之后有没有人接、接了之后有没有约见动作、约见了有没有报价。

这四件事一件件查，不需要数据，走一遍流程就知道。

这一步花不了一小时，但它能解释掉大部分"内容没效果"的情况。

第二步：动最好动的那一段

修完零之后，接下来的判断有一个矛盾需要先解决。

数学上，同一段提升 5 个百分点，越靠前的杠杆越大：

阶段提升 5 个百分点客户数变化

访客 → 线索1.8% → 6.8%+378%

线索 → 合格线索13.7% → 18.7%+136%

合格线索 → 商机38.4% → 43.4%+113%

商机 → 成交23.8% → 28.8%+121%

第一段杠杆最大，因为它的基线最低，加 5 个点是三倍多。

但可动性是反的。

第一段到 6.8% 意味着你的访客质量要翻三倍多，这件事最难。

反而是中段有几个动作改一次就有效果：

表单字段从 7 个减到 3 个。

研究给了两个相关系数：内容深度与表单完成率的相关系数是 0.62，表单长度与完成率的相关系数是 −0.41。

字段超过 7 个的表单，完成率是 3 到 4 个字段表单的 67%。

把首次响应从 1 小时压到 5 分钟。

5 分钟内响应合格线索的转化率，是 1 小时内的 2.4 倍。

这是整条链里最便宜的一个动作，因为它不需要改任何内容。

正文写到 1,500 字以上。

这一条把上面两个研究接起来了：1,500 字以上的页面，把访客转成线索的比率是薄页面的 2.1 倍。

这一点也解释了为什么"写扎实"确实有用，只是它不是唯一有用的事。

结论是：先修零，然后动这几个能一次改完的动作，最后才去想办法搞流量。

顺序反了，你在给一条漏的管子加压。

第三步：搞曝光

到这一步才轮到曝光。

而上面那道乘法已经告诉你目标：一个月要三个客户，需要一万三千个访客。

先算清这个数，然后决定该投多少。

六、最容易被误解的一段

有一份对 150 家 B2B SaaS 公司的分析，测了一件很多人没测过的事：从一个合格线索走到商机，平均需要多少次触点。

答案是 96 次。

对于十万美元以上的单子，是 150 次。

从商机到成交，还要再加 99 到 163 次。

加起来超过 300 次交互。

看到这个数，很多人的第一反应是"那我得多发邮件"。

这个反应是错的，而且错得很关键。

那 96 次触点的构成是这样：33.6% 是买家自己访问你的网站，21.2% 来自 LinkedIn，20.9% 来自 Google，只有 3.8% 是邮件。

也就是说，四分之三的触点必须由买家自己发起。

它们发生的条件是：你的内容能被找到，你的信息能被反复撞见。

所以"给一个线索发两封邮件、打个电话、没回、判为线索质量差"这个流程，失败的地方不在线索质量，在覆盖。

你只覆盖了一个人、三次。

真实情况是二十来个人在半年的时间里各自走了几次。

国内的经验值也朝同一个方向。

B2B 漏斗里约 90% 的线索会流失，多数企业的转化率不到 10%，不少低于 2%。

七、我们自己的站也犯了这个错

这一段说我们。

我们站上有将近两百篇文章。

查下来，前面那一百八十多篇里，正文内部的互链总共 2 条，都指向作者自己的文章；正文里的产品页和试用页入口，零条。

这两个零落在哪里？

第一个落在"访客到线索"那一段。

一篇文章看完，没有任何路径通向另一篇文章，也没有任何路径通向我们能交付的东西。

第二个零落在同一段。

所以如果只看内容质量，我们的分不低。

但如果看这条乘法链，我们有两段接近零。

这就是"内容做扎实了、效果还是一般"最可能的解释，而且这个解释不在内容上。

我们在补这两件事：把新发的文章接进内链，把转化入口放进正文。

这篇文章本身就有三个内链和一个入口，但补完前面那一百八十多篇需要时间。

说这件事的目的，是给你一个检查自己站的方法。

打开你自己最受欢迎的那篇文章，数一下里面有几个链接通向别的内容，有几个通向你能卖的东西。

这个数如果是零，你后面所有的内容投入都在一个漏的管子前面。

八、我们的做法

我们做这条线的方式是把上面三段接起来。

GEO 那条线负责"能被撞见"。

客户现在有相当一部分决策发生在 AI 的答案里。

如果 AI 不提你，那 96 次触点里的"Google"和"自然访问"这两部分就少了一大块。

获客那条线负责"接得住"。

一次 Sprint 交付三样东西：策略简报、可发布内容、询盘跟进草稿。

第三样是很多人漏掉的，它对应的是漏斗中段那个最便宜的动作，也就是响应速度。

电商那条线负责"交付物本身合规"。

这是另一条漏斗，判断标准不一样。

三条线不共用同一个指标。

GEO 看提及和事实准确，获客看从曝光到询盘的每一段，电商看一次通过率。

混在一起看会得出错误结论。

如果你现在只想做一件事，我建议先做上面那"第一步修零"。

这件事不需要买任何东西，一小时能查完，而且它经常是那个真正的答案。

常见问题

问：内容到底占多少权重？

内容主要负责第一段的乘数。

研究显示内容深度与表单完成率的相关系数是 0.62，长页面是薄页面的 2.1 倍。

这个影响真实存在，但它乘在后面几段上。

所以答案取决于后面那几段是多少。

问：我的转化率比表上低很多，是不是有问题？

先看你的阶段定义。

不同来源描述同一个阶段可以差三倍以上。

比表更该做的是比你自己上一季度的数。

问：一定要投付费流量吗？

不一定。

那份研究的另一个发现是：自然搜索来源的合格线索，转化率在 45% 到 51% 之间；外呼来源的在 8% 到 15% 之间。

差了五倍左右。

花钱买来的线索需要完全不同的承接方式，这跟付费有没有用是两件事。

问：96 次触点听起来不可能做到。

它本来就不是靠"做到"的。

96 次里只有 3.8% 是邮件，也就是大约三四封。

其余是买家自己来的。

你能做的是让每一次他来的那一下，都能找到下一篇文章、下一个页面、下一个能解决当前问题的东西。

相关阅读

预算不多的时候，只该做大事：先算你能看见多大的差别

AI 是怎么回答你们这行的？

一次自查，以及最容易做错的第一步

数字员工的账怎么算：替代 40% 的工作，省不下 40% 的钱

延伸阅读：你的官网内容，AI 根本不想引用：3 个常见问题与改法、不监测等于白做：把 "AI 提及率" 纳入内容周报的完整方法、内容发了没人接：从曝光到询盘，中间缺的那一环。

三条交付线的额度与价格在定价页，基础版免费，可以先跑一次看结果。

AI 说错了你的公司

先看一个真实发生过的例子。

一家做企业培训的公司，销售在电话里开始听到一个新的反对意见：「ChatGPT 说你们 2015 年成立的，有五百多个客户。

」这家公司 2019 年成立，八十个客户。

同一时期，另一个 AI 把它描述成「通过了 ISO 9001 培训交付认证」。

这家公司从来没有申请过这个认证。

有两家客户把这一条写进了供应商评估标准，然后在正式评估环节，这家公司没通过。

这两个错误花了几周才修完。

修的过程里最值得说的是：三个错误，来自三个完全不同的地方，需要三种完全不同的动作。

先说一件不舒服的事

你改不了模型。

你现在发布的任何内容，都不会改变已经训练好的权重。

你能改变的只有一件事：模型下一次训练时能读到的证据，以及在这之前每一次检索能抓到的内容。

这句话听起来像坏消息，其实它决定了后面所有的判断。

因为它意味着：修错的可行性和时间，取决于这个错误是"读来的"还是"记着的"。

读来的，你可以改来源。

记着的，你只能等。

四种错误，四种解法

把 AI 说错你的情况拆开，落在四类里。

关键在最后一列：每一类的解法，对其他三类都是无效的。

错误类型它是什么该动什么现实时间

检索错误AI 联网搜了，引用了一个真实存在但本身过时的页面改那个页面本身，然后让它被重新抓取几天到几周

训练数据错误AI 从记忆里回答，用的是训练截止前学到的没有直接办法，只能等模型或数据更新按模型更新周期

实体混淆AI 把你和一家名字相近的公司混在一起做实体消歧：结构化标注、统一名称、明确区分四类里最慢

引用冲突旧版本和正确版本都在线上，都能被抓到下线、改版或重定向那个旧页面四类里最好处理

这张表是这篇文章最有用的一张。

因为大多数人的第一反应是"去改官网"，而改官网只对第一类和第四类有效。

那 61% 和 24%

有一组厂商统计给了分布。

它在 2025 年 9 月到 2026 年 5 月之间追踪了 63 家 B2B 企业的 412 个已确认的品牌事实错误，分布是：

检索错误 61%

训练数据错误 24%

实体混淆 15%

需要说明这个数据的性质：它来自一家做 AI 可见性监测的厂商，错误确认方法没有公开，而它统计的问题正是它自己产品要解决的问题。

所以这个分布只能当方向性参考，不能当结论引用。

不过方向本身是有意义的，而且它和其他来源的观察一致：多数「AI 说错你」的情况，是 AI 忠实地引用了一个本身就错的页面。

它没有编造。

它做的事是对的，它信的那个来源不值得信。

这也解释了一个很多人遇到过但说不清的现象：你更新了自己官网，AI 还是说错的。

因为错误的那份来源根本不在你官网上。

它可能是一个 2023 年没人维护的收录站，一篇转发的旧新闻，一条企业信息平台的过期条目。

最常见的错误来源，是你自己

这句话值得单独一节。

一份来自 AI 可见性服务商的观察给出了一个很具体的事实：关于一家公司的过时说法，最常见的来源是这家公司自己归档的旧页面。

页面还在、还能被抓、还能被读到。

三类最容易犯的：

旧的价格页。

改过定价之后，旧页面没有下线，只是新页面上线了。

两个版本都在，检索到哪个看运气。

旧的产品页。

停产的产品、改过名的服务、已经不做的人群，页面还挂着。

Web 快照。

一个已经被改掉的错误说法，在网页存档服务里还有旧版本，而旧版本仍在被读。

前面那个培训公司的"2015 年成立"，源头就是一篇 2021 年由外包作者写的博客，正文后来改过，但存档里的原件还在。

修的做法是让那个错的页面本身消失，或者指向正确的地方。

在旁边加一个新页面没有用。

加新页是最容易做、也最没用的那个动作。

一个反直觉的发现：品牌越大，越容易被编造

这一条和直觉相反，但它有数据。

一项针对 100 家 B2B 企业的研究统计了"编造引用"的比例：第一梯队品牌是 52.69%，第三梯队是 37.87%。

当提问带着监管、合规这类框架时，编造比例进一步升到 56.77%。

研究者的解释是：知名度过高会制造"更容易产生看似合理的错误续写"的表面。

也就是说，你做得越有名，AI 对你的错误描述可能越多。

原因是它对你「半了解」的地方更多了。

而半了解，是最容易生成合理错误的状态。

这条对一种常见的自我安慰有直接反驳作用：有些公司觉得"我们品牌小，AI 应该不会乱说我们"。

实际的方向是反的。

小品牌的典型问题是根本没被提到，而不是被说错。

怎么判断你遇到的是哪一种

有一个很简单的判断法：看那次回答有没有给出引用来源。

有引用，且点进去那条来源本身就是错的。

这是检索错误。

解法在来源上。

有引用，但那条来源讲的是另一家公司。

这是实体混淆。

要去处理的是你的身份辨识度，而不是那条事实。

没有引用，或者引用一条打不开的链接，而内容像是"合理推断"出来的。

这是训练数据错误或者典型的编造。

前面那个"ISO 9001 认证"就属于这一类：查不到任何来源，看起来是模型把这家公司官网上的质量管理措辞，推断成了一个它其实没持有的认证。

这个动作花不了几分钟，但它决定了后面几周该做什么。

判断错了，你付出的是几周时间加上零效果。

三类动作，按效果排序

第一类，改被引用的那份来源。

如果是你自己的页面，改掉。

如果是第三方的，联系对方更正。

如果对方不回应，就把正确版本做得更显眼、更结构化。

这一类见效最快。

第二类，做实体消歧。

如果你的品牌名和另一家公司相似，或者你们有自己的法定名称、交易名称、产品名称三种叫法，机器会分不清。

处理方式是：在自己站上明确声明你的身份和关联的官方档案（工商登记、官方社媒、行业数据库），并且在正文里用一句自然语言把区别说出来。

后面这个动作看起来笨，但它直接对应那句会把机器搞混的提问。

第三类，检查抓取权限。

有一组统计说，在 7% 的案例里，唯一的修复动作是解除了爬虫拦截。

意思是内容早就改对了，但抓取方被 robots 规则挡住了，所以永远读不到。

这一条花十分钟就能查完，属于投入产出比最高的检查。

多久能好

按类型给现实的时间预期：

类型时间原因

检索错误几天到几周等重新抓取和索引

引用冲突几天到几周同上，但你已经能控制来源

实体混淆数周，四类里最慢需要多处信号同时改，且要等它们被读到

训练数据错误没有承诺只在模型或数据更新时改变

对最后一类，一个必要的态度是：别承诺时间。

任何说"我们两周就能让 AI 改口"的说法，如果错误的来源是模型的记忆，那它做不到。

三个经常白费的动作

给 AI 直接发消息或者在对话里纠正它。

这一段对话结束，纠正就消失了。

它不影响记忆，也不影响来源。

只在旁边加一个新页面。

旧页面还在，两者都能被检索到，结果是你制造了一个引用冲突，情况变得比原来更复杂。

把 llms.txt 当成解药。

这个文件本身是便宜的保险，但各抓取方对它的采用程度不一致。

它可以作为附加动作，不能作为主方案。

我们处理这件事的方式

上面这些判断和动作，构成我们事实修复流程里的前半段。

顺序是固定的：先做三段归因，把错误分成检索不到、没抽取、不信任三种，定位问题在哪一环；然后针对那一环产出纠错稿，过质量门禁并经过人工终审之后才发出；最后用同题集复测并排对比，确认 AI 的引用是否真的改过来了。

两个细节和上面的判断直接对应。

第一，验收标准是 AI 引用到了正确的 URL。

稿子发出去不算生效。

发出不等于生效，中间隔着抓取和索引。

第二，修不好就再跑一轮，工单不限次数。

这个承诺能成立，是因为我们把不可控的部分分开了：检索类的错误我们有能力推动，训练数据类的错误会如实告诉客户只能等。

产品页上写的是「不保证 AI 排名与上榜」，同一件事。

如果你想先知道自己被说错了什么，可以先做一次免费体检：查看你的品牌在 AI 里被怎么描述，包括事实错误的具体位置。

常见问题

问：AI 说错了，是不是因为它讨厌我们？

不是。

多数情况是它引用了一个错的来源，或者用记忆里的旧信息做了一个合理推断。

这两种都不带情绪。

问：我给 OpenAI 或者字节反馈了，有用吗？

如果你遇到的是模型记忆里的错误，反馈是唯一能做的一件事，但它没有承诺时间。

如果是检索错误，反馈不如直接去改那条被引用的来源。

问：我们公司名和另一家很像，一直被混，怎么办？

这一类要处理的是辨识度，不是那个具体的事实。

三个动作：统一名称、在自己站上明确声明身份和官方档案、在正文里用一句话把两者的区别写出来。

问：修一次要多久，会反复吗？

检索类的问题通常几天到几周生效，但如果你只改了官网、没管第三方来源，它会反复。

所以修完之后要把那几条常被引用的来源固定下来，按周看一次。

相关阅读

AI 是怎么回答你们这行的？

一次自查，以及最容易做错的第一步

AI 把你的品牌价格说错了，怎么改：一套可复测的事实修复流程

改结构涨 22%，改表达掉 9%：GEO 里两个方向相反的动作

延伸阅读：你的官网内容，AI 根本不想引用：3 个常见问题与改法、AI 把你的品牌价格说错了，怎么改：一套可复测的事实修复流程、小红书笔记被限流：7 个可自查的方向，以及"玄学"为什么会流行。

三条交付线的额度与价格在定价页，基础版免费，可以先跑一次看结果。

AI 是怎么回答你们这行的？

打开豆包、ChatGPT 或者 DeepSeek，输入一句话，你会看到一段答案。

这段答案里可能有你的名字，可能没有，可能提了但说错了。

这篇文章讲的就是这件事：怎么自己查一遍，以及第一次查的时候最容易做错的四件事。

先看两个输入，差别在哪里

同样是查自己公司，两种输入方式：

输入 A：「XX 公司怎么样？

」

输入 B：「做企业差旅管理的公司，哪家比较靠谱？

」

输入 A 里带了你的名字。

这句话一问出去，AI 大概率会顺着你说，回答里出现你的品牌、你的业务描述。

看到这个结果，很多人会得出一个结论：AI 认识我们。

这个结论没有意义。

因为它回答的是"AI 知不知道你"，而你的客户问的是另一件事。

客户不会带着你的名字去问。

他们问的是品类、是场景、是"哪家好"。

你的品牌在不在那个答案里，才是真正要查的东西。

这也是所有认真的测量研究都采用不带品牌名的提问的原因。

查自己，就要用客户的问法。

误解一：用品牌词问自己

这是最常见的一个，也是后果最轻的一个，因为它至少让你知道 AI 有没有你的资料。

但它容易产生一种虚假的安全感。

你看到 AI 能说出你的成立时间、业务范围，就认为"我们在 AI 里状态不错"。

而真实的客户提问下，答案可能是零提及。

一个可查的数据：在一次覆盖 85 家 B2B 软件公司的测量里，中位公司只在自己品类 20% 的 AI 回答里被提到，35% 的公司一次都没被提到过。

这些公司如果只用品牌词自查，看到的全是正常。

误解二：查一次就下结论

同一句话问两遍，答案可能不一样。

出现这种情况不算故障。

它是这类系统的固有性质。

有研究测过：在同一批问题、间隔一天重复测量时，被引用来源的重合度大约只有 0.34 到 0.42。

另一项覆盖两个月的审计发现，AI 回答引用页面的两月重合度是 18%，而传统搜索的自然结果是 45%。

更极端的一个数：把温度参数设为 0（理论上应该让输出稳定），重复运行时仍有 9% 到 28% 的决策会变。

所以查一次得到的结果，无论好坏，都不能当结论。

那只是一次抽样的落点。

做这件事的研究者给出的起步建议是：每个问题重复 7 到 8 次。

误解三：把「没提到你」当成自己的问题

有时候答案里没有你，跟你的内容质量无关。

原因在更前面一步：这个问题根本不会触发 AI 的回答。

不是所有提问都会产生生成式答案。

有研究统计了 40 天内的五万多个趋势查询：整体的 AI 回答触发率是 13.7%。

但当提问以问句形式表达时，这个比例上升到 64.7%。

差别这么大，因为触发率高度取决于提问的形态和场景。

所以自查的第二步要先确认一件事：这个问题在你们品类里，究竟会不会产生 AI 回答。

答案里有没有你，是这一步之后才看的东西。

如果十次里有八次引擎直接给搜索结果、不生成答案，那么"没提到你"是正常的，你要处理的是别的问题。

误解四：把几个平台的结果平均

不同的 AI 引擎引用的来源重合度很低。

同一时间问同样的问题，五个引擎给出的答案可能是五个样子。

把它们平均起来看，会得到一个平滑的、看起来很全面、实际上不指向任何动作的数字。

平台之间应该分开看。

你在豆包上的表现和你在 Kimi 上的表现，是两件不同的事，需要两套不同的应对。

提到你但说错了，比不提更值得先处理

有一种状态比"零提及"更麻烦：AI 提到了你，但把你的价格、成立时间、服务范围说错了。

原因很简单。

零提及是缺席，错误提及是主动传播一个错误信息，而且它会持续传播。

客户在得到答案之后，可能不会再去核对。

这类问题在测量里可以专门统计，处理方式也和"提高提及率"完全不同：它要改的是你让机器抓取到的那份事实来源，而不是内容数量。

一次自查的六步做法

上面四条误解对应六步。

每一件事当天都能做完，不需要工具。

列出 20 个提问。

用客户的说法写，不用内部的说法。

来源可以是销售被问过的问题、客服对话、客户在电话里怎么开口。

同行在讲什么话题也可以参考。

把品牌名从每个提问里拿掉。

一个都别留。

有品牌名的提问全部作废。

先选两个平台。

不用一开始就铺五个。

选客户最可能用的那两个。

每个提问问 5 到 8 次。

这是最小可靠的次数。

少于这个数，你分不清结论和噪音。

记录三件事。

有没有提到你、提到了说了什么、有没有说错。

这三列就够了，不要一开始就设计复杂表格。

只保留复现出来的结论。

问 8 次里提到 6 次的，可以记下来。

提到 1 次的，先放着。

做完这六步，你手上会有一张表。

它比任何一次截图都更有用，因为它能区分"事实"和"碰巧一次"。

多久看一次

不建议每天看。

原因和上面的测量性质有关：答案本身在波动，每天看会看到大量噪音，然后你会在噪音里做决策。

前面那类研究给出的做法是固定问题集、固定平台、固定次数，然后按周或按双周复测。

看的时候只看两件事：整体趋势有没有偏离，以及有没有出现新的错误说法。

单次的涨跌不用管。

一个容易被忽略的后续

自查之后最常出现的动作是"去改内容"。

这里有一个顺序问题。

改内容之前，先确认三件事：你的品牌事实来源是不是准确、是不是可被抓取、是不是同一个事实在不同页面上说法一致。

如果这三点没做，改内容只是增加数量。

而前面的测量数据说明，数量的作用有限：在 149,912 条 AI 引用的统计里，只有 2.9% 指向品牌自己的域名，75.2% 指向同行业其他公司的页面。

也就是说，你在自己站上写多少，对 AI 引用的影响是间接的。

更直接的影响来自你在别处被怎么描述。

常见问题

问：我自己查要花多久？

六步做完，20 个问题、2 个平台、每个问 6 次，加起来 240 次查询。

手工做需要几个小时。

可以拆成两三天做，不必一次做完。

问：用免费的 AI 产品查可以吗？

可以，但每次提问要开新对话，不要在同一段对话里追问。

同一段对话里 AI 会记住上文，第二问开始就受第一问影响。

问：查出来一条都没提到，是不是我们做错了什么？

不一定。

先看第三步那个前提：这些问题会不会触发 AI 回答。

如果不触发，那就不是你的问题。

问：AI 说错了，能改吗？

能，但方式不是直接告诉 AI。

要改的是它抓取和引用的那份来源。

这件事有一个顺序，先修事实来源，再复测确认改动生效。

这套事情我们是怎么做的

上面六步是自己能做的版本。

它的局限是手工、样本少、口径靠自觉。

我们的 GEO 监测做的是同一件事的自动化版本，而且参数是公开写在产品页上的：

环节做法

监测豆包、DeepSeek、Kimi、通义、智谱五平台中立采样；每个品牌固定问题集 ≥100 题

采样每周 14–21 题的周包、3 个引擎采样，答案原文留痕

判读说错、竞品占位、漏提及自动分类；检索不到、没抽取、不信任三段归因

复测每周 3 次同题集采样取中位，修复前后并排对比

验收收录探测追踪 URL 引用，复测后 AI 引用到你的 URL 即算验收

有两个细节值得单独说，因为它们直接对应前面讲的两个误解。

第一，取中位而不是取单次。

每周采样三次然后取中位数，原因就是前面那条：单次结果落在哪一侧没有意义。

手工自查时你很难做到这点，但它是区分结论和噪音的关键。

第二，验收标准是 URL 被引用，而不是"排名上升"。

产品页上写的是"不保证 AI 排名与上榜，改善是同一问题集上的复测对比"。

这一点值得说清楚，因为市面上不少说法承诺的是排名，而排名在这类系统里不是一个能稳定交付的东西。

错误修复也在同一个闭环里：发现 AI 说错了你的价格或服务范围之后，先做三段归因定位是检索不到、没抽取还是不信任，然后产出纠错稿，过质量门禁并人工终审之后才发出，最后同题集复测确认改动是否生效。

