导读 在 AI 与大模型技术狂飙突进的 2025 年，许多公司投入巨资引入大模型，却困于“业务提需求、研发排工期、结果不对味”的死循环。本次分享题目为《Zilliz 的营销自动化：Dify 实践与挑战》，由深耕 AI 工程化多年的 Milvus 资深工程师陈彪老师主讲。他以亲身经历拆解了一个 B2B SaaS 初创公司的真实困境，并展示了如何通过低代码平台 Dify，将大模型、私有数据与业务逻辑深度融合，打造出一条秒级响应的智能销售流水线。

今天的介绍会围绕下面五点展开：

1. 一个真实的故事

2. 数据是 AI 的基础

3. Context 才是 Prompt 的灵魂

4. AI 让业务人员变成“超级个体”

5. 结语：从自动化到智能化，人机协作的新范式

分享嘉宾｜陈彪 Zilliz Milvus资深研发工程师

编辑整理｜李宇飞

内容校对｜郭慧敏

出品社区｜DataFun

01

一个真实的故事

1. 为什么 80% 的销售线索无人跟进？

想象这样一个早上：9 点整，销售团队刚打开电脑，系统已推送 1000+ 条新增线索。这些线索来自官网注册、线下 Meetup、产品试用、社交媒体互动等渠道。每一条背后，都可能是一个正在评估解决方案的潜在客户。而这一条条线索，销售团队都需要经过如下的流程处理：

30 秒：查注册系统，确认是否为新用户；

30 秒：判断邮箱类型，企业邮箱优先，个人邮箱往往被忽略；

1 分钟：登录 HubSpot，查看用户行为轨迹，列如是否下载白皮书？是否创建向量数据库？是否配置监控告警？

1 分钟：调用 Clearbit，获取公司规模、融资轮次、行业分类；

2 分钟：Google 搜索最新动态，列如是否有融资新闻？是否发布新产品？技术博客是否活跃？

30 秒：综合判断，手工进行分级打标（Tier1–4）；

3 分钟：撰写个性化邮件，与客户建立首次连接。

按照这个流程，处理一条线索总计需要 8 分钟。按 1000 条计算，每天需 133 小时的工作量，相当于需要 16 名销售全天不间断处理才能完成。

在实际工作中，团队仅能处理 20% 高价值线索，80% 的线索无人跟进，白白流失。更令人痛心的是，30% 的高价值客户被误判。例如，某 AI 独角兽公司的 CTO 曾以 li**@qq.com 注册试用产品，但因无法关联到公司信息，线索被归为“低优先级”。等到该公司爆火成为行业焦点时，Zilliz 才通过回溯行为日志发现，这位用户曾在平台上反复测试各种场景，停留时间极长。一个本可提前半年锁定的战略客户，就这样悄然流失。

销售没有真正在专注“卖产品”，而是疲于奔命的“搬信息”。这一困境的本质，不是销售不努力，而是人工处理已达物理极限。数据分散在 5 个系统，60% 线索使用的是个人邮箱，难以判断是真实客户还是测试用户。销售的时间，被消耗在“拼图”而非“决策”上。

2. Dify：从人工 8 分钟到 AI 秒级处理

Zilliz 通过构建了整个自动化销售流水线，让销售真正回归“销售”。通过这条流水线，Zilliz 实现了从“人找数据”到“数据找人”的根本转变，让销售团队能够专注于高价值客户沟通，而非繁琐的信息查找。

通过 Dify 构建端到端自动化销售流水线，实现从 HubSpot 线索到销售行动提议的秒级响应。其中 Dify 处理中心进行多源数据整合与智能分析打标（Prompt 驱动），实现客户自动分层（Tier1-4）和个性化邮件生成。同时通过飞书集成实现移动端 3 秒获取完整客户档案，彻底解放销售查询效率。
销售无需打开电脑、无需跨系统操作，一个对话框解决所有信息查询需求。

