大模型落地 B 端营销：京东物流如何用 Agentic Workflow 破解"机械感"难题，实现降本 50%

作者｜ 王春阳

编辑｜李忠良

策划｜AICon 全球人工智能开发与应用大会

导语：
在数字经济与物流产业深度融合的背景下，B 端营销正面临着决策链路长、获客成本高、转化逻辑复杂等深层次挑战。传统的营销模式受限于人力规模与标准化程度，往往难以在激烈的市场竞争中兼顾“效率”与“精准”。

InfoQ 荣幸邀请到了王春阳在 AICon 全球人工智能开发与应用大会上分享《从触达到转化，京东物流 B 端营销的数据闭环与 AI 驱动增长实践》，他深入解析了京东物流如何通过 AI 技术重构 B 端营销全链路。

从破解“获客难、转化差”的两大核心痛点出发，分享将揭示京东物流从“人机协同”到“大模型平替”，再到“全流程大模型培育方案”的进化历程。通过构建 Agentic Workflow，系统实现了从僵化指令向动态决策的跨越；而底层自动化数据飞轮与维智能评估体系的建设，则为模型的持续迭代与业务的稳健运行提供了坚实支撑。

以下是演讲实录（经 InfoQ 进行不改变原意的编辑整理）

1 获客难、转化差？B 端物流营销的两大"致命伤"

首先，获客难的根源在于销售获客渠道过于单一。目前销售主要依赖线下自主挖掘及老客户转介绍等传统方式，虽然此类客户质量较高，但受限于个人社交圈，获客数量极其有限。

而来自市场部引流的线上“冷线索”虽然在数量上有所补充，但由于其真实性难以保障。这种获客方式的局限性使得销售人员面临巨大的业绩压力，即便京东物流有 60% 的销售每天花费 3 小时以上的时间用于拓展新客，依然难以支撑其完成新客 KPI 指标。

其次，转化差则是另一核心问题。除销售个人能力差异外，B 端客户的特殊性是导致转化困难的主因。由于 B 端业务具有较高的认知门槛，客户往往会针对多家供应商的解决方案进行比价，考量价格竞争力与服务质量，这导致了 B 端客户的决策链路漫长。在漫长的决策周期中，任何跟进不及时的情况都会直接造成客户流失。数据显示，京东物流销售每天处理的线索整体转化率不足 1%。

获客难与转化差的双重困境，是当前 B 端营销发展的核心制约因素。

深入剖析上述两个问题的本质可以发现，其核心矛盾在于销售团队不仅极度匮乏高质量的精准客户资源，且即便在获取优质客户后，仍需投入巨大的沟通成本与长期关系维系精力。

由此我们面临着两大核心挑战：首先，如何通过前置线索挖掘与 AI 筛查机制，规模化地为销售团队持续输出高质量线索，从而提升销售效率；其次，如何利用 AI 技术实现对客户的深度培育，以此破解 B 端业务签约周期长的痛点。

2 从"人机协同"到"大模型平替"：AI 营销的三次进化

针对上述挑战，我们进行了多轮方案迭代。

首先是“营销解耦”。通过拆解 B 端营销全链路，明确 AI 团队的切入点，即规模化、持续性地为销售提供高质量线索。

为此，我们构建了拥有 3 亿至 4 亿量级的上游潜客池，作为数据支撑。利用常规召回与排序算法，并面向转化签约进行建模，从海量数据中筛选出意向潜客并进入“线索工厂”。

为了进一步优化线索质量，我们在“线索工厂”与销售环节之间引入了人机协同机制。通过设置 SDR（线索培育人员）角色，对初筛线索进行质量把控，确保输送给销售的均是有明确意向的客户。

为破解意向客户转化率不稳的难题，进一步增设了 Pod（线索运营人员）环节。Pod 负责对已确认意向的客户进行持续跟进，直至其达到准签约状态后，再交由销售跟进。

通过这一链路，签约量与转化率均实现了成倍增长。该方案的本质是利用智能化工具辅助人工，通过数据挖掘与智能匹配技术，提升了线索培育人员的工作效能与线索流转效率，最终实现销售转化的提升。