如果你想先看一次结果，可以从免费体检开始：做一次品牌可见度自查，它会给出你的品牌在哪些提问下被提到、被怎么描述，以及哪里有事实错误。

相关阅读

先测量再建设：GEO 里那四个不做就白做的阶段

AI 把你的品牌价格说错了，怎么改：一套可复测的事实修复流程

五平台引用偏好怎么测：一套能出结论的实验设计

延伸阅读：批量任务怎么用：一次上新批次，跑完一批商品的交付流水线、上架前必查的规则清单：六类最容易导致驳回和扣分的问题、六个真实编队拆开看：多岗位流水线是怎么串起来的。

三条交付线的额度与价格在定价页，基础版免费，可以先跑一次看结果。

目标拆不开的三个原因

下面两句话都可以填进目标输入框。

第一句：为下周的新品上市做一波推广。

第二句：下周三之前产出 3 篇种草图文和 1 支短视频脚本，发布到小红书和抖音的自有账号，素材用产品部提供的 6 张实拍图，卖点按商品事实卡里的前三条，成稿先给我审。

第一句能被原样执行的概率很低。

第二句基本可以直接开工。

差别不在字数。

第一句 11 个字，第二句 70 多个字，但把第二句删到 30 个字它照样能跑。

差别在三个东西上，缺一个，目标就会退化成一句愿望。

一、能判定完成

系统要拆解一个目标，第一步是判断它什么时候算做完。

"做一波推广"没有完成态。

做了 3 篇算不算做完？

发了 1 个平台算不算？

数据不好算不算没做成？

这三种问法都没有答案，因为这句话里没有可判定的对象。

"产出 3 篇种草图文和 1 支短视频脚本"有完成态。

3 篇就是 3 篇，数得出来。

判断方法很土：把这个目标交给一个完全不了解你业务的同事，问他"什么情况下你可以说这件事做完了"。

如果他要反问你三个问题才能回答，这个目标就不可判定。

一个常见的反面例子是品牌类的目标。

"提升品牌影响力"没法判定，但"在 120 个行业提问里被 AI 提及的比例从 26% 提到 31%"可以判定。

前者是愿望，后者是目标，区别只在于末尾那个数。

二、边界能画出来

第二个条件是知道这件事做到哪里为止。

第二句话里有三处边界。

发布到自有账号，意味着不投达人；素材用现有的 6 张实拍图，意味着不做新拍摄；卖点取事实卡前三条，意味着不做卖点研究。

这三处边界的存在，让执行方不需要在过程中回来问。

缺了它们，任何一个环节都能无限展开：素材不够是不是要拍？

卖点不够是不是要调研？

平台不合适是不是要开新号？

边界不必写得细，但要写得让执行方知道哪里可以停。

判断方法同样土：把你预期里的"顺手也做了"的东西列出来，那些都该被排除在边界外。

边界写不全的典型信号是执行过程中频繁出现"那这个要不要做"。

出现三次以上，就该停下来把边界补齐，而不是继续回答。

三、输入得存在

第三个条件最容易被忽略，也最硬。

第二句话里点明了两个输入来源：产品部的 6 张实拍图、商品事实卡里的前三条卖点。

这两个东西在开工前必须真实存在，而且能取到。

如果它们不存在，拆解会失败在一个奇怪的地方：系统能拆出"写 3 篇图文"，但写不出来，因为没有任何可用的素材和事实。

这时候它要么停下来要输入，要么编一个。

编一个的后果比停下来严重得多。

你会拿到 3 篇看起来完整、卖点是编的图文，而它们会被发出去。

所以目标定义里必须写清输入来源，并且在提交前确认这些来源可用。

这一步花的时间很少，省掉的返工量很大。

四、一份四轮改写的记录

原始需求：帮我提升一下小红书的数据。

第一轮改写，加上对象和动作：这个月在自有小红书账号发布 12 篇笔记。

这一轮解决了"做什么"，但没解决判定。

12 篇是产出量，不是目标。

数据提升在哪？

第二轮，加上可判定的结果：这个月在自有小红书账号发布 12 篇笔记，平均单篇曝光不低于 3000。

这一轮还有两个问题。

平均曝光 3000 从哪来？

现有的数字是多少？

第三轮，补上基线和素材来源：这个月在自有小红书账号发布 12 篇笔记，平均单篇曝光从现在的 800 提到 3000，选题从客服对话里挑出来的前 12 个高转化问题里取，封面用现有素材库。

到这里目标基本可拆了。

还差最后一处：谁审、审到什么程度算通过。

第四轮，补上验收形态：这个月在自有小红书账号发布 12 篇笔记，平均单篇曝光从现在的 800 提到 3000，选题取自高转化问题清单前 12 项，封面用现有素材库，成稿由运营负责人审核后发布。

四轮下来，字数从 12 个变成 80 多个。

看起来是变麻烦了，但实际省下的是来回澄清的时间。

四轮里每一轮补的都是同一个东西：系统在开工前必须知道，而你默认它知道的那部分。

五、拆解失败的五种形态

把上面三条条件反过来看，失败形态大致五种。

第一种，目标不可判定。

表现是执行方反复确认"这算完成了吗"。

多见于品牌类、体验类目标。

第二种，边界无限。

表现是范围不断扩张，交付日期一再推迟，而且每次扩张都看起来合理。

第三种，输入不存在。

表现是产出物完整但内容不实，或者流程反复卡在等资料。

第四种，验收标准主观。

表现是交付后反复修改，每次修改的理由都不同。

这类问题在成稿阶段最难发现。

第五种最隐蔽，目标内部冲突。

既要快又要便宜又要全，三者在同一个目标里并列时，执行方必须自己挑一个放弃，而它挑的那个通常不是你想要的。

前四种靠改写目标能解决。

第五种不能，它需要你先在内部做个决定。

这类冲突往往不是 AI 的问题，是需求方自己还没对齐。

六、这件事对岗位的影响

目标能被拆开之后，人的工作重心会移动。

过去的链条是：有人定方向，有人写方案，有人执行，有人验收。

中间几环占掉了大部分人力。

现在的链条变短：定方向的人把方向写成可拆解的目标，系统拆解和执行，人做关键节点的验收。

少掉的是中间的执行协调，多出来的是两件事。

一件是目标定义，也就是上面讲的三条。

另一件是验收，而验收比执行更吃判断力，因为它要回答的是"这个东西对不对"，而不只是"做完没有"。

所以岗位能力的要求是往上抬的。

执行能力强但目标定义模糊的团队，会发现系统不好用；反过来，习惯把事说清楚的团队，上手速度会明显更快。

七、什么时候不该拆

有一套情况不适合走拆解。

探索性的工作没法先定义清楚。

你不知道答案长什么样的时候，"产出什么"就写不出来。

这类工作正确的做法是先做小样本试验，出结果之后再转成可拆解的目标。

同一种情况出现在方向选择上。

"这个季度主攻小红书还是视频号"这种问题，拆解没有意义，因为它要的是一个判断，不是一堆任务。

判断标准可以简化成一句：如果一件事的产出形态你现在就能描述出来，它可以拆；描述不出来，先把它做成能描述的样子。

八、一个开工前的检查

目标提交之前，用四个问题过一遍。

一，做完的标准是什么，能不能数出来。

二，到哪里停，哪些明确不做。

三，需要用到的素材、数据、事实从哪来，现在有没有。

四，谁来审，审过之后是什么状态。

四个问题都能当场答出来，目标就可以交出去。

有一个答不出来，先补那一个。

这四问花的时间通常不到十分钟。

它挡掉的是拆解到一半才发现缺东西带来的返工，那部分时间以天计。

常见问题

问：目标要写得多细才算够？

细到能让执行方不再问你问题为止。

判断标准不是你写得舒不舒服，是执行方需不需要回来确认。

写完之后如果还会出现三次以上的"那这个要不要做"，说明还差一轮。

问：每次都要写这么长，会不会反而变慢？

第一周会慢。

写第二十个目标时，大部分内容来自模板和历史目标，速度会明显回升。

真正省下来的时间在返工上，而不在写目标上。

问：小团队没人专门写目标，能不能省掉这一步？

可以省掉形式，不能省掉内容。

那三个条件本来就是决定一件事能不能做成的东西，跟用不用 AI 无关。

区别只在于，过去它们由执行的人在现场临时补齐，现在需要提前写出来。

相关阅读

AI 做视频的边界：十个环节里，哪几个现在还不能交出去

哪五类动作必须有人签字：一次超时未审批的复盘

延伸阅读：智能大脑完全指南：从一句话目标到任务交付、AI 说错了你的公司：为什么"改官网"经常不管用，以及四种错误各自的解法、批量上新为什么总在返工：两条流程逐步对照。

