95%的AI SDR死于交接，而非模型太弱

过去两年，大量团队在AI销售开发代表（SDR）上栽了跟头。最常见的归因是"模型不够聪明""提示词写得不好""数据质量太差"。这些说法都有道理，但都不是根本原因。 根本原因在于一个被普遍忽视的结构性缺陷：**AI协调差距**——即AI在流水线各环节之间交接时发生的可靠性损耗。 单个环节的AI能力已经足够成熟。意图识别、邮件个性化、线索评分、外呼脚本生成，每一个单点任务单独拿出来，今天的模型都做得不错。但当这些环节串成一条自动化流水线时，整体成功率却断崖式下跌。问题出在"交接"上，而非"单点"上。 什么是协调差距？用一个例子说明。 假设一个AI SDR系统要完成从线索接入到会议 booked 的全流程，涉及六个环节：线索清洗、意图评分、首次触达内容生成、跟进节奏决策、跨渠道切换、人工交接。每个环节的AI单独看都有90%以上的准确率，看起来很不错。但六次交接串起来，假设每次交接的损耗率是15%（这是很常见的实际数据），累计成功率是0.85的六次方，只有约37.7%。如果共十个环节，那就只剩约19.7%。这就是为什么很多团队发现，单点测试的时候一切完美，全流程跑起来却惨不忍睹。 解决这个问题的关键在于架构设计，而非继续堆模型能力。这套方法论的核心是一个五层架构： **第一层：状态持久化层。** 所有环节共享唯一的、结构化的上下文状态，而不是通过自然语言隐式传递信息。这一层是消除协调差距的地基。很多失败案例中，各个环节各自维护context，导致信息在传递中变形或丢失。用显式的状态对象（比如JSON Schema定义好的结构化数据），能确保每个环节拿到的输入是一致的、完整的。 **第二层：交接协议层。** 每个环节向下一个环节传递的内容，不只是一个结果字符串，而是一个结构化的交接包，包含：交付物、置信度、未决事项、备选策略。任何一个环节不确定自己是否做得对时，交接包中必须显式标注"不确定"和"风险点"，而不是假装都处理好了。这个设计能显著降低错误扩散。 **第三层：路由与编排层。** 不是所有线索都走同一条路径。高意向线索直接转人工、中意向线索进入多轮培育、低意向线索进入长周期孵化。编排层根据交接包中的置信度动态决定下一步，而不是预设一个死板的线性流程。这也是和传统工作流引擎的核心区别——路径是动态的，不是画好的。 **第四层：策略缓存层。** 每个环节的策略决策（如"给这个线索发案例研究还是白皮书"）会被缓存并复用于后续触达，确保AI在同一个对话上下文中的行为一致性。协调差距有相当一部分来自AI的随机性——同一个输入每次生成的输出不同。加上策略缓存层，把决策从"每次生成"变成"首次生成+复用校验"。 **第五层：人工介入层。** 明确设计人类介入的触发机制，而不是把人工当作兜底方案。当交接包中的置信度低于阈值，或未决事项超量时，系统主动请求人工介入。这比"出了问题再处理"高效得多。 这套架构想清楚之后，下一个问题是Build还是Buy。 市面上的SDR AI工具，多数覆盖的是单点环节，而非全流程协调。如果你只需要某一环（比如邮件生成），买现成工具就够了。但如果你要做的是全流程自动化，现有的SaaS工具几乎没有能让你自定义交接逻辑的——你只能适配产品内置的流程，而这恰恰可能是它做得最薄弱的地方。 一个简单的判断标准：如果你的核心壁垒在于"独特的销售流程和组织know-how"，那必须Build。协调层本身就是壁垒，买来的工具只会让你趋同于所有竞争对手。如果核心壁垒在数据或品牌，那Buy更划算，用现成的工具把单点能力补齐即可。 成本上有个粗略框算：基于开源模型自建五层架构，初期工程成本大约在一个高级工程师3-6个月的工作量；而市面上全流程SDR工具的年度订阅费用，按席位算往往比这更高，还要加上每个席位的基础模型API调用成本。长期看，自建方案的边际成本更低，还能持续沉淀策略缓存。但前提是你有工程团队愿意啃这块硬骨头。 对于决定自建的团队，LangGraph是一个合适的实现框架。它的核心概念是节点、边和状态图，和上面五层架构天然匹配。 具体实现骨架分成几个部分。状态定义用TypedDict，包含三个核心字段：lead_profile（结构化线索画像，对应第一层）、handoff_packages（交接包列表，按时间戳追加，对应第二层）、strategy_cache（策略缓存字典，对应第四层）。 图的节点对应流程环节，边通过条件路由函数动态决定下一步走向，对应第三层。每个节点的返回值遵循一个统一Schema：{deliverable, confidence, risks, alternatives}，确保交接包结构的稳定性。 人工介入用interrupt机制实现。当路由函数检测到置信度低于阈值时，interrupt挂起执行并通知人工；人工处理完把结果写回状态，图从断点继续。这对应第五层。 还要在图中加一个全局校验器，每次节点执行前检查上一节点交接包是否完整——如果发现风险标注未处理，直接拒绝继续推进，避免"带着问题向下传"。 最后说一个容易被忽视的工程细节：日志审计。协调差距是累进式的，调试时必须能还原每个环节的中间状态。建议从第一天就把完整的状态流转记录落到结构化日志里，每个交接包留一个trace_id。将来出了问题，追查效率会高一个数量级。 AI SDR的成功率不会因为换更强的模型而自动提升。真正决定天花板的，是能不能把每个环节之间的"缝隙"填上。那套五层架构，就是在填这些缝隙。 把协调差距当作第一性问题来对待，而不是事后修补的边角料——这是2026年AI SDR领域最重要的一次认知切换。