方案演进的第二部分核心在于逐步采用大模型平替。

此前人机协同模式中的 SDR 与 Pod 角色，毕竟有人力成本在，所以规模化扩张受限。为此，我们逐步推行了大模型平替方案：在 SDR 环节，通过 AI 外呼及营销机器人分别替代传统的电话外呼与线上入口（如企业微信、小程序、在线客服）的接待工作；在 Pod 环节，则通过构建智能销售助手及优化客户自助签约链路，确保签约链路顺畅执行。

这一方案的应用成效显著，不仅实现了 50% 的运营降本，更由于摆脱了人力规模的限制，促使签约量实现了翻倍增长。为了支撑大模型在营销场景的深度落地，我们同步构建了包括自动化样本构建、指令遵循、查询意图识别及多模态处理在内的核心技术能力，从而支撑整个大模型的平替。

在经历了从部分替代到深度融合的演进后，我们最终形成了全流程的大模型培育实践方案。

该流程链路主要由三大板块构成：

首先是 CDP 潜客池，它整合了算法自动挖掘与各省区及业务部门的实际需求，通过调度中心的智能调度与全局优化，确保输出高质量线索；

其次是内部客户培育体系，该环节完全依托 AI 技术，重点通过 AI 外呼与企业微信两大渠道进行自动化触达；

最后是通过销售助手实现的反馈闭环，销售人员对线索质量与数量的需求会实时回传至潜客画像端，从而指导新一轮的客户圈选，使整个营销链路实现闭环滚动。

在上述体系中，核心环节在于企业微信与 AI 外呼的智能化建设。企业微信的优势在于能以极低的成本与客户进行深度、长频的沟通，有利于维持长期关系，但其瓶颈在于覆盖率受限，即客户添加好友的门槛较高。相比之下，AI 外呼具备极强的规模化触达能力，理论上只要资源充足，每日可实现百万级的营销触达，但其缺点在于语音交互的深度有限且难以维持长期维护。

针对这两类工具的特性，我们构建了“AI 外呼 + 企业微信”的协同矩阵。该矩阵采用“广筛加深耕”的策略：利用 AI 外呼进行前置的大规模筛查，精准识别出高质量潜客并引导其添加企业微信；随后，由企业微信承接后续的深度培育与长期价值转化。这种协同模式不仅显著提升了全链路的客户培育效能，也实现了 B 端营销的业务的可持续增长。

3 Agentic Workflow+ 上下文工程

底层技术的稳固建设支撑了上述应用的落地。

在应用层，我们部署了覆盖 AI 外呼、微信助手及智能客服的工具群；在基础能力层，则依托多元知识库，利用 RAG（检索增强生成）技术实现了对客户知识、销售知识及通用知识的精准检索。

为了提升智能体的交互质量，我们构建了包含信息抽取、意图识别、个性化回复及语音转换（ASR/TTS）在内的智能体能力集群。

在模型开发层面，通过数据飞轮 SFT（监督微调）与 DPO（偏好对齐）等模型优化工作。同时，针对线上长期运行的营销环境，我们建立了涵盖自动化评测、自动化运营及模型幻觉检测、回复质量评估等核心功能，辅以对话摘要和智能编排等相关能力。

智能营销的核心目标在于通过 AI 实现客户培育与最终转化。

为此，我们借鉴了销售与业务人员在客户培育方面的成功经验，并对其进行了任务解耦。

具体而言，培育流程被细化为开场引导、信息收集与核实、疑难解答以及基于追问的签约引导等环节。这一任务架构对 AI 能力提出了明确要求。

首先，必须具备精准的多轮意图识别能力，以确保能够根据用户的每一轮反馈准确引导对话走向；其次，需实现高效的信息抽取，以便将客户提供的关键数据精准录入系统或下发给销售人员；最后，AI 应能提供高质量的回复，在解答用户疑问的同时，保持营销节奏的连续性。