数字员工在我们这里怎么编排、怎么过质量门禁，AI 中心里有完整的岗位和编队说明。

B2B SaaS行业AI增长方案：用AI数字员工搭建获客-转化-留存体系

Onworkly研究院 · 2026年10月

一、B2B SaaS的增长瓶颈不是内容不够多

大多数B2B SaaS公司做增长，第一反应是"多写内容"——多写几篇博客、多发几条LinkedIn、多做几个白皮书。

但内容写了一堆，线索没涨多少，获客成本反而越来越高。

问题不在内容数量，在于增长链路的每个环节都在漏水：

获客端：内容发了，但目标客户看不到——搜索引擎排名上不去，AI搜索里根本不提及你

转化端：线索来了，但销售跟进不及时——SDR每天要处理上百条线索，优质线索被淹没

留存端：客户签了，但客户成功团队跟不上——续费提醒靠人脑，客户健康度靠感觉，churn了才发现

AI在B2B SaaS中的真正价值，不是"写更多内容"，而是用数字员工重构获客-转化-留存的全链路——每个环节都有专门的AI岗位负责，效率和质量同时提升。

这篇方案讲清楚Onworkly怎么帮B2B SaaS公司搭建这个体系。

二、B2B SaaS增长的三个结构性痛点

痛点1：获客成本高，内容产能不足

B2B SaaS的获客成本通常在几千到几万元/客户。

内容营销是最主要的获客方式——白皮书、行业报告、案例研究、技术博客。

但这些内容生产周期长，一篇深度白皮书可能需要2-3周。

更麻烦的是，2026年越来越多的B2B买家开始用AI搜索做调研。

如果你的品牌在AI回答中不被提及，内容写得再多也没人看到。

痛点2：销售周期长，线索跟进不及时

B2B SaaS的销售周期通常1-6个月，涉及多人决策。

SDR团队每天要处理上百条线索，人工筛选耗时，优质线索可能因为跟进不及时而流失。

研究表明，线索产生后1小时内跟进的转化率是24小时后的6倍。

但大多数SDR做不到——他们不是不想，是忙不过来。

痛点3：客户成功人力不足，续费靠运气

B2B SaaS的收入核心是续费和扩展。

但客户成功团队通常人手有限，一个CSM要管几十上百个客户。

客户健康度靠感觉，续费提醒靠日历，客户用得好不好不知道，等到客户说不续费了才紧急挽回。

三、Onworkly B2B SaaS增长方案总览

针对这三个痛点，Onworkly的方案是"三端联动"——获客端、转化端、留存端各有专门的AI岗位和系统支撑。

环节

系统/编队

核心岗位

解决什么

获客端

GEO增长优化系统 + 智能营销获客系统

市场研究与营销策划师、公众号内容运营师、短视频内容策划师

品牌在AI搜索中可见、内容稳定产出

转化端

智能大脑（任务规划）+ 营销方案编队

销售线索跟进师、PPT方案策划师、客服知识库应答师

线索及时跟进、方案快速产出、咨询标准化

留存端

智能营销获客（客户内容）+ 经营数据分析

经营数据分析师、客服知识库应答师、办公文档与汇报助理

客户健康度监测、续费提醒、客户内容持续产出

下面按获客-转化-留存的顺序，逐个场景讲怎么落地。

四、获客端：让目标客户在AI搜索中找到你

场景1：GEO优化——品牌在AI回答中被提及

为什么重要：2026年，越来越多的B2B买家在采购前用AI搜索做调研。

他们问"XX行业最好的SaaS工具是什么""XX方案怎么选"。

如果你的品牌在这些回答中不被提及，等于在新的搜索入口里缺席。

Onworkly方案：

在GEO增长优化系统中创建战役，定义监测品牌和目标提问词库（品牌词+品类词+场景词+竞品词）

做基线诊断——当前AI回答中你的品牌提及率、事实错误、引用来源

建立优化单元——针对每个问题制定优化策略

内容生产——市场研究与营销策划师产出行业报告和深度内容，公众号内容运营师产出文章

信源分发——在官网、公众号、知乎、行业媒体发布，建设AI引用的权威信源

持续监测——每周复测，归因分析，迭代优化

关键指标：AI回答品牌提及率、核心品类词提及率、事实错误清零率。

编队选择：GEO优化编队（80积分）——关键词意图分析→结构化内容创作→合规审核。

场景2：内容日飞轮——稳定产出营销内容

为什么重要：B2B内容营销需要持续产出，不是偶尔写一篇。

但大多数SaaS公司的内容团队人手有限，做不到每周稳定产出。

Onworkly方案：

在智能营销获客系统中配置日飞轮，选择主渠道（公众号/知乎/LinkedIn）

定义内容方向：行业洞察30%、产品场景30%、客户案例20%、技术深度20%

每天AI自动运行策略会→生成出稿计划→按计划出稿

你每天花15-30分钟审核、发布、回填链接

系统监测互动和线索，提醒跟进

内容类型与岗位匹配：

内容类型

负责岗位

产出

行业报告/白皮书

市场研究与营销策划师

结构化报告，含数据和分析

深度文章/博客

公众号内容运营师

完整文章，多版本标题

短视频脚本

短视频内容策划师

选题、脚本、分镜

案例研究

市场研究与营销策划师 + 公众号内容运营师

客户背景→痛点→方案→效果

销售PPT

PPT方案策划师

大纲、页面结构、演讲备注

场景3：竞品监测与市场研究

为什么重要：B2B SaaS竞争激烈，需要持续了解竞品动态和市场趋势。

但人工做竞品分析耗时，而且容易遗漏。

Onworkly方案：

市场研究与营销策划师定期生成竞品分析报告（产品对比、价格对比、营销策略对比）

经营数据分析师整理市场数据和趋势

用智能大脑规划完整的市场研究项目，自动调度多个岗位协作

五、转化端：让每条线索都被及时跟进

场景4：线索评分与跟进

为什么重要：线索产生后1小时内跟进的转化率是24小时后的6倍。

但SDR每天处理上百条线索，人工筛选慢，优质线索容易被淹没。

Onworkly方案：

销售线索跟进师对新线索进行评分——根据客户画像、行为数据、需求匹配度打分

生成客户画像——公司规模、行业、角色、可能的需求、痛点

生成跟进话术——针对不同客户画像和需求，给出个性化的跟进脚本

SDR按评分优先级跟进，高价值线索优先处理

跟进记录回填，系统持续优化评分模型

注意：销售线索跟进师生成的是评分、画像和话术建议，不是自动外呼或自动发邮件。

涉及客户沟通的操作必须由销售执行，AI做辅助决策。

场景5：销售方案快速产出

为什么重要：客户要求提供方案时，销售通常需要花1-2天做PPT。

方案做得慢，可能被竞品抢先。

Onworkly方案：

PPT方案策划师根据客户需求和产品信息，快速生成销售方案PPT大纲和每页内容结构

包含：客户痛点分析、解决方案、产品介绍、实施路径、ROI估算、公司介绍

销售在大纲基础上调整，1-2小时完成方案，而不是1-2天

营销方案编队（80积分）可以一次性产出行业分析+内容+PPT呈现的完整方案包

场景6：售前咨询标准化

为什么重要：潜在客户的售前咨询（产品功能、价格、实施周期、案例）如果回答不标准，可能给客户错误预期，影响后续转化。

Onworkly方案：

客服知识库应答师基于产品文档和FAQ，生成标准售前话术库

覆盖：产品功能咨询、价格方案、实施周期、成功案例、竞品对比、技术架构

销售和客服统一使用标准话术，确保信息一致

新产品发布时，AI快速更新话术库

六、留存端：让客户持续用、持续续费

场景7：客户健康度监测

为什么重要：B2B SaaS的收入核心是续费。

客户流失通常不是突然发生的，而是有预警信号——使用频率下降、功能使用单一、工单增加、联系人变动。

但这些信号靠人工很难及时发现。

Onworkly方案：

导出客户使用数据（登录频率、功能使用、工单量、NPS评分）

经营数据分析师清洗数据，计算客户健康度评分

识别高风险客户（健康度下降、使用频率骤降），生成预警报告

客户成功团队根据预警主动介入，而不是等客户说不续费

注意：系统做的是数据分析和预警，不是自动联系客户。

客户沟通由CSM执行，AI提供数据支撑。

场景8：客户内容持续产出

为什么重要：客户签了之后，需要持续的内容来帮助客户用好产品——最佳实践、使用技巧、新功能介绍、行业洞察。

这些内容能提升客户活跃度和满意度。

Onworkly方案：

用智能营销获客的日飞轮，持续产出客户教育内容

内容类型：产品使用技巧、最佳实践指南、新功能介绍、行业趋势、客户案例

通过邮件、公众号、客户社群分发

办公文档与汇报助理整理客户会议纪要和行动项，确保客户需求被跟进

场景9：续费与扩展提醒

为什么重要：续费提醒靠人工日历容易遗漏，扩展销售（upsell/cross-sell）需要识别合适的时机。

Onworkly方案：

经营数据分析师整理客户续费时间表，生成续费提醒清单

识别扩展机会——使用量接近上限、新部门加入、功能使用深入的客户

生成扩展销售话术和方案建议

CSM按提醒主动跟进续费和扩展讨论

七、实施路径：分三阶段搭建体系

第一阶段：获客基建（第1-4周）

配置GEO增长优化系统，做基线诊断，建立词库

配置智能营销获客日飞轮，选择1-2个主渠道

用市场研究与营销策划师产出2-3篇深度内容

目标：品牌在AI搜索中开始被提及，内容产出稳定

第二阶段：转化提效（第5-8周）

配置销售线索跟进师，建立线索评分标准

用PPT方案策划师建立销售方案模板库

用客服知识库应答师建立售前话术库

目标：线索跟进响应时间缩短，方案产出速度提升

第三阶段：留存深化（第9-12周）

建立客户健康度监测机制，定期输出预警报告

配置客户教育内容日飞轮

建立续费提醒和扩展机会识别流程

目标：客户流失率下降，续费率提升

八、投入产出参考

以下为参考估算，实际效果因公司规模、行业、执行力度而异。

维度

传统方式

Onworkly方案

内容产出

每月4-8篇（靠内容团队）

每月15-30篇（日飞轮+岗位协作）

销售方案产出

1-2天/份

2-4小时/份（AI出大纲+销售调整）

线索响应时间

平均4-24小时

高价值线索1小时内（AI评分+优先级）

竞品分析周期

2-3周/次

3-5天/次（AI自动调度多岗位）

客户健康度监测

季度人工回顾

每周AI自动分析+预警

积分成本参考：

GEO优化：基线诊断+每周复测，约200-500积分/月

营销内容日飞轮：约300-600积分/月（按每日篇数）

销售线索评分：按线索量，约100-300积分/月

客户健康度分析：每次约50-100积分

具体积分消耗以系统实际执行为准，建议先从小范围测试开始。

九、常见错误与避坑

错误1：只做内容不做GEO

内容写了很多，但品牌在AI搜索中不可见，等于在新入口里缺席。

修正：内容和GEO同步做，内容是GEO优化的素材，GEO让内容被AI引用。

错误2：期望AI自动跟进客户

销售线索跟进师生成的是评分、画像和话术，不是自动联系客户。

修正：AI做辅助决策，销售做执行。

涉及客户沟通的操作必须有人确认。

错误3：线索评分标准不清晰

没有定义什么是"高价值线索"，AI评分就没有依据。

修正：先和销售团队对齐线索评分标准（公司规模、行业、角色、需求匹配度），再配置AI评分。

错误4：客户健康度只看不行动

AI给了预警报告，但CSM没时间处理，预警变成摆设。

修正：每周固定时间review预警，高风险客户分配到具体CSM，下周复盘处理情况。

错误5：内容方向偏离客户需求

日飞轮产出的内容是"我们想写的"，不是"客户想看的"。

修正：每月根据线索咨询的高频问题调整内容方向，让内容真正回答客户的问题。

错误6：一上来全链路铺开

获客、转化、留存同时做，每个都做不深。

修正：按三阶段实施，先跑通获客，再优化转化，最后深化留存。

十、总结：B2B SaaS AI增长的三个关键点

获客端：内容+GEO双轮驱动。

内容是基础，GEO是让内容被AI搜索引用的关键。

只做内容不做GEO，等于在新搜索入口里缺席。

转化端：AI做辅助，人做决策。

销售线索跟进师帮你筛选和排序，PPT方案策划师帮你快速出方案，但客户沟通和商业决策必须由人来做。

留存端：数据驱动，主动干预。

不要等客户说不续费才行动。

用经营数据分析师持续监测客户健康度，发现预警信号就主动介入。

B2B SaaS的增长不是某一个环节的事，而是获客-转化-留存全链路的事。

用AI数字员工把每个环节的效率提上来，整个增长飞轮就转起来了。

下一篇，我们讲教育培训行业AI方案：内容生产×学员运营×招生获客。

本文基于Onworkly系统真实功能撰写，所有系统名称、编队、岗位均来自后台实际功能。

投入产出数据为参考估算，实际效果因公司规模、行业和执行力度而异。

数据截止2026年10月。

延伸阅读

数字员工岗位不是你买得越多越好：从一件真实交付倒推需要哪几个

电商行业AI落地方案：从商品上架到客户复购的全链路自动化

AI 自动化全网营销推广系统-前沿技术查证与方案报告分享

Onworkly智能营销获客实操手册：日飞轮的配置与运转

数字员工在我们这里怎么编排、怎么过质量门禁，AI 中心里有完整的岗位和编队说明。

电商行业AI落地方案：从商品上架到客户复购的全链路自动化

Onworkly研究院 · 2026年10月

一、电商AI的真正价值不是"写文案更快"

大多数电商卖家第一次接触AI时，想的是："能不能帮我快点写商品标题和详情页？

"

这是对AI在电商中价值的最大误解。

写文案更快，只是AI最表层的价值。

一个运营写标题从2小时变成20分钟，确实省了时间，但这只是单点效率提升。

真正的价值在于：把整个电商运营流程从"手工作坊"变成"流水线"。

什么意思？

传统电商上新是这样的：运营想卖点→写文案→找美工沟通→美工做图→改来改去→上架→做推广→看数据。

每个环节都要人协调，每个SKU都从零开始，大促时全员加班。

而AI驱动的电商运营是这样的：填一张事实卡→系统自动并行产出文案和视觉方案→审核后打包上架→营销内容按日飞轮自动产出→客服话术自动生成→经营数据自动分析。

每个环节标准化、并行化、可复用。

这篇方案讲清楚Onworkly怎么帮电商卖家实现这个转变，覆盖从上新到复购的全链路。

二、电商行业的四个核心痛点

在讲方案之前，先把电商行业的痛点讲透。

不同规模的电商卖家，痛点不完全一样，但核心是四个：

痛点1：上新慢，内容产能不足

一个新品从上架计划到实际发布，传统流程需要3-7天。

运营写文案1-2天，美工做图2-3天，修改沟通1-2天。

SKU一多，根本上不过来。

更麻烦的是，每个SKU都要从零开始想——标题怎么写、卖点怎么提炼、主图什么结构、详情页什么逻辑。

没有标准化，就没有规模效应。

痛点2：大促压力大，人力跟不上

618、双11、年货节，大促期间内容需求暴增5-10倍。

客服咨询量暴增，运营要做活动文案、主图、短视频、直播脚本，根本忙不过来。

临时招人不现实，加班加到崩溃。

痛点3：多平台运营，重复劳动多

同一个商品，要在抖音小店、拼多多、京东、淘宝分别上架。

每个平台的标题规则不同、详情页格式不同、主图尺寸不同。

运营要反复调整，做大量重复劳动。

痛点4：数据看了但不会用

每天都有经营数据——流量、转化率、客单价、复购率。

但大多数卖家只是看看，不知道怎么从数据中发现问题、指导行动。

数据报表成了"看完就关"的摆设。

三、Onworkly电商AI方案总览

针对这四个痛点，Onworkly的方案是"一个核心系统+两个辅助系统+一组电商编队+六个专业岗位"的组合。

层级

系统/编队/岗位

解决什么痛点

核心系统

电商生产管理系统

上新慢、内容产能不足

辅助系统1

智能营销获客系统

营销内容产能不足、获客难

辅助系统2

GEO增长优化系统

品牌在AI搜索中不可见

电商编队

电商商品上架全案/电商全案/电商上新营销全案

标准化上新流程

专业岗位

电商商品运营师、电商视觉设计师、全渠道视觉设计师、客服知识库应答师、经营数据分析师、短视频内容策划师

各环节专业产出

下面按电商运营的实际流程，逐个场景讲怎么落地。

四、六大场景的具体落地方案

场景1：商品上新——从7天到流水线

传统方式：运营写文案→美工做图→反复修改→上架，3-7天/SKU。

Onworkly方案：

批次管理：在电商生产管理系统中新建上新批次，把一批SKU（建议5-15个）组织在一起

事实卡确认：Excel导入商品基础信息，AI生成事实卡初稿，你补全产品参数和核心卖点，确认后启动生产

并行生产：电商商品运营师生成文案（标题/卖点/详情页），电商视觉设计师生成主图方案（结构/设计提示词），两者并行执行

打包下载：生产完成后打包成交付包，包含各平台适配的标题、详情页文案、主图设计方案

上架回填：手动到各平台后台上架，回填商品链接

复盘：系统生成本批上架率、合格率、超时率统计

关键变化：从"每个SKU从零开始"变成"填事实卡→拿交付包"的标准化流程。

你投入的时间从"写文案+沟通美工+反复修改"变成"确认事实卡+审核+上架"。

编队选择：

基础上新：电商商品上架全案编队（50积分）——C01需求解析→P01商品文案∥P02视觉设计→C02合规终审

需要市场策略：电商全案编队（60积分）——增加竞品分析环节

需要完整营销：电商上新营销全案编队（80积分）——增加P08市场策略环节

场景2：多平台适配——一次生产，多平台使用

传统方式：同一个商品，在抖音、拼多多、京东分别写标题、调格式，重复劳动。

Onworkly方案：

电商商品运营师在生成文案时，会按目标平台分别适配——抖音标题偏短视频风格、拼多多标题偏关键词堆叠、京东标题偏规范参数

事实卡中指定目标平台，系统自动生成各平台版本

一次生产，多平台可用，不需要重复写

注意：各平台的主图尺寸和详情页格式不同，视觉方案中会标注各平台的尺寸要求，你或美工按要求出图即可。

场景3：营销内容——日飞轮自动运转

传统方式：想起来才发一篇小红书/公众号，没有固定节奏，效果随机。

Onworkly方案：

在智能营销获客系统中配置日飞轮：选择主渠道（小红书/公众号/抖音）、设定每日篇数、定义内容方向

每天到点，AI自动运行策略会→生成今日出稿计划→按计划出稿

你每天花15-30分钟审稿、发布、回填链接

系统监测互动数据和线索，提醒你认领跟进

内容类型配置：

种草文：全渠道视觉设计师出封面方案 + 公众号内容运营师写文案

短视频：短视频内容策划师出脚本和分镜

测评文：经营数据分析师整理竞品对比数据 + 公众号内容运营师写文

场景4：客服话术——标准化应答库

传统方式：客服凭经验回复，质量参差不齐，新人培训周期长。

Onworkly方案：

上传产品知识库和常见问题文档

客服知识库应答师生成标准话术库，分为售前咨询、售后处理、常见问题三类

每个问题有推荐回复和备选回复，客服直接使用或微调

大促前可以让AI针对活动规则生成专项话术

注意：系统生成的是话术库，不是自动回复机器人。

你需要把话术导入客服系统或让客服参考使用。

自动回复涉及平台接口和客户体验，建议人工确认后使用。

场景5：大促备战——编队扛住流量高峰

传统方式：大促前2周开始加班，全员做内容、备客服，大促期间连轴转。

Onworkly方案：

大促前2周：用电商上新营销全案编队批量生产活动商品的文案和视觉方案，用营销方案编队生产活动推广内容

大促前1周：客服知识库应答师生成大促专项话术（活动规则、优惠计算、物流说明）

大促期间：智能营销获客日飞轮持续产出种草内容，经营数据分析师每日生成经营日报

大促后：经营数据分析师生成大促复盘报告，对比活动前后数据

核心优势：内容生产不依赖人力加班，AI可以24小时产出。

你只需要审核和发布，不需要熬夜写文案。

场景6：经营分析——从数据到行动

传统方式：每天看数据，但不知道怎么用，报表看完就关。

Onworkly方案：

导出各平台经营数据（Excel/CSV），上传给经营数据分析师

AI自动清洗数据、计算关键指标、识别异常波动

生成结构化日报/周报，包含：核心指标、趋势分析、异常标注、行动建议

你根据行动建议调整运营策略，而不是只看数字

分析维度：

流量分析：各渠道流量变化、转化率趋势

商品分析：爆款识别、滞销预警、SKU贡献度

客户分析：复购率、客单价、新老客比例

活动分析：大促期间ROI、活动效果对比

五、实施路径：分三阶段落地

不要一上来就把所有场景都上。

建议分三阶段，逐步推进。

第一阶段：上新流水线（第1-2周）

目标：把商品上新流程跑通，解决最痛的"上新慢"问题。

配置电商生产管理系统，建立事实卡模板

用1-2个SKU测试全流程，确认产出质量

跑通后批量上新，建立标准化流程

预期效果：上新周期从3-7天缩短到1-2天（含人工审核和上架时间）

第二阶段：营销日飞轮（第3-4周）

目标：建立稳定的营销内容产出机制。

配置智能营销获客系统，选择1-2个主渠道

设定日飞轮，每天稳定产出内容

建立审稿和发布习惯，每天15-30分钟

预期效果：每月稳定产出20-40篇营销内容，线索开始积累

第三阶段：全链路协同（第5-8周）

目标：把客服、数据分析、大促备战都纳入AI体系。

建立客服话术库，培训客服使用

配置经营数据分析，每周生成复盘报告

大促前用编队批量生产内容

预期效果：运营团队从"救火式工作"变成"流程化工作"，人力投入下降

六、投入产出参考

以下为参考估算，实际效果因行业、规模、执行力度而异。

维度

传统方式

Onworkly方案

上新周期

3-7天/SKU

1-2天/SKU（含人工审核上架）

单SKU人力投入

运营4小时+美工6小时

运营1-2小时（确认事实卡+审核+上架）

营销内容产出

每月5-10篇（靠人写）

每月20-40篇（日飞轮自动产出）

大促加班

全员加班1-2周

内容AI产出，人工审核发布

客服培训

新人1-2周上手

标准话术库，3天上手

数据分析

每周2小时整理报表

AI自动生成，5分钟阅读

积分成本参考：

单个SKU上新：电商商品上架全案编队50积分

营销内容日飞轮：按每日篇数消耗，通常每天10-30积分

客服话术库：一次性生成，约30-50积分

经营数据分析：每次报表约20-40积分

具体积分消耗以系统实际执行为准，建议先用小批量测试再规模化。

七、常见错误与避坑

错误1：事实卡不确认就生产

这是最常见也最严重的错误。

事实卡信息不准，后面的文案和视觉方案全错。

修正：生产前必须100%确认事实卡，产品参数、卖点、价格必须准确。

错误2：一次上太多SKU

一次建50个SKU的批次，生产排队、审核积压。

修正：每批次5-15个SKU，生产快、审核压力小、上架集中。

错误3：期望AI直接出图

电商视觉设计师生成的是"主图结构方案和设计提示词"，不是直接可用的图片。

修正：把方案交给美工，或用AI出图工具按提示词生成图片。

错误4：营销内容发了不互动

日飞轮产出内容，但发完就不管了，评论不回、私信不看。

修正：发布后1小时内回复评论，每天检查线索，1小时内跟进。

错误5：客服话术直接全自动回复

把AI生成的话术直接接到自动回复，可能出现答非所问或违规。

修正：话术作为客服参考，或在人工审核后配置为快捷回复，不要完全无人值守。

错误6：数据看了不行动

经营分析师给了报告和行动建议，但看完就完了。

修正：每周固定时间看报告，把行动建议分配到具体负责人，下周复盘执行情况。

八、总结：电商AI落地的三个关键点

先标准化，再自动化。

事实卡是标准化的核心——把商品信息结构化，AI才能稳定产出。

不要跳过事实卡直接让AI写文案。

先跑通一个场景，再扩展。

从上新流水线开始，跑通后再加营销日飞轮，再加客服和数据分析。

不要一上来全链路铺开。

AI做生产，人做决策。

系统负责生成文案、方案、报表，你负责审核、发布、决策。

不要期望AI替你做商业判断，也不要把AI的产出不经审核就直接用。

电商AI落地不是"买个工具就完事"，而是"用工具重构流程"。

当上新变成流水线、营销变成日飞轮、客服变成话术库、数据变成行动建议，你的运营团队就从"手工作坊"升级成了"智能工厂"。

下一篇，我们讲B2B SaaS行业AI增长方案：用AI数字员工搭建获客-转化-留存体系。

本文基于Onworkly系统真实功能撰写，所有系统名称、编队、岗位均来自后台实际功能。

投入产出数据为参考估算，实际效果因行业、规模和执行力度而异。

数据截止2026年10月。

延伸阅读

AI 自动化全网营销推广系统-前沿技术查证与方案报告分享

电商上新提速：把商品资料变成可上架交付包的实操路径

B2B SaaS行业AI增长方案：用AI数字员工搭建获客-转化-留存体系

单 SKU 30 分钟出上架物料包：完整流程拆解

电商上新那条交付线的额度与价格在定价页，基础版免费，可以先跑一个 SKU 试。

智能编队详解：SOP驱动的多岗位协同作战

Onworkly研究院 · 2026年10月

一、多AI协作的误区：不是"人多力量大"

提到"多个AI一起干活"，大多数人的第一反应是：让几个AI互相讨论、头脑风暴、投票决策。

这是对多AI协作最大的误解。

2026年的行业研究已经证明：扁平式的多AI自由讨论，效率和质量都不如单个AI——token开销是单AI的15倍，准确率只提升2.1个百分点，错误还会沿链路放大17倍。