3. Dify 工作流如何组织

整个工作流构建了从触发到执行再到输出的完整链路，实现销售线索的自动化处理和智能分发，包括以下四大关键环节：

（1）触发方式多样化

工作流可以从多个入口触发，确保在不同场景下都能无缝衔接：

• Webhook 实时触发：用户注册、表单提交等事件即时响应。
• 飞书 Agent 对话触发：外勤销售可以通过飞书机器人输入简单指令，3 秒内获取完整的客户档案信息。
• 定时批量任务：每天凌晨系统自动清洗前一天的数据，生成每日客户变动清单，并优先推送高价值线索给销售团队。
• API 集成调用：其他系统（如营销自动化平台）可以通过 API 调用 Dify 的能力，实现跨系统的无缝集成。

（2）多源数据并行收集与整合

Dify 平台的核心优势在于其强劲的数据整合能力。当一条线索进入系统后，Dify 会并行调用多个数据源，包括：

• HubSpot：获取客户的注册信息、历史行为轨迹；
• Clearbit：查询公司规模、融资轮次、行业分类等信息；
• exa.ai：搜索最新的新闻动态和技术博客，了解客户的技术栈和产品使用情况；
• Google：验证邮箱真实性，挖掘潜在的公开信息；
• 内部 CRM 系统：获取客户的历史交易记录和内部评价。

（3）智能分析与分级

在数据整合完成后，Dify 会将结构化的上下文注入预设的 Prompt 模板，交由大模型进行智能分析。具体步骤如下：

• 判断公司规模：根据员工人数、融资轮次等信息，自动识别公司规模；
• 识别财务状况：区分企业处于哪个融资阶段（如 B 轮以上、种子轮、无融资）；
• 分析需求明确度：基于客户的行为轨迹和互动记录，判断客户需求是否明确；
• 自动分级（Tier1–4）：根据上述分析结果，将客户分为不同的优先级，并生成个性化的邮件内容或行动提议。

（4）输出与分发

最终，Dify 的分析结果以 JSON 格式输出，并根据客户价值自动分流，生成个性化邮件，同步至销售工作台，同时附带详细的行动提议。

02

数据是 AI 的基础

1. 打通数据孤岛，释放 AI 潜力

“大模型很机智，但如果你不告知它‘思考什么’，它再机智也没用。”陈彪指出。LLM（大语言模型）的确 具备语言理解、逻辑推理、知识关联等通用能力，但这些能力必须嫁接在企业私有数据之上，才能产生业务价值。否则，模型只能依赖公开知识库，输出泛泛而谈甚至“幻觉”内容。

为此，Zilliz 基于 Dify 平台构建了一个”数据中枢系统”，将原本割裂的数据孤岛整合为统一上下文，支持：

• 内部系统：CRM、ERP 数据库（记录用户产品使用行为）
• 商业数据库：Clearbit、企查查（提供公司画像）
• AI 搜索引擎：exa.ai、DuckDuckGo（实时抓取新闻、博客、技术动态）

通过 Dify 的编排能力，这些数据源被并行调用、清洗去重、标准化整合，最终生成一份完整的客户画像。整个过程从 8 分钟压缩至 0.6 秒，且支持零代码接入新数据源。

2. 高价值数据的获取困境与突破

“面对高价值数据时间上要做到”快”（实时追踪），空间上要做到”巧”（曲线获取）。这才是突破高价值数据获取困境的关键。“ 陈彪老师说道。

• 时间维度：传统数据库更新周期长达季度甚至年度，但 AI 时代公司从 0 到独角兽可能只需 6 个月。Zilliz 通过监控 GitHub 的 Star 短期激增、ProductHunt 每日榜单等实时信号，提前捕捉高潜力客户。例如，某开源项目 Star 数一周内增长 300%，即触发销售跟进，这往往是新产品被市场接受的早期信号。
• 空间维度：面对 LinkedIn 禁止爬取、内部系统权限隔离等限制，Zilliz 采用“曲线获取”策略：通过 GitHub 提交记录、第三方商业 API（如 Clearbit）、用户产品行为（如创建 SDK 实例）等多源交叉验证，推断用户真实身份与决策权。