在明确能力要求的基础上，如何定义复杂的营销流程成为提升转化率的关键。沟通节点的衔接与后续动作的决策直接影响客户体验，若流程配置不合理，极易因“机械感”过强导致客户流失。

为此，我们构建了基于 Workflow 与 Agentic Workflow 的标准化解决方案。

在项目初期，我们主要依托预设的工作流方案实现了营销机器人的快速落地，并在较长一段时间内以此作为核心解决方案。

初期流程图的节点跳转逻辑尚属可控，系统根据识别到的用户意图进行相应流转。然而，随着业务对“精准化培育”要求的不断提升，传统工作流的局限性日益凸显。其弊端在于执行逻辑的刻板性：系统必须严格遵循预设路径，难以处理跳跃式的对话需求。当客户提供预期之外的信息或展现动态变化的潜在需求时，工作流模式往往无法有效理解复杂的上下文语境，导致客户体验极差。

实践证明，传统的 Workflow 模式仅适用于配合度极高、合作意向极其明确的 B 端客户，即只需按部就班核对信息即可达成合作的场景。但在需要灵活互动、需求多变的 B 端营销实战中，这种僵化机制无法应对客户的动态反馈，可能会引发删除好友或挂断电话等行为，最终导致客户流失。

以上图具体案例为例：在对话初始阶段，机器人首先进行身份表述并询问客户需求。当客户明确表达寄送樱桃的需求后，由于系统预设的工作流专注于核心要素信息的采集，机器人仅简短确认樱桃可寄送，便立即切换回既定的信息追问环节。

此时，客户进一步询问关于樱桃寄送的具体服务，但受限于僵化的工作流配置，机器人未能针对性地解答其关切，而是机械地继续执行信息核对任务。

这种处理方式使得机器人无法基于客户提及的特定品类，导致对话节奏失调。这种高度机械化的交互体验极易引发客户反感，降低其提供后续信息的意愿，最终导致 AI 客户培育的线索转化率受限。

为有效解决以上问题，我们推出了 Agentic Workflow 解决方案。该方案的核心点在于以自主决策机制取代了传统的固定工作流模式，将大模型作为整体决策中枢，实现对用户意图的实时解析与后续动作的动态生成。

这一架构赋予了系统在流程节点上自由跳过、插入及回溯的灵活性，使人机交互过程更具人性化与灵活性，并成功将客户从进线到最终转化的转化率提升了约 20%。

本质上，该方案坚持以客户需求为中心，通过场景识别、互动平衡与专业赋能的三维协同革新了传统的信息采集模式，使沟通过程更具温度，在确保转化效果的同时，实现了营销全链路的优化。

在场景触发维度上，通过自动提取用户表达中的核心关键词，精准匹配业务场景库，从而识别出当前及同类客户的最优历史转化链路。基于此路径，系统可实现个性化的互动触发与针对性的细节追问。

在获取上述信息后，后续关键在于精准把握主题回归的时机。在任务动态平衡层面，为了兼顾客户深度培育与留资转化这一核心目标，我们采取了“先话题培育、后要素采集”的递进策略，有效规避了规范式审问体验。

此外，在专业赋能层面，通过深度嵌入垂直领域知识，来实现 AI 营销助手的角色从原始信息采集员升级为行业顾问的形式。

在实现 Agentic Workflow 的过程中，我们将场景触发与任务动态平衡整合，核心是通过构建“主题生成模型”控制对话主题的自动化流转。

首先，针对 B 端营销场景进行意图建模，通过界定业务边界约束大模型的回复范围，确保交互的聚焦性。随后，通过分析 SDR 与销售的外呼数据进行主题映射及关系推断，并利用这部分数据做出相似场景下主题生成模型。