Onworkly的智能编队走的是另一条路：SOP驱动的串行协作。

什么意思？

不是让几个AI坐在一起开会，而是像工厂流水线一样，每个AI岗位负责一个固定环节，上一环节的产出是下一环节的输入，按预设的SOP自动流转。

每个岗位只做自己专业的事，不越界、不讨论、不重复劳动。

这篇文章讲清楚智能编队的设计逻辑、8大场景13个编队的具体能力、以及什么时候该用编队而不是单岗。

二、设计理念：按SOP编排多岗位协同作战

进入智能编队页面，顶部一句话就是整个系统的设计哲学："按 SOP 编排多岗位协同作战"。

2.1 什么是SOP驱动

SOP（标准作业程序）的意思是：每个编队都有固定的流程，哪个岗位先做、做什么、产出什么、交给谁，都是预先定义好的。

以"电商全案编队"为例，SOP是：

竞品分析 → 主图设计 → 文案撰写 → 活动视觉 → 合规审核

5个岗位，5个环节，串行执行。

营销策划师先做竞品分析，分析结果交给视觉设计师做主图方案，主图方案交给商品运营师写文案，文案交给全渠道视觉做活动物料，最后全部交给合规审核。

你不需要在中间协调，系统自动调度。

你只需要在最开始说清楚需求，最后拿到完整的交付包。

2.2 编队的编号体系

仔细看编队的流程描述，会发现一套编号体系：

编号

含义

说明

C01

需求解析

编队的第一个环节，把你的自然语言需求拆解成结构化任务

P01-P08

生产岗位

各个专业岗位，P01商品文案、P02视觉设计、P05短视频策划、P06视频成片、P08市场策略等

C02

合规终审

编队的最后一个环节，对全部产出做合规和质量审核

∥

并行执行

符号两侧的岗位同时执行，不需要等对方完成

比如"电商上新营销全案"的流程是：

C01需求解析 → P08市场策略 → P01商品文案 ∥ P02视觉设计（并行） → C02合规终审

这里的"∥"表示商品文案和视觉设计同时进行——因为两者都基于市场策略的输出，互不依赖，可以并行，节省时间。

2.3 为什么串行+并行比自由讨论好

维度

SOP串行协作

扁平多AI讨论

token消耗

每个岗位只读自己需要的输入

每个AI都要读全部上下文，15倍开销

错误传播

每环节有明确输出标准，C02终审兜底

错误沿讨论链路放大17倍

可预测性

流程固定，产出格式固定，时间可预估

讨论方向不可控，可能跑偏

可审计性

每个环节的产出可追溯

讨论过程混乱，难以追溯

三、8大场景13个编队全景

智能编队页面按行业场景组织，共8大场景13个编队。

3.1 电商全案（3个编队）

编队

积分

流程

预计耗时

适用场景

电商商品上架全案

50

C01需求解析→P01商品文案∥P02视觉设计（并行）→C02合规终审

8-12分钟

基础上架需求，解决上新繁琐、标题SEO难、图文耗时

电商全案编队

60

竞品分析→主图设计→文案撰写→活动视觉→合规审核

10-15分钟

聚焦抖音小店与拼多多，从市场策略到视觉物料到合规

电商上新营销全案

80

C01需求解析→P08市场策略→P01商品文案∥P02视觉设计（并行）→C02合规终审

12-20分钟

有品牌意识的卖家，不只是上架还要做好营销

3.2 营销方案（2个编队）

编队

积分

流程

适用场景

营销素材全案生产

70

行业分析→内容生产→视觉物料→合规审核

需要一套完整营销素材（文案+视觉）

营销方案编队

80

行业分析→短视频脚本→公众号推文→PPT呈现→合规审核

完整营销方案，含内容和呈现

3.3 办公助手（1个编队）

编队

积分

流程

适用场景

办公助手编队

30

会议纪要→数据报表→PPT方案

日常办公：开完会要纪要、要数据、要汇报PPT

3.4 设计物料（1个编队）

编队

积分

流程

适用场景

设计物料编队

40

主图+详情页→海报+封面+banner

视觉物料批量产出，不需要文案和策略

3.5 自媒体矩阵（2个编队）

编队

积分

流程

适用场景

自媒体矩阵编队

60

选题策划→多平台内容→合规审核

多平台内容批量生产

短视频成片全链路

80

C01需求解析→P05短视频策划→P06视频成片→C02合规终审

从需求到可拍摄的视频成片脚本全链路

3.6 出海运营（2个编队）

编队

积分

流程

适用场景

出海运营编队

70

市场策略→多语种翻译→商品文案→跨境合规审核

跨境全案，从策略到本地化到合规

跨境内容本地化全案

70

内容翻译→市场适配→电商本地化→合规审核

已有内容，需要做目标市场本地化

3.7 GEO增长（1个编队）

编队

积分

流程

适用场景

GEO优化编队

80

关键词意图分析→结构化内容创作→合规审核

AI搜索引擎优化，提升品牌在AI回答中的可见性

3.8 运营全案（1个编队）

编队

积分

流程

适用场景

运营全案编队

60

活动策划→文案撰写→视觉设计→数据分析→合规审核

运营全流程，从活动到内容到数据

四、核心编队深度详解

4.1 电商商品上架全案（50积分，最基础）

流程：C01需求解析 → P01商品文案 ∥ P02视觉设计（并行） → C02合规终审

适合谁：电商卖家的日常上新，只需要商品文案和主图方案，不需要复杂的市场策略。

你需要提供：商品信息（品类、品牌、参数、卖点）、目标平台（抖音/拼多多/京东）。

你拿到什么：各平台适配的商品标题、卖点文案、详情页文案、主图设计方案、详情页排版方案，全部经过合规审核。

为什么有并行：商品文案和视觉设计都基于需求解析的输出，互不依赖，所以同时进行，节省时间。

4.2 电商上新营销全案（80积分，最完整）

流程：C01需求解析 → P08市场策略 → P01商品文案 ∥ P02视觉设计（并行） → C02合规终审

适合谁：有品牌意识的电商卖家，不只是把商品上架，还要做好上市营销。

比基础版多了什么：P08市场策略环节——在写文案和做图之前，先做竞品分析和市场定位，确保内容方向正确。

你拿到什么：市场策略报告 + 商品文案 + 视觉方案 + 合规审核，一套完整的上新营销交付包。

4.3 营销方案编队（80积分）

流程：行业分析 → 短视频脚本 → 公众号推文 → PPT呈现 → 合规审核

适合谁：需要做完整营销方案的市场人员，方案要包含内容和汇报呈现。

特点：5个岗位串行，从研究到内容到呈现，最后输出可以直接用于内部汇报的完整方案。

4.4 短视频成片全链路（80积分）

流程：C01需求解析 → P05短视频策划 → P06视频成片 → C02合规终审

适合谁：短视频创作者或运营团队，需要从需求到可拍摄脚本的全链路产出。

P05和P06的区别：P05短视频策划师负责选题和脚本框架，P06视频成片制作师负责分镜、字幕稿、配音稿等可直接拍摄的执行物料。

4.5 办公助手编队（30积分，最便宜）

流程：会议纪要 → 数据报表 → PPT方案

适合谁：职场人开完会后需要快速产出纪要、数据和汇报PPT。

为什么便宜：3个岗位都是通用办公能力，不需要专业领域知识，积分消耗最低。

五、编队 vs 单岗：怎么选

页面底部有一句话："或直接使用单岗工作台"，下面列出了8个常用单岗入口。

这说明编队和单岗是互补的，不是替代关系。

判断维度

用编队

用单岗

任务复杂度

多步骤、需要多个岗位协作

单一产出、一个岗位能搞定

你有多少时间

想一次拿到完整交付包，不想中间协调

有时间逐步推进，每步自己把控

预算

50-80积分/次

按单岗消耗，通常更便宜

标准化程度

任务是标准化的（上新、营销方案）

任务是特殊的、非标的

质量要求

需要合规终审兜底

自己审核就行

简单判断：

"我要给这个新品做一整套上架物料" → 用电商全案编队

"我就想改一下这个商品标题" → 用电商商品运营师单岗

"我要做一个完整的营销方案用来汇报" → 用营销方案编队

"我就想写一篇公众号文章" → 用公众号内容运营师单岗

六、积分消耗与成本对比

编队的积分消耗是固定的，选择编队时页面会标注积分。

对比一下编队和单岗的成本：

方式

积分消耗

你需要做的

适合频率

单岗逐个做（电商上新）

约40-60积分（3-4个岗位）

每个岗位分别提交任务、分别审核、手动拼接

偶尔上新

电商商品上架全案编队

50积分

提交一次需求，自动跑完，拿完整交付包

经常上新

单岗逐个做（营销方案）

约70-100积分（4-5个岗位）

协调5个岗位，手动串联流程

偶尔做方案

营销方案编队

80积分

提交一次需求，自动跑完

经常做方案

结论：对于标准化的多岗位任务，编队不仅省时间，积分消耗也不比单岗逐个做高，还多了C02合规终审。

七、执行历史与结果查看

智能编队页面有"我的编队"和"执行历史"两个标签页。

我的编队：显示所有可用的编队场景和编队列表

执行历史：显示你运行过的编队任务，包括编队名称、执行时间、状态、产出

编队任务的产出也会进入"任务中心"，可以在那里查看完整执行过程和下载交付物。

八、完整案例演示

背景

一个家居品牌要上一款新品收纳盒，需要在抖音小店上架，同时做基础的上市营销。

选择编队

电商上新营销全案（80积分）——需要市场策略+文案+视觉，不只是基础上架。

操作流程

进入智能编队 → 电商全案场景 → 选择"电商上新营销全案"

提交需求："新品收纳盒，主打衣柜分层收纳，目标用户25-35岁女性，抖音小店上架，需要市场定位和上架物料"

系统自动执行：

C01需求解析：拆解需求，确认品类、平台、目标用户

P08市场策略：竞品分析、市场定位、卖点提炼

P01商品文案 ∥ P02视觉设计（并行）：同时生成文案和主图方案

C02合规终审：检查广告法违禁词、平台规则、事实准确性

预计12-20分钟后，拿到完整交付包

下载交付包，到抖音小店后台手动上架

对比传统方式

维度

传统方式

智能编队

市场分析

运营手动查竞品，2小时

P08自动完成，5分钟

文案撰写

运营写，1小时

P01自动完成，3分钟

视觉方案

美工沟通+设计，4小时

P02自动出方案，3分钟

合规审核

自己检查，容易遗漏

C02自动审核，有标准

总耗时

1-2天

12-20分钟（系统执行）+ 你审核的时间

九、常见错误与避坑

错误1：用编队做单岗能搞定的事

只需要改一个标题，却跑了整个电商全案编队，浪费积分。

修正：单一产出用单岗，多岗位协作才用编队。

错误2：需求描述太简单

"帮我做个电商全案"——什么商品？

什么平台？

什么目标？

修正：编队的C01需求解析会拆解你的需求，但你给的信息越具体，后面每个环节的产出越精准。

说清楚品类、平台、目标用户、核心卖点。

错误3：期望编队直接上架

编队生成的是交付包（文案+视觉方案），不会自动把商品上架到抖音小店。

修正：拿到交付包后，你需要手动到各平台后台上架。

这是刻意的设计——上架涉及价格、库存等敏感操作，必须人来确认。

错误4：不看C02合规审核结果

编队最后有合规终审，但有人直接跳过审核结果就用。

修正：C02会标记违禁词、虚假宣传风险、平台规则问题。

一定要看审核结果，有问题就修改后再用。

错误5：编队和单岗混用导致重复

用编队跑完了电商全案，又用单岗重新写文案，浪费积分。

修正：编队的交付包已经包含各岗位产出，如果需要微调，在交付包基础上改，不要重新跑单岗。

十、总结：编队的正确姿势

标准化任务用编队，非标任务用单岗。

上新、营销方案、短视频全链路这些有固定流程的，编队效率最高。

特殊需求用单岗灵活处理。

需求说清楚，C01才能拆准确。

编队的第一个环节是需求解析，你给的信息越具体，后面每个环节越精准。

看重合规终审，不要跳过C02。

编队比单岗多的最大价值就是C02合规终审——广告法违禁词、平台规则、事实准确性，自动帮你查。

编队产出是交付包，不是最终执行。

文案和视觉方案需要你手动上架、发布、执行。

系统负责生产，人负责决策和发布。

智能编队的本质，是把"需要协调多个岗位的复杂项目"变成"提交一次需求就拿到完整交付包"的标准化服务。

它不是让AI变聪明，而是让流程变标准——标准的流程，才能稳定地产出合格的结果。

下一篇，我们会讲小B工作助手与决策引擎：从对话到任务的智能规划。

本文基于Onworkly系统真实功能撰写，8大场景13个编队的名称、积分、流程、预计耗时均来自后台实际页面。

数据截止2026年10月。

延伸阅读

六个真实编队拆开看：多岗位流水线是怎么串起来的

智能编队层：四个机制，让 AI 岗位能一起干

Onworkly GEO增长优化系统：AI驱动的SEO新范式

智能编队是什么？

多个AI专家如何像真人团队一样协同工作

数字员工在我们这里怎么编排、怎么过质量门禁，AI 中心里有完整的岗位和编队说明。

电商生产管理实操手册：从事实卡到交付包的标准化上新流程

Onworkly研究院 · 2026年10月

一、你上新慢，不是因为人手不够

先问电商卖家一个问题：上一个新品，你花了多长时间？

大概率是这样的：运营写标题和详情页文案花了2天，美工做主图和详情页花了3天，改来改去又花了2天，最后上架已经是一周后了。

你以为是人手不够、美工太慢、运营不会写文案。

但真正的原因是：你的上新流程是"手工作坊"，不是"流水线"。

每次上新都要重新想：标题怎么写？

卖点怎么提炼？

主图做几张？

详情页什么结构？

每个SKU都从零开始，当然慢。

Onworkly电商生产管理系统的核心设计，就是把上新从手工作坊变成流水线：输入一张事实卡，输出一个可上架的交付包，中间的生产环节标准化、并行化。

这篇手册讲清楚六步流程怎么跑、每个环节做什么、常见错误怎么避。

二、系统设计理念：选品→生产→上架→复盘

进入电商生产管理页面，顶部一句话概括了整个系统："抖音小店 / 拼多多 / 京东 · 选品(可选) → 生产(核心) → 上架 → 复盘"。

2.1 为什么是这四步

阶段

做什么

谁来做

核心产出

选品（可选）

从候选池中确定要上新的款

你

定款清单

生产（核心）

事实卡→文案→主图/视频→打包

AI+你确认

上架交付包

上架

下载交付包，到各平台后台上架，回填链接

你

已上架商品

复盘

统计产出、合格率、上架率

系统

月度报告

注意"生产"是核心，也是AI发挥最大价值的地方。

选品和上架必须人来做——选品需要商业判断，上架需要登录各平台后台操作。

但生产环节中，文案、主图结构、视频脚本这些重复性工作，可以标准化后交给AI。

2.2 素材生产是全链核心

系统明确标注："素材生产（文案 → 主图必做 ∥ 视频可选 → 打包）是全链核心"。

这里有两个关键点：

主图必做，视频可选：每个SKU必须生成主图清单，视频根据需要选择。

不要每个SKU都做视频，成本高且不是所有品类都需要。

文案和主图并行（∥）：文案生成和主图设计可以同时进行，不需要等文案写完再做主图。

这是效率提升的关键。

三、六步流程详解

完整流程分六步，下面逐一拆解。

第一步：选品（可选）

做什么：从候选池中确定本次要上新的款式。

什么时候需要：如果你有大量候选款需要筛选，用选品功能。

如果你已经确定要上什么款，可以直接跳过这一步，新建批次。

操作：点击"选品"按钮，进入候选池管理。

可以添加候选款、标注优先级、对比款式、最终定款。

常见错误：在选品环节纠结太久。

选品是商业决策，不是AI能替你做的。

建议限定时间——比如30分钟内必须定款，不要反复比较。

第二步：上新批次

做什么：把定款的SKU组织成一个上新批次，统一管理生产进度。

为什么要按批次管理：电商上新通常是一批一批上的（比如春季新品10个SKU一起上），按批次管理可以统一看进度、统一打包、统一复盘。

两种创建方式：

方式

适用场景

操作

新建批次

SKU数量少（5个以内），手动输入

点击"＋新建批次"，填写批次名称，逐个添加SKU

Excel导入

SKU数量多（5个以上），有商品清单

点击"Excel导入"，下载模板，填写后上传

批次命名建议：用"日期+品类+批次号"的格式，比如"20261005-秋季女装-第一批"。

这样后续查找和复盘时一目了然。

第三步：事实卡确认（最关键的一步）

做什么：为每个SKU建立事实卡，补全产品信息，人工确认。

为什么这是最关键的一步：事实卡是所有后续生产的输入。

事实卡信息错了，文案、主图、视频全都会错。

而且AI生成的内容如果基于错误的事实卡，改起来比从零写还麻烦。

事实卡包含什么：

类别

具体字段

为什么重要

基础信息

商品名称、品牌、品类、型号

标题和详情页的基础

产品参数

尺寸、重量、材质、颜色、规格

详情页必须准确，错了会被投诉

核心卖点

3-5个核心卖点，每个卖点有事实支撑

主图和详情页的核心内容

目标用户

谁会买、使用场景、痛点

决定文案的语气和角度

价格信息

售价、原价、促销价

主图价格标签和促销文案

平台要求

抖音/拼多多/京东的类目规则

避免违规下架

操作流程：

AI根据Excel导入的信息，自动生成事实卡初稿

你检查并补全缺失信息（特别是产品参数和卖点）

确认事实卡——确认后才会进入素材生产

常见错误：

跳过事实卡直接生产：AI会基于不完整的信息生成内容，结果是文案空洞、参数错误。

必须先确认事实卡。

卖点写得太泛："质量好""性价比高"不是卖点，"304不锈钢材质，耐腐蚀性提升40%"才是。

每个卖点要有具体事实支撑。

参数不准确：尺寸、重量、材质这些参数必须100%准确，错了会导致退货和投诉。

第四步：素材生产（核心环节）

做什么：基于确认的事实卡，并行生产文案、主图清单、视频脚本，最后打包成交付包。

生产内容：

产出物

包含内容

负责智能体

文案

商品标题（多平台适配）、卖点文案、详情页文案、活动文案、关键词

电商商品运营师

主图清单

主图结构方案、每张图的内容描述、设计提示词、规格图、场景图建议

电商视觉设计师

视频脚本（可选）

短视频脚本、分镜、口播稿、拍摄提示词

短视频内容策划师

并行生产的逻辑：

事实卡确认后，文案和主图同时开始生产，不需要等。

因为两者都基于事实卡，互不依赖。

视频脚本如果选了也会同时开始。

这就是系统提升效率的核心——不是AI写得比人快多少，而是多个智能体并行工作，同时产出文案和视觉方案，把原来串行的"写完文案再做图"变成并行的"文案和主图同时出"。

你需要做什么：

生产过程中不需要干预，等系统完成

生产完成后，检查产出物质量

如果有问题，可以驳回让AI重新生成，或者手动修改

超时处理：

页面上有"超时"指标，标注"≥30分钟·点开看明细"。

这里的30分钟是系统设定的生产超时阈值——超过30分钟还没完成的SKU会被标记，需要人工介入查看原因。

注意这不是承诺的生产时间，实际耗时取决于SKU复杂度、并发数量和是否包含视频脚本。

事实卡信息不全，AI反复确认

同时生产的SKU太多，排队等待

视频脚本生产较慢（如果选了视频）

处理方式：点开看明细，找到卡住的环节，补充信息或减少并发数。

第五步：上架回填

做什么：下载打包好的交付包，到各平台后台手动上架，然后把上架链接回填到系统。

为什么是手动上架：各电商平台的后台接口经常变化，而且上架涉及价格、库存、物流等敏感操作，必须人来确认。

系统生成交付包，你负责上架——这是最稳定可靠的方式。

交付包里有什么：

商品标题（抖音/拼多多/京东各平台适配版）

详情页文案（结构化，可直接复制粘贴）

主图设计方案（每张图的内容描述+设计提示词，可交给美工或用AI出图工具生成）

关键词列表（用于搜索优化）

活动文案（促销标题、短描述）

视频脚本（如果选了视频）

上架流程：

点击"打包"下载交付包（通常是一个压缩包或文档）

登录抖音小店/拼多多/京东后台

按交付包内容填写商品信息、上传主图和详情页

提交上架

回到系统，回填商品链接

抽检：系统会对已上架的商品进行抽检，检查回填的链接是否有效、商品信息是否与事实卡一致。

抽检不通过的会标记出来，需要你检查。

常见错误：

不回填链接：回填链接是为了统计上架率和做抽检。

不回填的话，系统不知道这个SKU是否真的上架了，复盘数据会不准。

上架时改了信息但不更新事实卡：如果你上架时改了价格或卖点，记得回到系统更新事实卡，否则下次复用会出错。

第六步：复盘

做什么：系统自动统计批次的产出数据和合格率，生成月度报告。

统计指标：

指标

含义

健康值

本批SKU数

批次包含的SKU总数

根据计划

已上架

已回填上架链接的SKU数

≥90%

素材生产中

正在生产文案/主图/视频的SKU数

逐步减少

超时

生产超过30分钟的SKU数

≤10%

事实卡已确认

完成事实卡确认的SKU数

100%（生产前必须确认）

本批上架率

已上架÷本批SKU数

≥80%

月报：点击"月报"按钮，可以查看月度生产报告——本月生产了多少SKU、平均每个SKU耗时、上架率、合格率、各平台分布。

用于向老板汇报或优化流程。

四、Excel导入的正确姿势

当SKU数量较多时，Excel导入比手动新建快得多。

但很多人导入失败，是因为模板填写不对。

4.1 导入流程

点击"Excel导入"按钮

下载系统提供的模板

按模板格式填写商品信息

上传Excel文件

系统解析并创建批次和SKU

4.2 模板填写要点

不要改表头：模板的列名是固定的，改了系统识别不了

必填字段不能空：商品名称、品类、核心卖点是必填的，空了会导致事实卡无法生成

卖点用分号分隔：多个卖点用中文分号"；"分隔，不要用逗号或换行

参数要准确：尺寸、重量、材质这些字段直接进入事实卡，必须准确

一个SKU一行：不要把多个SKU合并在一行，也不要一个SKU拆成多行

4.3 导入后做什么

导入成功后，系统会自动为每个SKU生成事实卡初稿。

不要直接开始生产——先逐个检查事实卡，补全缺失信息，确认后再启动生产。

五、页面布局：三栏结构的使用方法

电商生产管理页面是三栏布局：

区域

内容

操作

左侧：批次列表

所有上新批次，显示批次名称和SKU数

点击切换批次，新建批次

中间：SKU列表

当前批次的所有SKU，显示每个SKU的状态

点击选中SKU，查看进度

右侧：SKU详情

选中SKU的完整落地链路：事实卡→文案→出图/视频→打包→上架→抽检

查看各环节状态，补全信息，确认，下载

使用技巧：

先在左侧选批次，再在中间选SKU，右侧就会显示这个SKU的完整进度

右侧的进度条可以一眼看到这个SKU卡在哪个环节

如果右侧显示"先选左侧批次"或"先选中一个SKU"，说明你还没选，先选再操作

六、完整案例演示

背景

一家做家居用品的电商卖家，要上一批秋季新品，共8个SKU（4款收纳盒+4款装饰灯），需要在抖音小店和拼多多同时上架。

操作流程

Day1 上午（30分钟）：批次创建+事实卡

新建批次"20261005-秋季家居-第一批"

Excel导入8个SKU的基础信息

逐个检查事实卡，补全产品参数和卖点

全部确认，启动生产

Day1 下午（AI自动生产，你不需要操作）：

8个SKU的文案和主图清单并行生产

其中2款装饰灯选了视频脚本，同时生产

文案和主图方案并行生产，无需人工等待

检查8个SKU的文案和主图方案，2个需要微调卖点表述，驳回重生成

其余6个通过，打包下载

重生成的2个完成后打包

登录抖音小店后台，按交付包上架8个SKU

登录拼多多后台，同样上架8个SKU

回到系统，回填16个上架链接

8个SKU，2个平台，共16个商品链接，2天完成

你实际投入时间：批次创建30分钟 + 审核1小时 + 上架2小时 = 3.5小时

对比传统方式：运营写文案2天 + 美工做图3天 + 修改2天 = 7天

效率提升：从7天到2天，人力投入从5人天到0.5人天

七、常见错误与避坑

错误1：跳过事实卡直接生产

这是最常见也是最严重的错误。

事实卡信息不全，AI生成的文案空洞、参数错误，最后改的时间比从零写还长。

修正：生产前必须100%确认事实卡，缺信息就补，不要急着启动生产。

错误2：一次建太大的批次

一次建50个SKU的批次，生产排队时间长，审核也审不过来。

修正：建议每批次5-15个SKU，生产快、审核压力小、上架也集中。

错误3：每个SKU都做视频

视频脚本生产时间长，而且不是所有品类都需要视频。

修正：主图必做，视频可选。

只给核心款、高客单价款做视频，普通款用主图就够了。

错误4：主图方案直接当图用

系统生成的是"主图结构方案和设计提示词"，不是直接可用的图片。

修正：把方案交给美工，或者用AI出图工具按提示词生成图片。

不要以为下载了就能直接上传。

错误5：上架后不回填链接

不回填链接，系统无法统计上架率，也无法做抽检。

修正：上架后立刻回填链接，养成习惯。

可以在上架时就开着系统页面，上完一个填一个。

错误6：不看超时和抽检

超时的SKU说明生产卡住了，抽检不通过说明上架信息有问题。

修正：每天看一次批次状态，有超时就处理，有抽检不通过就检查。

八、总结：电商生产的正确姿势

用三句话总结电商生产管理的正确用法：

先事实卡，再生产。

事实卡是所有产出的输入，信息不准一切白做。

花10分钟确认事实卡，能省2小时改稿时间。

文案主图并行，视频按需选。

利用AI并行生产的优势，同时产出文案和视觉方案。

不要每个SKU都做视频，只给核心款做。

系统做生产，人做上架。

AI负责把交付包做出来，你负责登录平台后台上架。

不要追求全自动上架——手动上架更稳定、更安全。

电商生产管理的本质，是把上新这个"手工作坊"变成"流水线"。

以前每个SKU都要从零开始想，现在只需要填一张事实卡，系统自动并行产出文案和主图方案，打包成可上架的交付包。

下一篇，我们会讲智能专家岗位详解：6个数字员工的能力边界与使用场景。

本文基于Onworkly系统真实功能撰写，所有操作步骤和界面描述均来自后台实际体验。

数据截止2026年10月。

延伸阅读

电商上新提速：把商品资料变成可上架交付包的实操路径

Onworkly智能营销获客实操手册：日飞轮的配置与运转

Onworkly电商生产管理系统：AI如何重塑电商运营全链路

商品事实卡：AI 导购推荐你的前提，以及它和详情页的分工

电商上新那条交付线的额度与价格在定价页，基础版免费，可以先跑一个 SKU 试。

视频号和抖音不是同一个场

先给一个能推出后面所有结论的判断：

抖音的流量来自"内容匹配"，视频号的流量来自"关系扩散"。

这不是运营经验，是产品结构决定的。

抖音的主场景是陌生人内容流，一条视频从流量池晋级靠的是它自身的表现信号；视频号长在社交关系链上，一条视频最先把推给谁，和谁会转它、谁的朋友能看到它有关。

结构不同，改写方向就不同。

同一条素材原样发两边，结果通常是两边都不理想——不是内容不好，是没有一边是为主场写的。

一、冷启动的观众不同，这决定了开头的写法

抖音的前十个观众是陌生人。

视频号的前十个观众里有熟人。

这个差别会导出一个直接后果：开场的任务不一样。

在陌生人场景里，观众对你的唯一信息来源就是这三秒。

他不知道你是谁、你凭什么讲这个、值不值得听。

所以开头必须承担"建立资格"的任务——说清你是谁、你在讲什么、为什么你有资格讲。

信息密度要求很高。

在熟人场景里，这层资格是预置的。

看他视频的人可能已经认识他，或者看到他朋友点了赞。

这时候再花五秒做自我介绍，是在浪费一段本来可以从结论开始的时间。

所以同一段开场，两边应该这样改：

场景开场写法

抖音版"做电商七年，见过太多因为一个参数写错被下架的案例。

今天讲三个必查项。

"