03

Context 才是 Prompt 的灵魂

在早期实践中，团队也曾陷入这样的“指令式 Prompt”陷阱：

步骤 1：检查公司人数字段

步骤 2：如果>500，标记为‘大公司’

步骤 3：查询融资轮次

步骤 4：如果≥B 轮，标记为‘有钱’

……

这种设计看似清晰，实则脆弱。一旦某字段缺失（如新公司无融资记录），或数据冲突（如 Clearbit 显示 50 人，GitHub 显示 200 人提交），AI 便无法决策。

真正的突破来自一次认知升级：不要告知 AI“怎么做”，而是让它理解“为什么这么做”。于是，Prompt 被重构为包含角色、背景、目标与数据特性的上下文。这种设计让 AI 从“执行者”转变为“思考者”。它会主动权衡数据可信度、填补信息缺口、甚至发现未预设的模式。

“给 AI 角色、背景、目标，而不是步骤清单”，陈彪强调，“让 AI 像专家一样思考，而不是像机器一样执行。”

04

AI 让业务人员变成“超级个体”

Zilliz 的愿景是打破“业务提需求、研发做实现”的传统链条，让最懂业务的人直接实现业务逻辑，这是效率的本质提升。

1. 信息闭环：从上下文损失到上下文聚集

在传统模式的企业协作中，一个看似简单的需求往往需要经历多个环节的传递——销售提出需求 → PM 转述 → 研发理解 → 测试验证 → 产品上线。不过，每一次交接都伴随着信息的衰减和失真。我们称之为传统模式的上下文损失链。

AI 工具的出现，打破了这一僵局。通过将业务人员的完整上下文直接输入 AI 系统，实现“需求直达实现”，形成真正的信息闭环，实现 AI 时代的上下文聚集。这种模式实现了：

• 信息零损耗：销售的原始意图完整保留
• 理解一致性：AI 精准还原业务逻辑
• 实时调整：业务人员可随时修改规则，即时生效
• 自主决策：一人搞定全流程，不再依赖跨部门协作

2. 平台赋能——从写代码到写 Prompt

Zilliz 通过搭建 Dify 低代码平台，实现了三大核心能力的抽象与封装

• 搭建低代码平台：将编程抽象为拖拽式节点连接，函数调用变为可视化配置，代码调试变为可视化测试；
• 构建全面的数据接口矩阵：包括内部数据如 CRM、订单、客服系统打通，外部数据如企查查、天眼查等 API 接入，Milvus 向量检索解决模糊查询问题，提业务方解决“数据从哪来”的问题；
• 能力迁移路径：通过平台赋能和能力迁移，业务人员不再只是“提需求者”，而是“需求实现者”，业务人员可以用自然语言描述逻辑，平台自动转换为可执行工作流，整体效率大幅提升

让编程变成写 Prompt，研发搭台，业务唱戏。做到信息零损失，需求直达实现，这才是 AI 时代效率的本质提升。

05

结语：从自动化到智能化，人机协作的新范式

Zilliz 的实践揭示了 AI 落地的关键，不在于模型有多强，而在于上下文有多深。只有将企业私有数据、业务规则与大模型能力有机融合，才能释放真正的智能。

通过 Dify 构建的营销自动化流水线，Zilliz 不仅将销售线索处理效率提升百倍，更重塑了组织协作模式——业务人员从“信息搬运工”蜕变为“超级个体”，研发团队从“需求执行者”转型为“平台构建者”。

未来，随着向量数据库、多智能体、低代码平台的持续演进，AI 赋能业务的边界将进一步扩展。而这一切的起点，正是对“上下文”的系统化构建与对“人机协作”的重新定义。正如陈彪老师所言：“当每个人都有一个智能 Agent，工作将变成一种享受。”

以上就是本次分享的内容，谢谢大家。