该方案的核心初衷在于复现一线销售与客户培育人员的历史最优链路，并将其能力赋能至现有业务场景。

针对历史数据中可能存在的偏差，我们通过在垂直领域构建仿真交互环境，采用模拟用户与机器人多轮对话的形式，并跳转生成新场景主题数据，再利用强化学习技术进行新场景主题下的生成，从而保障了数据的无偏性，且实现了该主题生成模型在该场景下的适用性。

在专业赋能的实现路径上，我们采用了“上下文工程”。其本质是构建一套动态信息支撑系统，使大模型在每次交互前均能自动聚合当前任务所需的全部资源，包括垂直领域知识库与工具调用能力，从而在精准解决用户问题的同时，确保营销目标的达成。

该工程包含了用户的长短期记忆、业务数据（如订单状态、促销信息及客户系统画像）以及全量知识库（涵盖产品手册、FAQ、政策文档及权益折扣）等。在工具调用层面，系统集成了物流追踪、优惠券发放、工单创建、线索下发及销售匹配等执行功能。

以订单查询场景为例，传统的提示词工程往往止步于被动索要单号，而上下文工程则能主动识别用户身份，并实时检索业务系统，直接完成信息组装并给出最终反馈。这种模式实现了营销助手从“会说话”向“会办事”的关键跨越。通过让大模型在准确回答的基础上实现精准操作，成功将服务模式从“千人一面”的广播升级为“千人千面”的私人管家的形式。

在营销场景中推行上下文工程，核心目标可归纳为以下四个维度：首先是提升转化率，基于用户历史行为与偏好，确保推荐内容精准契合用户需求；其次是增强客户忠诚度，通过记录用户的长期偏好信息并定期推送专属权益，从而提升客户体验；再次是降低运营成本，依托自动化工具释放繁重的人力；最后是保障营销合规，通过实时检索最新政策文档，有效规避相关风险。

传统的上下文工程虽能使 AI 助手成为优秀的“个人档案管理员”和“业务研究人员”，能够精准识别用户身份并解析业务逻辑，从而输出“正确”的解答。

然而，在营销场景下，“正确”并不等同于“有效”。若 AI 仅提供标准化的事实回复而缺乏后续引导，用户在获取信息后往往难以产生转化动机。

为此，我们引入了“用户行为结果知识图谱”，实现了大模型决策逻辑的跨越：从理解单个用户的静态的画像信息，进化为对相似人群动态转化链路的深度洞察，赋予了大模型“群体智能”形式。

传统上下文工程通常仅限于传递当前用户的相关信息，相比之下，基于图谱的方案在整合当前用户数据的同时，能够实时检索并聚合相似客群的历史状态信息。这一机制使大模型能够“站在前人的肩膀上”，快速锁定最佳参照组。依托于该参照组的成功经验，系统可以精准生成推荐话术并动态设计转化流程。

在图谱上下文工程的构建方法上，我们将用户旅程抽象为由用户、行为、产品及结果作为节点的结构化图谱，并通过“边”来揭示用户旅程的动因及相关路径。在线上应用层面，系统能够实时检索与当前用户画像高度相似的客群，并将这些“群体记忆”注入提示词中。

以冷链物流场景为例，传统方案仅能识别“从青岛发货需冷链”等基础事实，而图谱增强方案则能进一步洞察到同类客群中 78% 的用户高度关注时效性，且 50% 的用户发货量在 300 单以上。基于对客户痛点的精准洞察，开展更具针对性的营销干预，在有效提升客户留存的同时，转化率也得到进一步的提升。

基于前述的 Agentic Workflow 与上下文工程，营销 Agent 整体技术架构已初步成型。

系统首先对用户输入的语音、文本及图片等多模态信息进行解析，并由调度中枢完成意图识别与关键信息抽取。依托前述的 Workflow 以及 Agentic Workflow 跳转机制，系统能够精准确定下一轮对话主题，并通过 Planner 协同多尺度大、小模型进行多步搜索与推理。