视频号版"参数写错会被下架。

三个必查项，第一条是……"

抖音版用了 25 个字建立资格，视频号版直接进正文。

这不是风格差异，是结构差异的必然结果。

二、两条链路的目标动作不同：看完 vs 转出去

这是四条推论里最实用的一条，因为它决定了整条片子的结构。

抖音要让人看完。

在内容流里，观众持续地决定"要不要划走"。

完播是核心信号，所以信息要前置、节奏不能松、结尾要有延展。

视频号要让人转出去。

社交分发的前提是有人愿意把它放进自己的社交关系里。

愿意转的东西通常满足两个条件之一：对特定的人有用，或者表达了自己的某个态度。

这两条导出不同的结尾设计：

平台结尾的任务结尾该写什么

抖音留住到最后，让人看完一个完整结论 + 延展的好奇

视频号给一个"转给谁"的理由"做这行的可以存一下""家里有老人的注意这条"

"转给谁"这个理由必须显性写出来。

观众不会自己推导"这条适合我同事"，你得说。

这不是话术，是社交分发链路的入口。

三、时长容忍度不同，来自观众的心理状态

抖音的观众在"刷"，状态是放松的、快速筛选的。

视频号的观众常常是在看朋友动态时点进来的，或者从转发的聊天里打开，带着一层"这条是朋友给的"的预期。

这层预期带来两个差别：

一是时长容忍度。

熟人或半熟人场景下，观众对铺垫和慢节奏的容忍度更高。

但这不等于可以水时长——容忍度只影响前十几秒，不影响整体。

二是信源敏感度。

社交场景里，观众更关注"说话的人是谁"和"为什么他这么说"。

所以视频号版可以把一些抖音版必须省掉的细节保留下来，比如具体的经历、具体的数字。

推论：抖音版应该做"减法"，视频号版可以做"加法"。

同一份素材，抖音版砍掉背景，视频号版保留背景。

砍和留的依据是：这个背景对建立资格有没有用。

陌生场景下有用，熟人场景下多余。

四、同一素材的双版本改写照

以两条 60 秒的素材为例。

素材 A：一款商品的三个必查项

环节抖音版视频号版

0–3 秒"做这行七年，见过太多因为参数写错被下架的。

"（建立资格）"参数写错，商品会被下架。

"（直接结论）

3–15 秒三个必查项压缩成一句话带过三个必查项逐条展开，每条一句

15–45 秒集中讲最严重的那一项，配一个具体案例三项均衡，每项给一个自查动作

45–60 秒一个延展悬念："还有一个坑，下一条讲"明确的转发引导："做电商的存一下，上架前过一遍"

素材 B：一个行业现象的观察

环节抖音版视频号版

结构结论前置，论证压缩，情绪推进保留推演过程，给出条件和边界

语速偏快，信息密度高偏慢，留停顿

字幕大、短、每屏不超过 8 字可以成句，便于静音阅读后被转发

结尾一个问题，引发评论一个判断，便于被当作观点转发

共同的一条：两个版本都必须自己重写，不能互改。

直接搬运的代价下面第五节讲。

五、跨平台原样搬运的代价

三个代价，按严重程度排。

第一，账号层面的重复内容风险。

两个平台对同源内容的识别都在做。

原样搬运加上水印，是最容易被识别的形态。

第二，算法推荐上的"两边都不对"。

每条内容都有它最契合的观众。

一条为陌生人写的、资格前置的视频发在熟人场景里，前五秒就损失了一部分熟人观众；反过来，一条省略了背景的视频在陌生人场景里，观众不知道为什么要听。

第三，也是最容易被忽略的：无法归因。

当你把同一条素材原样发两边，得到两份不同的数据，你无法判断差异来自内容还是平台。

一旦开始为每个平台单独写，数据才有归因能力。

六、这套推论的边界

第一，机制会变。

上面讲的是推荐结构带来的差异，这个结构短期内不会变，但具体的权重和分发规则会调整。

所有平台相关的判断，都应该以官方当前规则为准，本文给的是需要验证的方向。

第二，粉丝基数会改变结论。

账号冷启动时，视频号的社交分发优势更明显，因为它先把内容推给关系链；粉丝量大之后，两个平台的路径差异会缩小。

同一个账号在不同阶段，答案可能不一样。

第三，品类差异很大。

决策型内容（B2B、专业服务）在视频号更容易被转发，因为"转给同事/朋友"的动机明确；娱乐和泛生活方式内容在抖音的量级优势更明显。

第四，双版本是有成本的。

一条素材改两版，工作量不是翻倍，但确实增加。

如果产能有限，正确的做法不是两边都发同样的，而是先集中做好其中一个平台。

两个平台都做得勉强的效果，通常差于一个平台做透。

七、一个可以立刻做的测试

不要凭判断决定主战场。

做一个两周的测试：

第一步，把同一条素材按上面的方法改两个版本，不是搬运，是各写一版。

第二步，同时在两个平台发，记录首 24 小时的数据。

第三步，看两个指标，不看总数：

指标说明什么

完播率你的内容留人能力，在两个平台的差别

转发率你的内容被社交分发的潜力

第四步，看哪个平台的哪一项明显更高。

如果视频号的转发率显著更高、抖音的完播率显著更高，那说明两边的结构差异在你这里成立，双版本值得做。

如果两边数据接近，那说明你的内容在两个场景里表现一致，可以用更省的方式处理。

测试的价值在于它能把"该不该做双版本"从一个讨论变成一组数。

这个测试两周能跑完，成本远低于长期盲目搬运。

两个常被追问的问题

问：能不能用同一个脚本让 AI 改两版？

可以，这是模型擅长的活——把一条素材按"资格前置/省略资格"和"结尾留悬念/结尾给转发理由"两个维度改。

但你要先定义清楚这两个版本的目标，否则改出来的只是两个措辞不同的版本。

问：视频号是不是更适合 B2B？

从转发机制看是这样，因为"转给同事"的动机明确。

但这不等于抖音没价值——抖音的价值在触达那些还不知道这个品类的人。

两者的作用不同，一个做认知扩散，一个做决策支持。

相关阅读

口播视频的知识密度：一段 3 分钟逐字稿的逐句解剖

短视频脚本的结构模板：五段骨架与分镜描述的写法

延伸阅读：派一个目标过去，系统怎么自己拆任务、派工、验收、AI 把你的品牌价格说错了，怎么改：一套可复测的事实修复流程、口播视频的知识密度：一段 3 分钟逐字稿的逐句解剖。

三条交付线的额度与价格在定价页，基础版免费，可以先跑一次看结果。

选题库怎么建：把客服对话变成选题

判断一个选题好不好，有一个比"搜索量"更准的指标：问过这个问题的客户，后来买了吗。

这个指标只有客服对话里有。

搜索量告诉你多少人想找这类信息，客服对话告诉你问这类信息的人里有多少会付钱。

后者才是内容该服务的目标。

下面是把客服对话变成选题库的完整方法，包括一个 100 条对话的算例。

一、为什么是客服对话，而不是搜索工具

搜索工具的数据有三个局限：

其一，它记录的是搜索词，不是问题。

搜索词是被修剪过的（"新风 安装"），问题才是完整的（"老房子空心砖墙能不能装新风"）。

能直接变成选题的是完整问题。

其二，它不区分意图阶段。

"新风价格"这个搜索词，可能来自准备买的人，也可能来自随便看看的人。

搜索工具不区分，客服对话区分——因为对话里的人已经联系你了。

其三，也是最关键的：客服对话自带结果标签。

一条对话的发起人最后有没有成交，系统里有记录。

这个标签让"需求频次"能升级成"需求价值"。

所以客服对话不是搜索数据的替代品，它是能把搜索数据校准一遍的东西。

二、原始对话不能直接用，先过三道处理

原始对话里有三类噪音，不清掉，分析结果就是错的。

噪音一：同一个问题被反复问。

一百条对话可能只包含六十几个独立问题。

不去重，高频问题会被放大。

噪音二：情绪表达被当成需求。

"你们也太慢了"不是需求，它是情绪。

对应的需求句应该是"从下单到发货需要多久"。

处理规则：把情绪句改写成事实句，改不出来就丢弃。

噪音三：把偶发当趋势。

一条对话里出现的问题，可能是特例。

只有出现两次以上的问题，才进入编码。

三道处理之后，得到一份"问题句清单"。

这一步的产出形态很重要——必须是疑问句，不能是名词短语。

"售后"是名词，没法变成选题。

"保修期内滤芯坏了算不算免费更换"是疑问句，直接就能改写成标题。

能不能保留疑问句的完整形态，决定了后面能不能省事。

三、二级编码：类型 + 成交相关性

清单出来之后，做两级编码。

第一级：问题类型。

一般六到八类就够。

以家居类商品为例：

价格与优惠 / 交期与物流 / 安装与使用 / 售后与保修 / 适配与选型 / 资质与合规 / 其他

第二级：发起人后续是否成交。

这一级是这套方法的核心，也是最容易被跳过的一步。

编码完成后，得到这样一张表（以 100 条对话、去重后 62 个问题为例，数字为示例）：

问题类型问题数提问者成交率每类带来的成交

价格与优惠186%1.1

交期与物流1421%2.9

安装与使用1258%7.0

售后与保修933%3.0

适配与选型667%4.0

资质与合规250%1.0

其他10%0

（"每类带来的成交"= 问题数 × 成交率，用来同时反映频次和转化。

）

四、这张表会推翻你的直觉

直觉是"写最高频的问题"。

表上最高频的是价格与优惠，18 个问题，但它的成交率只有 6%。

为什么？

因为问价格的人里，很大一部分是比价和询底的，他们本来就没打算在这单成交。

而这类问题在内容上的转化能力也最低——愿意花钱买的人，不会因为在文章里看到价格就下单。

看第二行和第五行。

适配与选型只有 6 个问题，成交率 67%，是价格类的十一倍。

逻辑也成立：问"我家空心砖墙能不能装"的人，已经在确认自己能不能用，他在做的是购买前的最后一个判断。

这类问题的提问者是最接近决策的人，而这类信息在市面上恰恰最少。

安装与使用这一类频次高、成交率也高，但它有一个特点——提问者多数已经成交了。

这一类的价值不在获客，在减少售后咨询和退货。

它应该出内容，但用的不是获客的 KPI。

所以按"每篇内容能带来多少成交"排序，结论是：

适配与选型 > 交期与物流 > 售后与保修 > 安装与使用（获客口径）> 价格与优惠 > 资质与合规

这个排序和频次排序几乎相反。

这就是为什么"从客服对话挖需求"不能只统计词频。

五、从问题句到选题，三条改写规则

拿到高频高转化的疑问句之后，改写选题有三条规则。

规则一：保留场景条件。

"墙能不能装"是模糊的，"老房子空心砖墙能不能装新风"才是选题。

场景条件就是长尾，去掉条件就等于把自己扔回红海。

规则二：标题里的对象用客户的叫法。

客户说"滤芯"，标题就写"滤芯"，不要写成"高效过滤组件"。

客户的用词决定了这句话会不会被搜到、被引用。

规则三：一篇讲一个问题。

一个疑问句对应一篇。

把"能不能装"和"装完多久能用"合成一篇，两个问题都会讲不透，而且两边的搜索意图都匹配不准。

按这三条改写，上面那张表能直接产出二十个以上的选题。

关键是从高转化的那一类开始写，不是从最多的那一类开始写。

六、二阶后果：选题库会变成负担

这是很少被提到的一环。

选题库建起来之后，通常会有两个反向问题。

问题一：选题过剩。

一次客服分析会产出几十个选题，但你能稳定产出的内容量是有限的。

结果是清单越攒越长，越看越焦虑。

所以选题库必须配一条废弃规则：超过 90 天没有被使用的选题，重新评估一次；评估后仍然排在后面的，删除。

不删除的选题库，最后会变成一个没人看的清单。

它的价值取决于最短的那一侧——你能产出多少，而不是你收集了多少。

问题二：过度贴近现有客户。

客服对话样本有一个结构性偏斜：它只包含已经联系过你的人。

那些从来没联系你、在别处解决问题的人，不在这个样本里。

所以客服选题库要和另外两个来源配合：搜索数据（覆盖没联系过你的人）、竞品内容（覆盖别人在讲什么）。

三者交叉，才能减少盲区。

客服数据告诉你"来了的人关心什么"，搜索数据告诉你"没来的人关心什么"，竞品内容告诉你"别人认为他们关心什么"。

三者不一致的地方，往往是最值得写的位置。

七、这套方法的边界

第一，样本量下限。

少于 50 条去重后的问题，成交率的百分比会被单条数据左右。

这种情况下只看类型分布，不看成交率。

第二，它依赖成交记录能被关联。

如果客服对话和订单系统不打通，成交率这一列填不出来，整套方法就退化成词频统计——而词频统计得出的结论，如上所示，往往是反的。

第三，它不适合冷启动的新品类。

没有历史对话就没有样本。

这种情况下的替代方案是从竞品内容的评论区收集真实提问，那些提问的性质和客服对话接近。

第四，成交率不是唯一目标。

有一部分内容的作用是建立权威和信任，不是直接带来成交。

这类内容不该用成交率来排序，但也不该挤占高转化类别的产出配额。

八、两周能做完的最小版本

不需要一次做完整的客服分析。

最小可用版本是这样：

把最近一个季度所有售前咨询导出，先不用全量，取 100 条

逐条改写成疑问句，丢弃改不出来的

去重，统计每一类的问题数

按发起人是否成交，给每类算一个成交率

按"问题数 × 成交率"排序，从最高的那一类开始写

第五步之后你会得到一份和预期不同的排序。

先写那批你原本没打算写的选题。

两个常被追问的问题

问：能不能用 AI 直接读对话出选题？

可以，而且建议用它做第一步。

让模型把对话压成疑问句、做初步分类，人工只需要校正分类和补成交标签。

但成交率这一列必须自己算，因为它来自订单系统，不在对话文本里。

问：多久做一次？

每季度一次完整分析。

中间的月度只需要把新增对话按已有分类贴进去，看各类占比有没有变化。

分类体系不要频繁改，改了就没法做趋势对比。

相关阅读

一篇母体拆 8 条平台原生内容：拆解方法全流程

品相闸清单：发布前的 21 项检查，每项都写清判不过长什么样

延伸阅读：电商上新提速：把商品资料变成可上架交付包的实操路径、不监测等于白做：把 "AI 提及率" 纳入内容周报的完整方法、五平台引用偏好怎么测：一套能出结论的实验设计。

三条交付线的额度与价格在定价页，基础版免费，可以先跑一次看结果。

商品事实卡：AI 导购推荐你的前提

先给一个判断，它决定了后面所有做法：

详情页和事实卡不是同一份东西的两种写法，它们的读者不同，作用也不同。

详情页的读者是人，任务是说服，靠的是叙事和视觉。

事实卡的读者是取数机制（平台内的 AI 导购、站外的 AI 搜索、比价工具），任务是提供可对齐的属性和取值，靠的是字段和来源。

事实卡是详情页的上游。

一份没有事实卡的详情页，写手只能靠印象和记忆编，这是返工和事实错误的共同来源。

一、为什么现在必须做这件事

三件事同时发生，让商品属性从"描述"变成了"数据"。

一是平台内的 AI 导购。

用户不再逐页翻商品，而是问"适合 30 平米客厅、预算两千以内、要求静音的空气净化器有哪些"。

这个问题的答案由属性筛选得来，不是由详情页文案得来。

二是站外的 AI 搜索。

用户问"X 和 Y 哪个除甲醛效果好"，模型需要两个商品同一属性的取值才能回答。

提供不了对齐属性的商品，进不了那个答案。

三是比价与参数工具。

这类工具抓的就是结构化属性。

属性缺失会直接导致商品在筛选结果里消失——不是排名靠后，是不出现。

共同点是：它们的入口都是属性和取值，不是文案。

详情页写得再好，也补不上属性缺失带来的位置损失。

二、事实卡的字段结构：八类

一份完整的事实卡至少要覆盖八类字段。

每一类都有它存在的理由，删掉任何一类都会出现特定类型的返工。

类别包含什么缺了会怎样

标识型号、货号、条码、系列同一商品在多个渠道对不上，比价工具认不出

基础属性品牌、品类、材质、颜色、尺寸、重量进不了筛选结果

规格参数性能指标及其条件无法进入功能对比，也难以被 AI 取用

价格与计量单价、计价单位、阶梯价、是否含税报价歧义，客户按错的理解下单

库存与交期现货 / 订货、标准交期、起订量交期纠纷，退货率上升

资质与合规认证、检测报告、许可、执行标准上架被驳回，进入受限类目时被下架

服务承诺质保范围与期限、退换条件、责任边界售后争议，且争议无法引用规则解决

适用边界不适用场景、限制条件客户买错，差评与退货

最后两类最常被漏掉，也是最能减少纠纷的两类。

"适用边界"这一类尤其反直觉——它看起来是在劝退客户。

但它的实际作用是提前过滤掉不适合的客户。

一个用错场景的客户带来的成本，远高于一个没下单的客户。

三、一张示例卡

下面是以一款壁挂式新风机为例的字段示例。

数字是示例，列和取值形态是重点：

字段取值来源

型号XF-300产品部

风量300 m³/h（高档位）第三方检测报告

适用面积20–35 m²，层高 2.8 m 以下检测报告 + 厂家限值

噪音24 dB(A)（低档，距机 1 m）检测报告

安装方式壁挂，需承重墙或加固板安装手册

滤芯寿命HEPA 12 个月，初效 3 个月厂家标称

价格2,899 元/台（含标准安装）官网定价页

标准交期现货 3 天，缺货 10 天仓储系统

质保整机 24 个月，滤芯不保售后条款

认证3C 认证编号、能效等级认证证书

适用边界不适用于空心砖墙体；不适用于 60 m² 以上空间安装手册

四件事在这张表里被固定下来了。

每个取值都有来源。

来源不是"产品部说"，是"检测报告第几页""官网定价页"。

这一点是事实卡和详情页的根本区别：详情页可以写印象，事实卡只能写来源。

单位写在取值里，不留歧义。

"300 m³/h（高档位）"——不写高档位，客户会拿低档数据去对比别家。

噪音标注测量距离，因为不标距离的噪音数据没有可比性。

价格带上条件。

"2,899 元/台（含标准安装）"比"2,899 元"安全得多，因为"是否含安装"是这类商品最常见的争议点。

适用边界独立成行。

墙体条件和面积上限，是最容易导致投诉的两条。

写进卡里，售前就有话可说。

四、它比详情页更容易过期，这是它的最大风险

必须单独说这一点：事实卡过期会主动制造错误。

详情页里的文案过期，通常只是显得旧。

事实卡里的取值过期，会变成一个被引用出去的错数——AI 导购引用过期价格，客户按错的价格下单；比价工具引用过期规格，你在错误的对比里被淘汰。

所以事实卡必须带两个时间字段：

字段作用

核对日期这个取值最后一次被确认的时间

复核周期多久必须重新核对一次

复核周期按字段的变动频率分开定，不要统一：

字段建议复核频率

价格、库存交期每月，或有变动即更新

规格、性能参数每季度，或产品改版时

认证、资质按证书有效期，到期前一个月

适用边界、服务承诺每半年，或条款变更时

价格和交期是变动最频繁的两类，也是被引用最多的两类。

把它们的复核周期定得和资质一样长，是这套方法最常见的执行错误。

五、可直接复用的部分和不可复用的部分

批量上新时，事实卡有大量可复用内容——品牌信息、服务承诺、资质、防腐标准这些都一样。

但要小心一个陷阱：把可复用部分和不可复用部分填在同一张卡里。

后果是，一个 SKU 的参数改动会牵动整张卡，而整张卡又被多个 SKU 引用，改一处不知道影响多少处。

正确的分层是：

层内容复用范围

品牌层品牌定位、服务承诺、质保条款全品牌复用

系列层系列共性属性、安装要求同系列复用

单品层型号、规格、价格、交期、库存单品独有

三层分开维护，改价格只动单品层，改质保只动品牌层。

这是批量上新能不能不返工的技术前提——它把"改一处影响多少处"这个不可控问题，变成了可控的层级变更。

六、这套方法的边界

第一，定制类商品建不起来。

每个客户规格都不同，没有稳定取值。

这种情况下要做的是流程卡而不是事实卡：常规交期、非标件的处理方式、报价所需的输入项。

第二，事实卡不能替代详情页的说服。

它提供属性和取值，不提供购买理由。

两者都要有，且顺序是事实卡在前、详情页在后。

第三，它解决不了产品本身的问题。

如果某个关键属性明显弱于同行，事实卡只会让这件事更清楚。

事实卡的价值是准确，不是美化。

第四，字段名必须统一。

同一个属性在不同 SKU 上叫不同名字，等于没有属性——取数时根本对不齐。

字段名要有一次集中定义，之后不允许随意新增叫法。

七、一个判断事实卡质量的检查

不用看完整份卡，看三个地方就够：

第一，随机挑三个取值，问它们的来源在哪。

答不上来的，说明这张卡是凭印象填的。

第二，看有没有"适用边界"这一类。

全篇都在讲优点、没有一处在写不适用于什么情况的卡，可信度是打折的。

第三，看价格字段的复核日期。

如果价格字段的核对日期是半年前，这张卡的其他字段也不可信——因为价格是变动最频繁的一类，它没过期，说明没人真的在维护。

两个常被追问的问题

问：事实卡要不要对外公开？

要。

它公开才有被引用的可能。

不公开的事实卡只解决了内部一致性问题，解决不了可见性问题。

公开的形式可以是规格页、参数表、对比页——形态不重要，重要的是属性和取值能被取到。

问：平台自带的商品属性填写，是不是就是事实卡？

不是，但它是事实卡的一个子集。

平台属性字段通常只覆盖基础属性和部分规格，价格、交期、服务承诺、适用边界大多不在其中。

平台属性决定了你能不能被筛出来，事实卡决定了你能不能被比较和推荐。

前者是入场券，后者才是竞争优势。

相关阅读

单 SKU 30 分钟出上架物料包：完整流程拆解

AI 把你的品牌价格说错了，怎么改：一套可复测的事实修复流程

延伸阅读：电商生产管理实操手册：从事实卡到交付包的标准化上新流程、电商行业AI落地方案：从商品上架到客户复购的全链路自动化、AI 把你的品牌价格说错了，怎么改：一套可复测的事实修复流程。