在此过程中，结合 RAG 与 MCP 工具的上下文工程实现了行业知识与相似客群信息的实时召回，从而生成精准的回复内容。此外，系统内置了反思与评估机制，针对幻觉、合规、风控及质量等维度出具评估报告。任何未达标的回复都将被拦截并强制触发重修链路，最终保障了高质量的生成回复 。

上述链路主要展示了营销 Agent 在被动响应模式下的交互过程。

但在真实的营销场景中，仅具备被动问答能力往往难以触达最终转化目标。鉴于 B 端客户的决策通常具有长周期的特点，即时成交并不常见。

为此，我们构建了智慧管理中心，实现了从全局维度对客户价值及状态的实时追踪与管理。该中心能够根据监控到的客户动态执行差异化的营销策略，将交互模式从被动变为主动。

例如，当系统识别到用户因忙碌而中断对话时，管理中心会自动计算最优的二次触达时间，并将其排入任务队列，实现再次沟通。

在垂直业务场景中，模型幻觉治理是营销 Agent 核心能力建设的关键环节。

任何细微的信息偏差都可能引发严重的客诉，风险点涵盖了过度承诺、非职责承诺、知识性错误以及数值推理性错误。以报价单为例，关键数值的任何细微差错都将直接触发严重的客诉。

究其本质，模型幻觉主要源于三个层面：利用知识库动态增强机制实时填补信息空白，通过 RAG 深度注入垂域知识以消除知识性幻觉；同时，依托规则引擎建立硬约束防线，对虚假承诺或合规敏感词进行实时识别与自动纠偏。

在此基础上，系统引入了奖励模型进行在线判别，只有评分跨越预设阈值的回复才准予输出，否则将强制触发重新检索与推理链路，从而在工程层面实现了对回复质量的严苛把控。

针对大语言模型的幻觉问题，我们有三个常规解决方法。

首先，针对线上尚未覆盖的知识盲区，通过动态补充知识库进行信息补位；其次，针对常规易于识别的错误，引入基于规则的过滤机制，实现对虚假承诺等词汇替换。此外，系统还配置了线上实时评估模型，要求最终生成的回复必须通过奖励模型的严格打分验证；否则，系统将立即触发检索链路的重启与二次推理。

此外，我们增加了线上实时幻觉检测与回复改写链路。系统基于历史幻觉样本分类构建了专门的分类器，并在质检模块中实时调用幻觉检测 Agent 生成幻觉检测报告。该报告能精确锁定幻觉发生的具体词句及其错误类型，随后由幻觉改写 Agent 根据诊断结果进行改写。通过这三步大致链路，在实际的垂直业务场景中，已成功将模型幻觉率降低了约 80%。

尽管前述方案提供了有效的外部干预，但并未从根源上彻底解决幻觉问题。为此，我们实施了面向垂直领域的模型微调任务，重点针对多轮对话场景进行幻觉样本清洗。由于模型在训练过程中不仅会拟合最终标签，还会拟合整段对话的过程，而多轮交互的任一节点均存在潜在的幻觉风险。

针对这一特性，我们对多轮对话下每一轮幻觉均执行“检测、改写及复测”的循环校验，确保产出样本的每一处细节均无幻觉，并配合专属奖励函数，最终将多轮对话场景下的幻觉率控制在1.64%左右。

针对通用模型在强指令约束下仍存在的意图理解错误与回复偏差的情况，模型微调已成为提升业务适配度的必然选择。然而，垂直领域应用面临着样本规模有限、数据质量参差以及人工标注成本高且多样性不足等严峻挑战，为此，我们构建了自动化数据飞轮解决方案。

第一阶段，自动化数据飞轮聚焦于解决新场景或新业务下的数据冷启动问题。该阶段核心是通过构建“自动化样本生成器”，以模拟用户行为的方式还原线上真实的业务流程；同时，利用触发器机制精准调控样本生成的方向。