电商上新那条交付线的额度与价格在定价页，基础版免费，可以先跑一个 SKU 试。

口播视频的知识密度：一段 3 分钟逐字稿的逐句解剖

知识密度先是一条算术题。

中文口播的正常语速是每分钟 220 到 260 字。

也就是说，3 分钟的视频，你能放进嘴里的字数是 660 到 780 字。

写脚本写了两千字，那多出来的一千三百字不会变成"信息量更大"，它只会变成"语速加快"或者"没说完"。

下面是按这个约束写的一段完整逐字稿，主题是"为什么要给内容做事实卡"。

时间轴和每段字数都标出来了。

逐字稿

【0:00 - 0:14】约 55 字

你花钱写的品牌介绍，AI 一个字都用不上。

>

不是它不想用，是那句话里没有一个能直接搬走的数字。

我们今天讲清楚，怎么写一句 AI 能用的品牌事实。

【0:14 - 0:40】约 100 字

先说什么叫能用。

AI 回答问题时，是在已有的句子里找能直接放进答案的那一句。

>

"我们品质可靠、服务专业"——这句话它搬不了，因为搬进去也回答不了任何问题。

>

而"能效等级为一级，适用面积 20 到 30 平方米"——这句它能整段搬走，因为问的人关心的就是这两个数。

【0:40 - 2:05】约 340 字

所以事实卡的写法只有一条标准：这句话能不能独立成立，并且直接回答一个具体问题。

>

举个反例和正例。

反例是"成立于 2010 年"——成立年份单独摆出来，回答不了任何客户的问题。

>

正例是"2010 年起做工业阀门，目前三个产品线的交期分别是 15 天、30 天和 45 天"。

同一件事，后一句里有两个数能被直接引用。

>

具体怎么做，三步。

>

第一步，把客户最常问的十个问题列出来。

价格、交期、规格、售后、覆盖区域,大概就这几类。

>

第二步，每个问题写一句带数字的答案，只讲一件事，不加形容词。

>

第三步，把这些句子放到官网、行业媒体、问答平台上，而且是独立的句子，不要藏在一大段话里。

>

三步做完，你会发现一件事：原来那些"我们很专业"的表述，一句都用不上。

【2:05 - 2:35】约 105 字

有一点要说清楚。

这个方法对已经有明确参数的品类有效，比如家电、建材、标准件。

>

如果你的产品是纯定制的，每个客户的规格都不一样，那就没有通用参数可写。

这种情况下要写的是流程和边界,比如"常规交期 30 天，非标件另议"。

【2:35 - 3:00】约 90 字

回去做一件事就行：把你们官网第一段品牌介绍贴到文档里，逐句问一句——这句话能回答哪个客户问题？

>

答不上来的，删掉，换成带数字的句子。

解剖：为什么这样分配

钩子只占 55 字，但必须带反常识

开场的任务不是介绍主题，是制造一个需要被解决的悬念。

所以第一句给的不是"今天我们来聊聊事实卡"，而是一个有冲击的判断："AI 一个字都用不上"。

紧接着立刻给出原因，不拖。

钩子里不解释原因，观众就走了。

14 秒内完成"抛问题 + 给方向"两件事，这是 55 字能做的极限。

界定占 100 字，靠一个正例一个反例

第二段做的是"把概念框住"。

这里不用定义句，用一对例子："品质可靠"搬不了，"能效一级、20 到 30 平米"能搬走。

一对例子比一句定义省字数，而且更好懂。

定义需要观众在脑子里做一次抽象，例子不需要。

主体占 340 字，是可执行的部分

这一段占了整段视频的将近一半，是应该的。

观众不是来听观点的，是来拿方法的。

注意这里的结构：一个总标准 + 一对正反例 + 三步动作。

没有第四块。

3 分钟里塞不下更多东西，多塞一样，前面三样都记不住。

边界占 105 字，最常被删，也最不该删

这一段说"这个方法对什么情况不适用"。

它是最容易被剪掉的部分，因为看起来在削弱前面讲的东西。

但删掉它有三个代价：一是可信度下降，什么都说有效的方案听着就像卖东西；二是误用，纯定制产品的观众照做之后发现没用，会认为整套方法都是假的；三是留下差评的入口，评论区第一条就会是"我们是定制的，根本做不了"。

落点占 90 字，只给一个动作

结尾只给一件回去就能做的事。

给三个动作等于没给，观众一个都不会做。

那个动作要在 30 秒内能完成——"把第一段品牌介绍贴到文档里逐句问一遍"，符合这个标准。

怎么测自己的知识密度

写完之后自己数不出来，用人来测。

方法：找一个没看过脚本的人，把视频放给他听一遍，然后让他复述。

判定标准：

复述出的要点数判断

0 到 1 个密度太低或结构不对，观众没接住

2 到 3 个合格。

3 分钟的容量大概就是 2 到 3 个要点

4 个以上要么要点太碎，要么他在看字幕而不是听

这个测法比任何自评都准，因为它测的是"带走了什么"，而不是"讲了多少"。

知识密度说的本来就是单位时间内被带走的信息量，不是被说出的信息量。

三个反模式

铺垫超过 20 秒。

观众在这个时长里已经决定要不要划走。

铺垫长通常不是因为内容需要，是因为写作者需要一个心理缓冲区。

一个例子讲两分钟。

例子是论据，不是主体。

例子的作用是让观点落地，落地之后就往下走。

一次讲三个概念。

3 分钟讲清一个概念已经是上限。

三个概念的结果通常是一个都没讲清，只是都提到了。

两个常被追问的问题

问：直接念稿会不会显得生硬？

会，如果稿子是写来"看"的。

上面的稿子是按口语写的——短句、口语连接词、没有书面语。

念起来生硬的稿子，问题在文体，不在念稿这个行为本身。

问：一定要写逐字稿吗？

如果你想控制知识密度，需要。

因为密度是字数决定的，而字数只有写下来才知道。

不写稿的话，3 分钟里会出现大量"那个、这个、就是说"，这些字占掉了本该给内容的额度。

相关阅读

短视频脚本的结构模板：五段骨架与分镜描述的写法

一篇母体拆 8 条平台原生内容：拆解方法全流程

延伸阅读：结构化数据标记指南：帮助 AI 正确识别你的品牌与内容、单 SKU 30 分钟出上架物料包：完整流程拆解、内容发了没询盘：先算这道乘法，再看哪一段是零。

三条交付线的额度与价格在定价页，基础版免费，可以先跑一次看结果。

批量上新为什么总在返工

批量上新最反直觉的一件事：返工的成本不是按缺口比例算的。

一批 200 个 SKU，其中 30% 缺资料。

很多人会想"那就是 30% 的返工"，于是按 70% 的效率做规划。

实际结果是整个批次的交付都拖了，因为返工不是在生产线上补一刀，而是要把那 30% 重新送进整条流程，同时占用本来要处理新 SKU 的产能。

下面把两条流程逐步对照。

左边是常见的做法，右边是不返工的做法。

第一步：进来先做什么

常见流程不返工流程

先把资料收齐，能开工的先开工先把资料过一遍，做缺口核对并出清单

缺口在做到一半时被发现缺口在动手前就列清楚，且分了级

这里是分水岭，也是大部分返工的源头。

常见的做法是不做前置核对，直接把能做的先做掉。

听起来是提高效率，实际上是把风险推到后面：等做到那个 SKU 才发现资料不全，此时上下文已经切换了五六次，重新捡起来的时间和第一次做差不多。

前置核对的成本很低。

它不需要懂内容，只需要逐项比对"这份资料有没有"。

在所有工序里，这是唯一一件成本不随批次大小线性增长的事——200 个 SKU 的缺口核对，比做 200 个 SKU 的详情页快得多。

第二步：缺口怎么分类

常见流程不返工流程

缺口统一标记为"待补充"缺口分三级，按级别决定处置

所有缺口都停下来等客户能自己补的立刻补，不用等

缺口不分级，会让本来能做的活也停下来。

三级分法：

级别类型处置

A 级系统或运营可自行补齐例如同类目映射、单位换算、格式统一。

当场补，不等人

B 级必须由客户或供应商提供例如真实参数、检测报告、资质文件。

列清单送出去等

C 级无法补齐则整条产出不可用例如核心参数缺失、图片完全不匹配。

标记为阻断，不进入生产

把 A 级和 B 级混在一起，结果就是明明自己能补的那部分也在排队等回复。

把 B 级和 C 级混在一起，结果就是明知做不出来的也要走一遍流程，浪费一遍产能。

C 级必须能被标记为阻断，并且真的阻断。

这条设计的好处是：阻断的 SKU 会明确地停在那里，而不是带着缺失往下走，最后变成一份"看起来完整但缺了关键参数"的详情页——那种东西比没交付更危险。

第三步：生产阶段

常见流程不返工流程

全部做完再统一检查每个 SKU 做完即过质检，不合格不进下一环节

检查靠人看先过评分卡，再过人工复核

先评分卡、再人复核的顺序不能颠倒。

原因是人的注意力有限。

如果让人先看 200 条产出，他会把注意力耗在那些明显不合格的东西上，等看到真正需要专业判断的部分时已经疲劳了。

先让评分卡把明显不合格的挡掉，人只看留下的部分，人力的使用效率会高得多。

质检的判定标准要是明确的。

以商品详情页为例，质检要看的是：参数是否与导入资料一致、有没有编造参数、必备模块是否齐全、有没有触发平台禁售词。

不编造参数这一条应当是硬线，不看整体质量分——一份参数错了的详情页，其他部分写得再好也是不可用的。

第四步：导入和交付

常见流程不返工流程

导入成功即视为完成导入成功和内容合格分开报告

只报总数报三个数：成功导入数、合格数、阻断数

"导入成功"和"内容合格"是两件事，必须分开报。

批量导入工具能确认的是"这条数据被系统接收了"，它不能确认内容对不对。

把导入成功当成完成，会让一个实际有 30% 缺口的批次看起来是 100% 完成的——而且问题要到客户上架之后才暴露。

交付时至少要给三个数：成功导入多少、质检合格多少、被阻断多少。

第三个数字特别重要，因为它对应着一份待处理的清单，而不是一个被掩盖的空洞。

一个具体的效率参照

单 SKU 从资料到出全套物料，我们的流程是 30 分钟。

这个数字经常被误读成"所以 200 个 SKU 需要 100 小时"。

实际规划时不能这么算，有两个原因。

第一，前置核对的收益随批量增大而放大。

单个 SKU 做不做前置核对差别不大；200 个 SKU 做不做，决定的是整批交付能不能按期。

批量越大，这一步越不能省。

第二，并行和串行的边界要重新划。

单个 SKU 时串行做没问题；批量时，文字类产出和视觉类产出应当并行，缺口核对和能开工的部分也应当并行。

串行做 200 个 SKU，时间会全部花在排队上。

所以 30 分钟这个数字的正确用法是：它是单件成本，不是批量成本。

批量的总时间由最慢的那条分支和缺口处理的速度决定，不由单件耗时乘以数量决定。

批量上新的三条判断规则

收成三条可以直接用的判断：

一、缺口核对必须在开工之前，且独立于生产。

这一步不做，后面所有效率优化都是白费。

二、缺口必须分三级，且 C 级必须能真正阻断。

分级的作用是让不同的缺口走不同的路，而不是都停下来等人。

三、交付必须报三个数。

成功导入、质检合格、被阻断。

只报一个总数的交付，掩盖的问题迟早会回来。

两个常被追问的问题

问：前置核对会不会拖慢开工？

会慢半天到一天，但它换回来的是整批交付的确定性。

在批量的场景里，前置的成本是固定的，返工的成本是放大的——这就是为什么这一步划算。

问：客户资料不全，是不是就做不了？

大多时候不是。

把缺口分级之后，通常只有一小部分属于 C 级。

A 级当场补，B 级并行等回复，C 级单独列出。

关键是别让 B 级和 C 级的少量缺口，把整批的工期拖住。

相关阅读

单 SKU 30 分钟出上架物料包：完整流程拆解

上架前必查的规则清单：六类最容易导致驳回和扣分的问题

延伸阅读：批量任务怎么用：一次上新批次，跑完一批商品的交付流水线、电商生产管理实操手册：从事实卡到交付包的标准化上新流程、小红书笔记被限流：7 个可自查的方向，以及"玄学"为什么会流行。

电商上新那条交付线的额度与价格在定价页，基础版免费，可以先跑一个 SKU 试。

品相闸清单：发布前的 21 项检查

这份清单的用法很直接：每次发布前逐项过一遍，打勾。

之所以每项都写了"判不过的典型样子"，是因为没有反例的检查项，勾的时候会全部通过。

只写"标题是否有吸引力"，勾的人会凭感觉；写成"标题里是否有具体数字或具体对象，或者是否只在喊口号"，判断就有了依据。

一、钩子（4 项）

#检查项判不过的典型样子

1前 20 字里有没有具体的对象或数字"很多人都在做内容"——没有对象也没有数字

2第一句话是不是结论，而不是铺垫"随着行业的发展，越来越多的人开始关注……"

3读者看完前两行，能不能说出这篇讲什么看完不知道主题，只知道有件大事

4有没有用"揭秘""震惊"这类空心词标题里全是情绪词，没有信息

第 2 项最常被判不过。

背景铺垫是写作者的心理需要，不是读者的需要。

读者不需要热身，他需要马上知道自己要不要看下去。

二、视觉（5 项）

#检查项判不过的典型样子

5封面主体在缩略图尺寸下能不能看清缩小之后只剩一团颜色

6封面上的文字在小尺寸下可读为了排版塞了 20 个字

7封面与正文讲的是同一件事封面标题比正文更"猛"

8首图是否承担了信息，而不是装饰一张和内容无关的风景图

9图片清晰度是否过关明显有压缩痕迹或拉伸变形

第 7 项是涨粉杀手。

封面比正文更猛的后果是点击上去了、完读下来了，长期看比点击率低更伤账号。

三、结构（6 项）

#检查项判不过的典型样子

10正文是不是分段了，没有超过 5 行的大段一整屏密密麻麻

11有没有至少一处可以"扫一眼就带走"的结构全是连续段落，没有列表或表格

12关键信息有没有加粗或前置结论埋在第三段中间

13结尾有没有明确落点讲到高潮就断了

14有没有必要的小标题2000 字的文章没有任何分隔

15长度是否匹配平台习惯目标平台读短内容，却写了两千字

第 11 项和收录有关。

能被一眼带走的信息块，更容易被摘要引用。

这不是排版偏好，是可检索性。

四、事实与合规（6 项）

#检查项判不过的典型样子

16所有具体数字是否有可指向的来源引用了查不到的统计

17价格、参数类事实是否与官网当前信息一致官网调过价，文里还是老数字

18有没有绝对化用语"最好""第一""100% 有效"

19有没有行业禁用的功效表述普通食品写成有治疗作用

20有没有导流信息写进正文正文里留了联系方式或其变形写法

21引用他人内容是否标明出处大段引用没有来源

第 17 项要单独说明。

价格这类会变的事实，发布时对，三个月后可能是错的。

所以每条涉及价格的稿件应当记录核对日期，并纳入定期复核。

这件事在内容量少的时候靠记性还撑得住，量一上来必然出错。

两条必须写进流程的规则

清单管的是内容，下面两条管的是流程。

它们比清单本身更重要，因为清单执行得好不好，取决于这两条有没有被制度固定下来。

规则一：创建者不可自审。

内容是谁做的，就不能由谁批准发布。

这条听起来理所当然，实际执行时经常被"就这一次""赶时间"破掉。

它之所以关键，是因为自审等于把检查环节取消了。

一个人既做又审的时候，他会检查自己已经知道的东西，而不是自己没想到的东西。

检查的价值恰恰在于视角不同。

平台上这条规则是硬编码进流程的：内容的创建者无法成为它的审核人。

这不是建议，是流程不允许。

规则二：裁决即留痕，且审核人身份不可伪造。

审核这个动作本身要留下记录：谁审的、什么时候、通过还是驳回、驳回的原因是什么。

留痕有两层意义。

第一层是事后追责；第二层更重要——留痕让"审核了"和"没审核"在系统上无法混淆。

如果审核只是一个口头确认，出了事没人能证明自己审过，也没人能证明自己没审过。

我们的做法是审核人身份直接取自登录状态，不能手动填写。

这样可以避免两种常见问题：审核人填成一个不在场的人，以及事后补填审核记录。

驳回要带原因。

驳回不带原因，等于把工作退回去让对方猜。

久而久之，被驳回的人会倾向于找不需要审核的路径，而不是把东西改对。

清单本身也要维护

三条维护规则：

从被驳回的记录里长出新条目。

每次有稿件被平台驳回或被限流，回来问一句：这属于哪一类问题？

如果现有一项覆盖不到，就加一项。

清单应该从真实事故里长出来，不是从别人的模板里抄。

每条都要能判断。

加新条目时，同时写下"判不过的典型样子"。

写不出反例的条目，说明标准还没想清楚，先别加。

季度复核一次。

平台规则会变，业务重点会变。

上一季度重要的一项，这个季度可能已经过时，同时会有新的高频问题需要补进来。

一个诚实的说明

上面 21 项里，第 18、19、20 项涉及平台的具体判定标准。

不同平台、不同品类的敏感词范围不同，而且会更新。

所以这三项不要照抄任何网上的词表。

正确的做法是从你自己的被驳回记录和限流记录里提取：把自己历史上出过问题的稿件正文拉出来，找出共同出现的词，形成一份只属于你自己的清单。

这份清单比任何公开版本都准，因为它是从你这边的真实反馈里长出来的。

任何声称给出平台确切判定标准的说法，来源都值得怀疑。

相关阅读

一篇母体拆 8 条平台原生内容：拆解方法全流程

小红书笔记被限流：7 个可自查的方向，以及"玄学"为什么会流行

延伸阅读：GEO 30 天启动清单—— 从 0 到 1 布局品牌 AI 可见性的完整执行手册、定时任务怎么设：把内容排进发布日历，到点自动进入发布流程、上架前必查的规则清单：六类最容易导致驳回和扣分的问题。