整体架构如图所示：首先，样本生成器的服务架构与线上服务架构保持高度一致，以确保意图对齐与流程跳转逻辑的完全同步。其次，为解决多轮对话中微小偏差易导致路径漂移问题，我们引入了触发器机制，通过前置设定每轮对话的意图与回复主题，对生成方向进行精确引导。这种模式下，系统仅需根据预设主题进行上下文检索即可产出回复，从而保障了生成样本在分布均匀、质量高及多样性上的相对可控，实现了高质量业务数据在任意任务规模下的按需供给。

在持续运营阶段，对于常规线上 Badcase 及新数据拟合，数据飞轮机制构建了一套涵盖样本生成、样本评估、模型训练、模型评估及线上自动化运营的全链路自动化策略。

依托数据飞轮的持续驱动，我们通过多版数据任务的迭代，显著实现了模型回复效果的提升。

以家电行业客户为例，针对其“次日中午 12 点前送达”及“百单规模报价”的特定需求，通用模型回复了类似正确的解决方案。

首先，它回避了“货损”这一关键矛盾；其次，模型仅基于常规知识库检索将精准的时效要求模糊处理为宽泛的“次日达”。整体来看，其回复相对泛化。

经过大模型强化后，系统不仅能正面回应“12 点前送达”的需求，且推荐匹配的“仓配一体”解决方案，更能敏锐识别用户单量价值并主动触发专属折扣。为了实现这一强化效果，我们对奖励函数进行了独特设计。除了常规指标外，重点引入了用户需求满意度奖励、推理过程合理性奖励以及营销任务达成率奖励。

在系统意图上的效果，以信息抽取场景为例，强化后识别准确率从原有的 80% 大幅提升至 99%，同时系统时效性平均响应耗时由 3 ~ 5 秒缩减至 0.5 秒左右。

为了确保线上系统的稳定性并提升运营效率，我们构建了覆盖“事前、事中、事后”的全链路三维智能评估体系。在事前阶段，通过自动化评测平台对模型进行上线前的标准化性能验证；在事中阶段，依托自动化运营手段实时监测并捕捉线上 Badcase；在事后阶段，则利用大模型对 Badcase 进行深度归因与分类，精准定位引发故障的具体原因并将其规则化关联至对应的算法负责人，实现全流程的快速迭代。

该自动化评测方案的核心在于其与业务的强关联。系统首先使用大模型进行自动化评测，随后引入业务规则对评估结果进行二次修正，从而保障评估符合整个业务系统。得益于这套体系，模型及服务的迭代效率提升近 100% 左右。

在整体架构上，系统依托协同控制引擎来统筹离线与实时评估任务，不仅能够实现跨服务的端到端评估，还支持服务内部 Agent 组件级的评估。评估完成后，系统会自动推送深度分析报告，并同步触发样本与评测指标体系的更新。

4 总结与展望

我们通过多 Agent 架构的实践应用，充分验证了智能化转型的可行性及其蕴含的核心价值。在智能化流程构建方面，依托 Agentic Workflow 显著提升了用户转化效率。

与此同时，上下文工程的优化进一步提升了大模型在垂直领域的适配性及响应准确率。而自动化营销体系的建立，不仅大幅降低了人工运营成本，更实现了运营效率与标准化程度的提升。

在此基础上，数据飞轮机制的形成持续驱动着模型性能与营销效果的迭代优化。展望未来，我们将致力于多 Agent 协同生态的构建，并深入探索端到端的智能营销闭环。

会议推荐

测完 MBTI，快来解锁技术人专属 AITI ！前沿探索家、大模型工程师、Agent 实战拆解师、行业赋能师… 你是哪一种？6.26-27 # AICon 上海站等你面基同频人！世界模型与多模态智能突破、Agent 架构与工程化实践、Agent 安全与可信治理、企业级研发体系重构等 14 大专题全面开启，诚挚邀请你登台分享实战经验。AICon 2026，期待与你同行。