三条交付线的额度与价格在定价页，基础版免费，可以先跑一次看结果。

五平台引用偏好怎么测

先把一个不好听但重要的前提说清楚：

"豆包吃知乎、DeepSeek 吃官网"这类结论，通用的那份是不存在的。

平台的检索策略、语料来源、排序权重都会变，而且同一个平台对不同行业、不同品类的引用偏好并不一致。

照搬别人的结论，等于用别人的尺子量自己的身高。

能通用的只有测法。

下面是这套测法。

一、先立假设：差异可能来自哪四个地方

不立假设就开始测，拿到的是一堆百分比，不知道往哪使劲。

四个可能来源：

来源表现

检索来源不同有的更依赖联网检索，有的更依赖自有语料

时效偏好不同有的倾向近期内容，有的对老内容也不敏感

来源权重不同官网、行业媒体、社区问答在排序里的分量不同

问法理解不同同一个问题，不同平台理解成的问题不一样

这四个来源会导出不同的动作。

如果是来源权重不同，你要做的是换渠道铺内容；如果是时效偏好不同，要做的是提高更新频率。

测之前先想清楚，你希望排除掉哪一种可能。

二、控制变量：哪四样必须锁死

变量必须怎么处理

问题集全程同一套题，中途不改

平台固定同一批，中途不增不减

采样次数每个问题在每个平台采同样的次数

时间窗同一轮测试在尽量短的时间内跑完

时间窗这一项最容易被忽略。

如果一批问题周一测前 50 题、周五测后 50 题，那么平台本身的更新就混进了你的结果里，你分不清差异是平台偏好还是时间差异。

我们固定采样的五个平台是豆包、DeepSeek、Kimi、通义、智谱，每个问题在每个平台采样三次。

三次的意义下面第四节会讲，它是判断"差异算不算差异"的基础。

三、基准线：怎么知道一个差异是真偏好还是噪音

这是整套方法里最关键的一步，也是大部分测试做错的地方。

把同一批内容、同一套问题、同一个平台，隔一周测两次。

两次的结果一定不完全一样——这个差异就是噪音。

把它记下来，作为这个平台的基准线。

然后去看跨平台的差异。

判断规则：

跨平台差异小于基准线：这不是平台偏好，是随机波动。

不要据此做决策。

跨平台差异明显大于基准线：这可能是真实的偏好差异，值得作为下一步的验证目标。

差异正好在基准线附近：不下结论，加大采样次数再测。

没有基准线就去比较平台差异，是这类测试最常见的错误。

看到 A 平台 34%、B 平台 28%，直接得出"A 更重视我们"，但可能两个平台本身的周波动就有 6 个百分点。

基准线还有一个作用：它让你能诚实地说出"我们测不出差异"。

这句话在汇报时比一个漂亮但站不住的结论有价值得多。

四、交叉表：怎么读出可行动的那一格

测完拿到的不该是一个总数，而是一张矩阵。

行是平台，列是内容类型：

—事实型内容对比型内容教程型内容案例型内容

豆包高高中低

DeepSeek中高高低

Kimi中中高中

通义中中中中

智谱低中中中

表里的字用相对值，不用百分比——因为你要找的是"哪个格子异常高"，不是算出精确数值。

读法只有一条：找同时满足两个条件的格子——高于该平台自身均值，且高于该内容类型在跨平台的平均值。

两个条件都满足，说明这个平台对这一类内容有特别的偏好，而不是这个平台整体权重高。

（上表是格式示例，不是我们的实测结论。

你的表一定和这张不一样。

）

找到这样的格子之后，动作就明确了：把那类内容的资源往那个平台投。

在四个平台上都表现中等的类型，优先级往后放。

五、为什么是三次采样

单次采样测到的是某一次的结果，不是稳定状态。

三次采样的用法有两种。

一种是看稳定性：三次结论一致，说明这个结果是稳定的；三次差异很大，说明这个问题本身在这个平台上就没有稳定答案，这个数据点应该标记为不可用。

另一种是取综合结果，减少单次波动的影响。

前者比后者重要。

一个在三次采样里飘忽不定的问题，本身就是一条信息——它说明这个话题在训练语料或检索结果里没有明确答案，这正是你可以去填的位置。

六、测出来之后，动作往哪走

测到的现象优先动作

某平台对某类内容偏好明显把该类内容优先铺到该平台的相关信源

所有平台都不提及某个问题这个问题没有明确答案，是最值得抢占的位置

提及但准确性低事实卡有问题，先修事实再谈覆盖

提及但正面性低口碑类内容的问题，不是事实问题

三次采样结果不稳定该话题没有稳定答案，属于可填补的空白

第二行和第五行是最容易错过的高价值信号。

大家都在盯"怎么被提到"，而"这个问题还没有明确答案"意味着位置是空的——先写的人定义答案。

七、这套方法的边界

它能告诉你：在你的行业、你的品牌、你选定的问题集下，各平台对不同内容类型的相对偏好。

它不能告诉你：平台的排序算法是什么，权重具体多少。

这个信息不公开，任何给出具体权重的说法来源都值得怀疑。

也不能一次测完就长期沿用。

平台在变，你的问题集也应该跟着变。

建议每季度复核一次问题集，把已经不再被问的问题替换掉，同时重跑一次基准线。

两个常被追问的问题

问：一共要多少题？

一百题以上才有统计意义。

题太少时，一道题的差异就能让比例跳动几个百分点，你分不清是偏好还是噪音。

问：可以直接用第三方工具的监测结果吗？

可以看，但你的问题集和采样方式仍然要自己定。

因为工具默认的问题集未必匹配你的客户在问什么，而GEO 的所有判断都建立在"客户实际会问什么"这个前提上。

问题集错了，后面全错。

相关阅读

GEO 效果怎么向老板汇报：一张表的做法

AI 把你的品牌价格说错了，怎么改：一套可复测的事实修复流程

延伸阅读：电商上新提速：把商品资料变成可上架交付包的实操路径、选题库怎么建：把客服对话变成选题的一套编码方法、AI 把你的品牌价格说错了，怎么改：一套可复测的事实修复流程。

如果你想知道 AI 现在怎么描述你的品牌、哪里说错了，可以从 一次免费的品牌可见度体检 开始。

GEO 效果怎么向老板汇报

先把这张表放出来。

它是表样，数字是示例，列是重点：

平台问题数采样次数提及率准确性正面性事实错误条数

豆包120334%82%91%7

DeepSeek120328%79%88%9

Kimi120331%84%90%5

通义120326%81%87%6

智谱120322%78%89%8

七列。

少一列，汇报就会被打回来。

下面说每一列为什么在。

列一、列二：平台和问题数

平台要分开列，不能合并成一个总数。

因为用户在不同平台的提问方式和拿到的答案差别很大，合并之后你看不出该往哪个方向使劲。

我们固定采样的五个平台是豆包、DeepSeek、Kimi、通义、智谱。

固定下来很重要——换平台就等于换了尺子，前后两次的数不再可比。

问题数必须是同一套题。

意思是这次测的 120 个问题，下次复测还是这 120 个。

问题集一旦变动，提及率的变化就无法归因——你分不清是效果变好了还是题变简单了。

问题集怎么来：把你所在行业客户真正常问的问题收集起来，做成一份固定的清单。

规模上，一百题以上才有统计意义，题目太少，一两条的波动就会让整个比例跳动。

列三：采样次数

同一个问题问一次是不够的。

大模型的回答带有随机性，同一天问同一个问题，答案可能不一样。

只采一次，你测到的是某一次的结果，不是稳定状态。

我们的做法是每个问题在每个平台上采样三次，看三次的分布。

所以这一列的意义是让读者知道：上面的提及率不是单次抽取，是多次采样的结果。

如果你的采样次数是 1，那么在汇报时至少要说明这一点，否则那些百分比会给人一种不该有的确定感。

列四：提及率

这一列回答的是"客户问 AI 这类问题的时候，AI 会不会提到我们"。

它是这套表里最直观、也最容易被过度解读的一列。

两个提醒。

第一，提及率不可能也不需要做到 100%。

客户问一个宽泛的行业问题，AI 报出十几个品牌，你在这十几个里出现，已经是有效曝光。

第二，提及率要和"提及时的表述"一起看——被提到但紧接着跟一句负面评价，不如不被提到。

所以这一列最好配合一句结论：在多少比例的回答里被提到，其中多少是正面表述。

只给一个数字，老板会问"提到的是什么内容"。

列五、列六：准确性和正面性

这两列是分开评的，因为它们是两件事。

准确性看的是：AI 说到的关于你的事实对不对。

价格、产品线、成立时间、服务范围、门店位置。

这一维度的分母是"被提到的次数"，不是问题数——没被提到就谈不上准确不准确。

正面性看的是：AI 在描述你的时候，语气和倾向如何。

口碑、评价、优缺点表述都归在这里。

为什么必须分开： 一个品牌可能被准确描述但语气负面（说的都是真的，但都在讲缺点），也可能被正面描述但事实错误（夸你，但数字是错的）。

这两种情况的处理方式完全不同——前者要修口碑，后者要修事实。

合成一个"总分"最省事，也最没用，因为它丢掉了这个区别。

列七：事实错误条数

这一列是整套表里最能说服人的一列。

原因很直接：前六列都是比例，老板看完会问"所以呢"。

而这一列是清单，你可以具体到"AI 说我们的标准版年费是八千元，实际是 399 元一个月"，然后把原文贴出来。

具体的错误比抽象的分数有说服力。

所以这一列不能只给数字，要能展开成一串条目，每条包含：哪个平台、原问题、AI 的原话、正确的事、错在哪。

这张清单本身就是一个可执行的待办列表。

修完一条划掉一条，下个月复测看它有没有消失。

汇报时的三句话

表格之上，汇报内容收成三句话就够：

第一句，现状。

在五个平台、120 个问题、每个问题采样三次的条件下，提及率是多少，其中正面表述占比多少。

第二句，问题。

当前有几条事实错误，最严重的一条是什么。

这一句要带原文。

第三句，动作与验证。

接下来修哪几条、怎么修、多久之后复测、复测的判定标准是什么。

第三句是关键。

没有复测计划的汇报，等于只报告了问题。

而 GEO 的所有动作，效果都要靠复测才能看到——这件事没有即时反馈。

不要拿这些去汇报

截图。

截图的问题不在真假，在于它不可复测。

老板会问"怎么证明这不是你刚好搜到的这一次"，你没有答案。

单次快照。

只测一次的数，波动大到不足以支撑结论。

对手的对比数据，如果口径和你自己的不一样。

拿别人的百分比和自己的百分比并列，看起来很有力，实际上不可比——问题集不同、时间不同、采样次数不同，比出来的结论是假的。

"AI 现在会提到我们了"这种定性描述。

它是好消息，但不是汇报材料。

定性描述没法用来判断趋势，也没法用来验收投入。

复测节奏怎么定

每周一次。

频率再高意义不大，因为检索和收录的更新本身有延迟，你今天改的东西明天不会体现。

每周一次能看出趋势，又不会让你陷入噪音。

动作和复测之间至少留七天。

修完事实、发布新内容之后，给模型重新检索的时间。

三天就去看结果，多数时候看到的是没变化，然后误判为"这招没用"。

每次复测用同一套题、同一批平台、同样的采样次数。

这三样有任何一样变了，两次的数就不能直接比。

记录每次的结果。

单次的数没有意义，连续六周的趋势才有。

第一次汇报时就把这一点讲清楚，避免老板拿着单次数据要求解释波动。

两个常被追问的问题

问：老板问"这个投入值不值"，怎么答？

答口径，不答承诺。

可以给的是：当前状态、错误清单、修复计划、复测节点。

不能给的是"三个月后提及率翻倍"这类承诺，因为提及率不是单方面能决定的。

把承诺换成可验证的节点，是这类汇报里最稳的做法。

问：为什么不直接买一份第三方报告？

第三方报告可以作为参考，但你无法控制它的问题集和采样方式，也就无法做前后对比。

GEO 的进展只能靠你自己固定的那把尺子量。

尺子可以借鉴，不能外包。

相关阅读

GEO 预算怎么切：技术基建、内容生产与付费信源的钱该怎么分

AI 把你的品牌价格说错了，怎么改：一套可复测的事实修复流程

延伸阅读：派一个目标过去，系统怎么自己拆任务、派工、验收、GEO 预算怎么切：技术基建、内容生产与付费信源的钱该怎么分、GEO 实操：让你的品牌被豆包、DeepSeek 引用的 6 个动作。

如果你想知道 AI 现在怎么描述你的品牌、哪里说错了，可以从 一次免费的品牌可见度体检 开始。

智能营销获客实操手册：日飞轮的配置与运转

Onworkly研究院 · 2026年10月

一、你缺的不是文案，是飞轮

先问一个问题：你做内容营销多久了？

大概率是这样的：想起来了发一篇，忙起来就停了；写的时候不知道写什么，发完了不知道有没有效果；三个月过去，粉丝没涨多少，线索一个没有。

问题出在哪？

不是你文案写得不好，是你没有建立一个"日飞轮"。

什么是日飞轮？

就是一个以天为单位、自动运转的获客闭环：策略→出稿→人审人发→留资→收工。

每天到点，AI自动写策略、自动出稿，你只需要审批、发布、认领线索。

大多数人的营销是"脉冲式"的——发一篇，停一周，再发一篇。

而有效的营销是"飞轮式"的——每天稳定产出，持续积累，线索自然来。

Onworkly智能营销获客系统的核心设计，就是帮你建立这个日飞轮。

这篇手册讲清楚怎么配置、怎么运转、怎么避坑。

二、系统设计理念：以天为单位的最小闭环

进入智能营销获客页面，你会看到一句话："以天为单位：策略→出稿→人审人发→留资→收工"。

这不是随便写的，它是整个系统的设计哲学。

2.1 为什么是"以天为单位"

营销内容有一个特点：单篇内容的效果是随机的，但持续产出的效果是确定的。

你发一篇小红书，可能爆了也可能没人看。

但如果你连续30天每天发一篇，其中大概率会有3-5篇爆，总曝光量是可预测的。

所以系统不追求"每篇都爆"，而是追求"每天都有产出"。

以天为单位，把获客变成一个可重复、可优化的流程。

2.2 最小闭环的五个环节

环节

谁来做

做什么

耗时

策略

AI

写出今日出稿计划：渠道、篇数、体裁、选题方向

自动

出稿

AI

按计划生成内容初稿

自动

人审人发

你

审核内容、修改、手动发布到各平台

15-30分钟

留资

系统+你

记录发布链接、监测互动、收集线索

自动+5分钟

收工

系统

归档今日产出、生成日报、准备明天

自动

注意"人审人发"这四个字。

AI写稿，但发布必须人来做。

这是一个刻意的设计——AI生成的内容需要人把关，而且各平台的发布接口经常变化，手动发布更稳定。

你的角色不是"写文案的"，而是"审稿人和发布人"。

AI把80%的工作做了，你只需要做最后20%的决策。

三、营销全景图：先看全局，再做配置

页面顶部有一个"营销全景图"入口。

在配置日飞轮之前，建议先看全景图，了解整个获客流程的全貌。

营销全景图展示的是：从流量获取到线索转化的完整链路，包括：

内容渠道：公众号、小红书、抖音、知乎、视频号等

内容类型：图文、短视频脚本、长文、问答、评论区互动

转化路径：内容曝光→用户互动→留资→跟进→成交

数据指标：发布量、阅读量、互动率、线索数、转化率

全景图的作用是帮你想清楚：你的目标客户在哪里？

他们看什么内容？

怎么从内容到线索？

比如你是做B2B SaaS的，目标客户在知乎和公众号，内容应该是深度干货和案例，转化路径是"阅读→关注→私信→留资"。

如果你是做消费品的，目标客户在小红书和抖音，内容应该是种草和测评，转化路径是"看到→感兴趣→点击链接→购买"。

先把全景想清楚，再配置日飞轮，不要上来就开始写。

四、日飞轮配置五步法

配置一个日飞轮，分五步。

第一步：定义获客目标

在配置之前，先回答三个问题：

目标客户是谁？

（年龄段、职业、痛点、决策链）

在哪个渠道获客？

（不要超过3个渠道，聚焦才能做好）

什么算"获客"？

（关注？

私信？

留电话？

加微信？

）

这三个问题的答案，决定了后面所有的配置。

常见错误：渠道选太多。

"我要做公众号+小红书+抖音+知乎+视频号+B站"——结果每个都做不好。

建议先选1-2个主渠道，跑通后再加。

第二步：配置策略会

策略会是日飞轮的起点。

每天到设定时间，AI会自动生成"今日出稿计划"，包含：

今天发几个渠道

每个渠道发几篇

每篇的体裁（干货/案例/观点/互动）

选题方向和角度

策略会的配置要点：

配置项

建议

为什么

执行时间

早上9:00-10:00

AI出稿后你有时间审稿，下午发布

每日篇数

主渠道1-2篇，次渠道0-1篇

太多审不过来，太少没效果

内容体裁

70%干货+20%案例+10%互动

干货建立专业度，案例建立信任，互动提升活跃度

选题来源

用户痛点+行业热点+产品场景

不要只写产品，要写用户关心的问题

第三步：配置出稿

策略会完成后，AI自动按计划出稿。

你需要配置的是：

品牌调性：专业/活泼/严谨/亲切——不同渠道调性不同

内容模板：每类内容的结构模板（比如干货文=痛点→原理→方法→案例→行动）

禁用词：绝对化用语、敏感词、竞品负面词

CTA（行动号召）：每篇结尾引导用户做什么（关注/私信/点击链接）

关键原则：出稿环节不要干预太多。

让AI按策略和模板自由发挥，你在人审环节把关。

如果每篇都要改结构，说明你的模板有问题，应该改模板而不是改每篇文章。

第四步：配置人审人发流程

这是日飞轮中唯一需要你每天投入时间的环节。

配置要点：

审稿标准：事实准确性>品牌调性>表达流畅度。

先查事实错误，再看调性，最后改措辞。

发布时间：根据渠道的活跃时间定。

公众号晚上8-10点，小红书中午12点和晚上8点，抖音晚上7-9点。

发布记录：发布后把链接回填到系统，系统会记录并监测互动数据。

时间预算：每天15-30分钟。

如果超过30分钟，说明你在逐字改文案——这不对，应该改模板而不是改每篇。

第五步：配置留资与收工

留资环节的配置：

线索定义：什么算一个线索？

（私信咨询、留电话、加微信、填写表单）

线索认领：系统监测到线索后，提醒你认领和跟进

跟进记录：每个线索的跟进状态（待跟进/跟进中/已成交/已流失）

收工是自动的：系统归档今日产出、生成日报（发布了几篇、什么内容、互动数据、线索数），然后准备明天的策略会。

五、自动化工作台：点一次，做完今日获客

页面中间有一个"自动化工作台"区域，核心是一个按钮："让AI做今日获客"。

点击这个按钮，系统会：

运行策略会，生成今日出稿计划

按计划出稿

把稿件放到"待审核"列表

你审核后手动发布

回填发布链接

认领线索

这就是"点一次，岗位智能体写策略并出稿。

你只批准、人发回填、认领线索。

"

5.1 已建任务的管理

工作台会显示已建的日飞轮任务，比如测试账号中的：

"T1激活验证-获客日飞轮-20260920 · 每日 · 下次 2026-10-05 10:00"

每个任务显示：任务名称、执行频率（每日/每周）、下次执行时间。

你可以查看流程编排、暂停/恢复任务、修改配置。

5.2 今日工作台

"今日工作台"显示今天的执行状态：

策略会是否已完成

出稿进度（几篇已完成、几篇待出）

待审核稿件数量

已发布数量

今日线索数

每天打开系统，先看今日工作台，就知道今天该做什么。

六、六大模块详解

智能营销获客系统有六个功能模块，每个模块解决一个特定问题。

6.1 运营总览

做什么：展示营销获客的整体数据——累计发布量、总阅读量、总互动量、总线索数、转化率趋势。

怎么用：每周看一次，判断整体趋势。

如果线索数连续两周下降，说明内容质量或渠道选择有问题，需要调整策略。

6.2 任务编排

做什么：管理日飞轮任务的配置——执行时间、频率、渠道、篇数、内容类型。

怎么用：初期配置好后，不需要频繁改。

建议每月复盘时调整一次，根据数据优化渠道和篇数。

6.3 内容中心

做什么：所有AI出稿的管理——待审核、已通过、已发布、已驳回。

每篇稿件可以查看、编辑、通过、驳回。

怎么用：这是你每天花时间最多的地方。

审核流程：先看标题和选题方向对不对→再查事实错误→最后调整表达。

不要逐字改，大方向对就通过。

6.4 Agent管理

做什么：管理负责内容生产的智能体——每个Agent的角色、能力、配置。

怎么用：不同渠道可以配置不同的Agent。

比如小红书Agent偏种草风格，知乎Agent偏干货风格，公众号Agent偏深度分析。

6.5 渠道分析

做什么：分析每个渠道的效果——发布量、阅读量、互动率、线索数、获客成本。

怎么用：这是最重要的决策依据。

如果小红书的线索成本是知乎的1/3，就应该把更多预算和精力放到小红书。

数据不会骗人，用渠道分析做决策，不要凭感觉。

6.6 预警中心

做什么：异常情况提醒——任务执行失败、内容审核积压、线索未认领、发布链接未回填。

怎么用：每天看一眼预警中心，有红色预警就立刻处理。

最常见的预警是"待审核稿件超过3篇"——说明你审稿慢了，会影响当天的发布计划。

七、流程编排：自定义你的日飞轮

"流程编排"功能让你自定义日飞轮的具体步骤。

默认流程是策略→出稿→人审人发→留资→收工，但你可以根据业务需要调整。

7.1 常见的自定义流程

业务场景

自定义流程

为什么

对内容质量要求高

策略→出稿→初审→修改→终审→人发→留资

增加一道审核，确保质量

多渠道分发

策略→出稿→渠道适配→人审→多平台发布→留资

同一内容适配不同渠道的格式和调性

有销售团队

策略→出稿→人发→留资→自动分配→销售跟进

线索自动分配给销售，不需要手动认领

活动期

活动策略→集中出稿→快速审核→集中发布→活动留资

大促期间加快节奏，增加产出

7.2 编排原则

不要太复杂：环节越多，出错概率越大，你需要介入的地方越多。

默认的五步流程对大多数人已经足够。

每个环节有明确的负责人：AI做的环节自动执行，人做的环节有明确的时间要求。

保留人审环节：无论流程怎么改，人审人发不能省。

这是质量控制的关键。

八、人审人发的正确姿势

人审人发是日飞轮中唯一需要你每天投入的环节，也是最容易做低效的环节。

8.1 审稿三原则

先查事实，再看表达：产品参数、价格、案例数据、引用来源——这些错了是硬伤。

表达不通顺可以接受，事实错误不能接受。

改方向，不改措辞：如果选题方向不对，驳回让AI重写。

如果方向对只是措辞一般，通过——不要逐字改，那是在浪费你的时间。

限时审稿：每篇最多5分钟。

超过5分钟还在改，说明你陷入了细节，应该停下来想想"这篇大方向对不对"。

8.2 发布技巧

固定时间发布：每天同一时间发，培养用户的阅读习惯，也方便系统监测数据。

发布后立刻回填链接：回填后系统才能监测互动数据和线索。

不要攒到晚上一起填，容易漏。

互动要及时：发布后1小时内是互动高峰期，有人评论就回复，提升算法推荐权重。

8.3 时间控制

人审人发的目标是每天15-30分钟。

如果超过30分钟：

检查是不是篇数太多了——减少每日篇数

检查是不是在逐字改——改模板，不要改每篇

检查是不是标准不清晰——写一个审稿checklist，按清单审

九、线索认领与跟进

日飞轮的最终目标是获客，不是发内容。

线索环节是最容易被忽略的。

9.1 线索从哪来

用户私信咨询产品

评论区留下联系方式

点击文章中的链接进入落地页

扫码加微信/进群

系统会监测这些互动，把符合条件的标记为线索，提醒你认领。

9.2 跟进的黄金时间

线索产生后1小时内跟进，转化率最高。

超过24小时，用户的兴趣已经消退了。

所以每天的流程应该是：早上审稿发布→下午看线索→有线索立刻跟进。

不要攒到周末一起跟，那时候线索已经凉了。

9.3 跟进记录

每个线索都要记录跟进状态：

待跟进：刚产生，还没联系

跟进中：已联系，在沟通需求

已成交：转化成功

已流失：暂时不考虑或选择竞品

记录的目的不是填表，是帮你复盘：什么样的内容带来的线索质量高？

跟进话术怎么说转化率高？

十、完整案例演示

背景

一家做B2B SaaS的小公司，2个人，想通过内容营销获客。

目标：每月获得20个有效线索。

配置

主渠道：知乎（深度干货）+ 公众号（案例分析）

每日产出：知乎1篇问答/文章 + 公众号1篇（隔日）

执行时间：每天早上9:30策略会+出稿

人审人发：中午12点审稿，下午2-4点发布

线索定义：私信咨询或留联系方式

第一周

Day1：配置日飞轮，定义目标客户和内容方向

Day2-3：AI出稿，审稿发现调性偏营销，调整模板偏干货

Day4-5：稳定产出，每天审稿15分钟，发布2篇

Day6-7：第一波互动开始，产生2个线索，当天跟进

第一个月

累计发布：知乎20篇 + 公众号12篇 = 32篇

总阅读量：约15000

产生线索：18个（接近目标20个）

有效线索：8个（有明确需求和预算）

成交：2个

关键数据

每天投入时间：审稿15分钟 + 发布10分钟 + 线索跟进10分钟 = 35分钟

单条线索成本：订阅费¥299/月 ÷ 18条 = ¥16.6/条

对比传统获客：展会单条线索成本¥500+，百度竞价¥200+

十一、常见错误与避坑

错误1：渠道选太多

一上来就做5个渠道，每个都做不好。

修正：先选1-2个主渠道，跑通日飞轮，有效果了再加。

错误2：篇数定太多

每天要发5篇，结果审不过来，稿件积压，最后干脆不发了。

修正：从每天1-2篇开始，能稳定审稿和发布了再加量。

错误3：逐字改文案

每篇都要改半小时，把AI写的改成自己写的。

修正：改模板和调性配置，不要改每篇文章。

大方向对就通过。

错误4：只发不互动

发完就不管了，评论不回，私信不看。

修正：发布后1小时内回复评论，每天检查线索，1小时内跟进。

错误5：不看数据

发了一个月，不知道哪篇效果好，哪个渠道线索多。

修正：每周看渠道分析，把精力放到效果好的渠道和内容类型上。

错误6：期望立刻见效

发了三天没线索就放弃了。

修正：内容营销有积累期，通常2-4周开始有线索，3个月达到稳定效果。

坚持日飞轮，不要停。

十二、总结：日飞轮的正确姿势

用三句话总结智能营销获客的正确用法：

建飞轮，不写单篇。

你的目标不是写出一篇爆款，而是建立一个每天自动运转的获客系统。

抓审批，不抓写作。

AI负责写，你负责审。

每天15-30分钟审稿发布，剩下的时间用来跟进线索。

看线索，不看阅读量。

阅读量是虚荣指标，线索才是真金白银。

用渠道分析数据做决策，把预算放到线索成本最低的渠道。

日飞轮的威力在于复利：每天稳定产出，内容持续积累，线索持续来。

第一个月可能只有10个线索，第三个月可能就有50个。

关键是不要停——系统每天自动出稿，你只需要每天花15分钟审批发布，飞轮就会一直转下去。

下一篇，我们会讲电商生产管理系统：30分钟一个SKU的上架交付包。

本文基于Onworkly系统真实功能撰写，所有操作步骤和界面描述均来自后台实际体验。

数据截止2026年10月。

延伸阅读

投放 — 触达 — 转化 — 复盘，整条链路交给 AI 编队：智能营销获客系统

电商生产管理实操手册：从事实卡到交付包的标准化上新流程

Onworkly智能营销获客系统：全平台内容批量生产与线索管理

线索越来越贵、成交越来越难？

智能营销获客的4个落地动作，建议先收藏Onworkly营销获客

三条交付线的额度与价格在定价页，基础版免费，可以先跑一次看结果。

指挥舱使用指南：全局态势一屏掌握

Onworkly研究院 · 2026年10月

一、你看Dashboard的方式可能一直是错的

大多数人打开Dashboard的第一件事是什么？

扫一眼数字，觉得"还行"，然后关掉。

这是错的。

Dashboard不是用来看的，是用来找异常的。

一个好的指挥舱，每个数字背后都有一个"正常范围"。

数字在范围内，你不用管；数字超出范围，它应该立刻提醒你行动。

Onworkly的指挥舱就是按这个逻辑设计的——它不是一个数据展示页，而是一个异常检测和行动入口。

这篇指南讲清楚：指挥舱上每个数字是什么意思、正常范围是多少、出现异常时该怎么处理、每天和每周应该看什么。

二、指挥舱的整体结构

登录后进入"指挥舱"，你会看到从上到下六个区域：

区域

内容

你需要做什么

1. 顶部状态栏

版本、积分余额、有效期

每周看一次，确保不欠费

2. 智能大脑入口

目标输入框+示例

有新目标时在这里输入

3. 核心指标看板

6个关键数字

每天看，找异常

4. 三大业务系统入口

GEO/营销获客/电商生产

需要深入操作时点击进入

5. 智能编队+待处理+项目

编队状态、待办、项目列表

每周看，管理资源

6. 决策引擎+数字员工+任务统计

快速启动、专家列表、任务统计

需要时使用

下面逐个区域讲。

三、顶部状态栏：别让欠费打断你的工作流

顶部显示三个信息：版本、积分余额、有效期。

3.1 版本

测试账号显示"专业版"。

不同版本的核心差异：

版本

月费

核心差异

基础版

免费

免费GEO体检，单条线试跑

会员版

¥99

平台基础能力，适合个人

专业版

¥299

三条线并行，优先支持（最受欢迎）

旗舰版

¥499

高频交付与专属对接

行动阈值：如果你发现自己经常需要排队等待任务执行，或者三条线同时跑时被限制，说明该升级了。

3.2 积分余额

积分是Onworkly的执行燃料。

GEO扫描30积分/次，内容生产和电商生产也按任务消耗积分。

行动阈值：积分余额低于你日均消耗量的3倍时，立刻充值。

比如你每天平均消耗100积分，余额低于300就该充了——别等任务跑到一半欠费中断。

3.3 有效期

显示订阅到期时间。

测试账号显示"有效期至2028-08-12"。

行动阈值：到期前7天，系统会提醒。

建议设置自动续费，或者在到期前手动续费——过期后所有任务暂停，恢复需要时间。

四、核心指标看板：每天只需要看这6个数字

指挥舱中间是6个核心指标，这是你每天唯一需要认真看的地方。

指标

含义

正常范围

异常时怎么办

在岗数字员工

已添加并启用的智能专家数量

≥你业务需要的岗位数

太少→去"智能专家"添加；太多不活跃→停用不需要的

运行中任务

当前正在执行的任务数

1-10（根据版本）

0→说明你没派活，该用智能大脑下达目标了；过多→检查是否有任务卡住

待我处理

需要你审批或确认的任务

0-3

>5→立刻处理，审批卡住会阻塞整个流程

今日创作

今天AI产出的内容数量

根据你的目标设定

0但你期望有产出→检查任务是否正常运行

今日发布

今天人审后发布的内容数量

根据你的发布计划

创作多但发布少→你可能在审批环节积压了

今日获客

今天获取的线索数量

根据你的获客目标

持续为0→检查营销获客的渠道配置和内容质量

4.1 最容易被忽略的指标：待我处理

这6个指标里，"待我处理"是最关键的。

Onworkly的设计是"AI执行、人审批"。

AI把内容做出来后，会停在审批节点等你确认。

如果你不处理，任务就卡在那里——AI不会自己发布，也不会自己往下走。

很多人抱怨"AI做了半天没结果"，进去一看，3个任务都在"待我处理"里躺着，等了两天了。

规则：每天至少看两次"待我处理"——上午一次，下午一次。

超过3个待办就立刻处理，不要攒。

4.2 创作和发布的差值

另一个值得关注的是"今日创作"和"今日发布"的差值。

创作=发布：健康，AI产出后人审及时发布

创作>发布：审批环节积压了，你需要加快人审速度

创作<发布：不正常，可能是数据统计延迟，或者你在发布旧内容

五、三大业务系统入口：什么时候点哪个

核心指标下方是三个业务系统的入口卡片，每个卡片都有一句话描述和"进入"按钮。

5.1 GEO增长优化

描述：十二阶段作业流：词库→诊断→内容→分发→监测→交付。

看清AI如何描述品牌，修复事实错误，铺渠道拿引用，用复测证明增长。

什么时候点进去：

你想监测品牌在AI搜索（ChatGPT/豆包/文心一言等）中的可见性

GEO报告显示品牌提及率下降或出现事实错误

需要配置新的监测品牌或词库

要下载GEO周包或复测报告

5.2 智能营销获客

描述：策略简报→可发布内容→销售跟进草稿，按Sprint交付。

什么时候点进去：

需要配置或调整"日飞轮"（每日自动获客任务）

查看营销全景图和渠道分析

审批今日出稿内容

认领和跟进销售线索

查看预警中心的异常提醒

5.3 电商生产管理

描述：事实卡、文案、视觉清单与规则核对，下载后由客户自行上架。

什么时候点进去：

有新品需要上架，要新建批次或Excel导入

确认SKU的事实卡（产品参数、卖点、规格）

查看文案/主图/视频的生产进度

下载打包好的上架交付包

回填上架链接和查看抽检结果

查看月度生产报告

5.4 还有一个入口：本周作业

三个卡片旁边还有一个"本周作业"入口：把已有品牌/Sprint/批次绑到固定SOP，按证据看下一步。

这是给已经跑起来的用户用的——你有持续运行的GEO监测、每周的营销Sprint、定期的电商批次，在这里可以一眼看到本周每个作业的进度和下一步动作。

六、智能编队：4个预设编队的状态管理

指挥舱中部显示"我的智能编队"——已启用的平台预设业务编队。

编队

岗位组成

状态

适用场景

短视频成片全链路

C01需求解析→P05短视频策划→P06视频成片→C02合规终审

灰度试用

需要从需求到成片的完整短视频生产

办公助手编队

会议纪要→数据报表→PPT方案

可用

日常办公：开会、做报表、写方案

出海运营编队

市场策略→多语种翻译→商品文案→跨境合规审核

灰度试用

跨境电商和海外市场运营

竞品分析专家团

调研范围确认→竞品格局与对比→报告成稿→合规审核

可用

系统性竞品研究和行业分析

6.1 "灰度试用"和"可用"的区别

你会注意到两个编队标了"灰度试用"，两个标了"可用"。

可用：功能稳定，可以放心用于正式生产。

办公助手编队和竞品分析专家团属于这一类。

灰度试用：功能还在优化中，可以用但可能有小问题。

建议先用于非紧急任务，测试效果后再用于重要项目。

短视频成片全链路和出海运营编队属于这一类。

建议：重要项目用"可用"编队，探索性项目可以试"灰度试用"编队。

遇到问题及时反馈，帮助团队优化。

6.2 如何选择编队

不需要你手动选择编队——智能大脑会根据你的目标自动匹配。

但你需要知道：

如果你的目标涉及短视频，大概率会匹配"短视频成片全链路"

如果涉及出海/跨境，会匹配"出海运营编队"

如果是竞品研究，会匹配"竞品分析专家团"

如果是日常办公，会匹配"办公助手编队"

在指挥舱看到编队状态，可以提前知道哪些能力是稳定可用的。

七、待我处理：你的审批工作台

"待我处理"区域列出需要你关注的任务。

这是整个指挥舱中行动密度最高的区域。

7.1 什么样的任务会出现在这里

策略简报需要你确认方向

内容初稿需要你审核

事实卡需要你补全或确认

任务执行失败需要你决策（重试/跳过/取消）

积分不足需要你充值

7.2 处理优先级

当待办较多时，按这个顺序处理：

失败/超时任务：先处理，因为它可能阻塞了后续任务

策略方向确认：方向不确认，后面的内容生产都无法开始

内容终审：确认后才能发布，影响交付时间

事实卡确认：电商生产的前置条件

其他：积分充值、配置调整等

7.3 处理原则

审批时记住三句话：

看方向不看措辞：策略对不对、事实有没有错，比句子通不通顺重要

能过就过：小问题让AI改，不要自己重写

不过就说清楚为什么：驳回时写清楚修改方向，AI会按你的要求调整

八、最近项目：智能总控项目的状态管理

"最近项目"区域显示你通过智能大脑创建的项目，每个项目有一个状态标签。

状态

含义

你需要做什么

planning

AI正在拆解目标、生成候选任务

等AI拆解完，确认任务清单

executing

任务正在执行中

关注"待我处理"，在审批节点介入

delivering

任务基本完成，正在整理交付物

准备验收，检查交付物是否齐全

8.1 项目卡住了怎么办

如果一个项目长时间停留在某个状态：

停在planning超过10分钟：可能目标太复杂，AI拆解困难。

试着把目标拆小一点。

停在executing超过预期：去"任务中心"看具体哪个任务卡住了，可能是在等你审批。

停在delivering：去"业务资产"查看交付物，确认后项目会自动完成。

九、智能决策引擎：30秒启动一个任务

指挥舱底部有一个"智能决策引擎"区域，这是一个快速启动任务的入口。

9.1 怎么用

填写经营目标（最多300字）

选择平台（抖音/小红书/淘宝等）

选择行业

设置周期（7天/30天等）

补充上下文（可选）

点击"生成候选任务"

AI会生成一份候选任务清单，你确认后才开始执行。

规划阶段不执行、不扣费——你可以反复调整，直到满意。

9.2 和智能大脑的区别

智能大脑和智能决策引擎都能启动任务，区别是：

智能大脑：更自由，你可以用自然语言描述任何目标，AI会深度拆解和调度编队。

适合复杂的、多步骤的项目。

智能决策引擎：更结构化，有固定的输入字段（平台/行业/周期），AI快速生成候选任务。

适合标准化的、重复性的获客任务。

简单说：复杂项目用智能大脑，日常获客用决策引擎。

十、数字员工在岗：6个专家的能力概览

指挥舱底部显示"数字员工在岗"——已添加的岗位专家。

测试账号有6个：

专家

能力

边界（不做什么）

电商商品运营师

商品标题、卖点、详情描述、关键词、活动文案

不负责真实上架

电商视觉设计师

主图、详情页、卖点图、规格图、场景图的结构方案与设计提示词

不直接出图，出结构和提示词

短视频内容策划师

脚本、分镜、口播稿、提示词（实拍/AI生成/混合）

不负责成片

PPT方案策划师

PPT大纲、页面文案、讲稿备注，可导出.pptx初稿

不承诺设计级成品排版

短视频剪辑方案

剪辑节奏、镜头取舍、BGM、字幕、转场、成片结构

不自动剪辑成片（受限）

经营实体建档师

对具名经营实体建事实档案

不写一周获客方案

注意"边界"这一列。

每个专家都明确写了"不做什么"。

这很重要——它帮你管理预期，避免以为AI能做一切，结果发现做不了。

比如电商商品运营师"不负责真实上架"——它生成文案和清单，你需要自己去淘宝/拼多多后台上架，或者用电商生产管理的"上架回填"功能记录链接。

十一、任务统计：失败率比成功率更重要

最底部是任务统计：进行中、已完成、失败/超时。

测试账号的数据：进行中3、已完成56、失败/超时61。

11.1 怎么看这些数字

很多人只看"已完成"，觉得数字越大越好。

但真正值得关注的是失败/超时率。

失败率 = 失败/超时 ÷（已完成+失败/超时）

测试账号的失败率：61 ÷ (56+61) = 52%。

这个数字偏高，说明有大量任务失败或超时。

11.2 失败率高的常见原因

目标太模糊：AI无法拆解，任务超时

审批不及时：任务卡在审批节点，超时被系统标记

积分不足：任务执行到一半欠费，失败

输入信息不全：比如电商生产缺少产品参数，事实卡无法确认

灰度功能不稳定：使用"灰度试用"编队时可能遇到问题

11.3 怎么降低失败率

目标写清楚（参考A1的目标写法公式）

每天处理"待我处理"，不要让审批积压

保持积分充足，设置低余额提醒

电商生产先补全事实卡再启动生产

重要项目用"可用"编队，灰度编队用于测试

健康的失败率应该在10%以下。

如果超过20%，说明你的使用方式有问题，需要调整。

十二、日常使用SOP：每天5分钟，每周15分钟

最后，给你一个可以直接套用的日常使用流程。

12.1 每天（5分钟）

打开指挥舱，看6个核心指标（30秒）

重点看"待我处理"，有就立刻处理（3分钟）

看"今日创作"和"今日发布"是否符合预期（1分钟）

有新目标就用智能大脑或决策引擎启动（30秒）

12.2 每周（15分钟）

看顶部状态栏：积分够不够、要不要续费（2分钟）

看"最近项目"：哪些项目在推进、哪些卡住了（3分钟）

看任务统计：失败率有没有升高（2分钟）

看"本周作业"：GEO/营销/电商的周度进度（5分钟）

规划下周目标，用智能大脑启动（3分钟）

12.3 每月（30分钟）

导出GEO月度报告，看品牌可见性变化

看营销获客的渠道分析，哪个渠道线索质量高

看电商生产的月报，上架率和合格率

评估ROI：订阅费+积分 vs 节省的人力成本

调整下月策略：加预算、换编队、优化目标写法

十三、总结：指挥舱是你的"驾驶舱"，不是"展示墙"

用三句话总结指挥舱的正确用法：

找异常，不看数据。

每个数字都有正常范围，超出范围才需要行动。

抓审批，不抓执行。

AI负责执行，你负责在关键节点审批——"待我处理"是你最重要的工作台。

管失败率，不管成功率。

失败率高说明使用方式有问题，降低失败率比追求高完成数更有价值。

指挥舱的设计理念是"全局态势一屏掌握"——但它真正的价值不是让你看到更多数据，而是让你在正确的时间做正确的事。

每天5分钟，把异常处理掉，剩下的交给AI。

下一篇，我们会深入GEO增长优化系统：十二阶段作业流的完整实操手册。

本文基于Onworkly系统真实功能撰写，所有界面描述和数据均来自后台实际体验。

数据截止2026年10月。

延伸阅读

模板使用指南：用「我的模板」和「常用需求」固化你的写法

智能大脑完全指南：从一句话目标到任务交付

结构化数据标记指南：帮助 AI 正确识别你的品牌与内容

商品事实卡：AI 导购推荐你的前提，以及它和详情页的分工

三条交付线的额度与价格在定价页，基础版免费，可以先跑一次看结果。