로컬 데스크톱에서 AI 기반 리드 채점 및 자격 시스템을 설정하는 방법

문제점: 개인 정보 보호, 비용 및 토큰에 대한 불안감

강화 및 반복 분석을 확장할 때까지는 클라우드 점수 매기기가 저렴하다고 느껴집니다. 각 리드는 여러 API 호출을 트리거할 수 있으며 각 호출은 LLM 토큰 사용을 트리거할 수 있습니다. 주간 섭취량이 적더라도 월별 지출은 성장에 대한 반복적인 세금으로 변합니다.

개인 정보 보호는 더 큰 운영 함정입니다. 원시 리드 데이터를 외부 AI 서비스로 전송하면 신뢰하고 문서화하고 감사해야 하는 프로세서 세트가 확장됩니다. 공급업체가 통제권을 주장하더라도 고객 데이터가 전송되고 처리되는 방식에 대한 위험 태세는 여전히 귀하가 소유하고 있습니다.

로컬 데스크톱 파이프라인은 두 가지 문제를 모두 해결합니다. 추출된 데이터 세트는 컴퓨터에 유지되고, 모델은 로컬에서 실행되며, 리드가 판매 시간에 합당한 경우 최소한의 알림 페이로드만 Slack으로 이동합니다.

데스크탑 자동화 아키텍처(비주얼 로직)

이 프로세스를 초기화하려면 먼저 모든 구성 요소가 명확한 계약을 갖도록 데이터 파이프라인을 정의합니다. 그런 다음 리드 점수가 적합도가 높은 계정에 대해서만 리드 자격이 되는 게이트를 시행합니다.

불투명한 SaaS 워크플로우 내에 비즈니스 규칙을 삽입하는 대신 스크레이퍼를 실행하는 동일한 호스트에서 등급 기준을 버전화하고, 테스트하고, 재현할 수 있도록 유지합니다.

Step 1: EasyClaw 데스크톱 에이전트를 통해 원시 리드 데이터 추출

데스크탑 환경이 준비되면 대상 B2B 네트워크에서 기업 및 기술 신호를 모두 가져오도록 EasyClaw을 구성하십시오. 목표는 "더 많은 필드"가 아니라 이상적인 고객 프로필에 매핑되는 일관된 필드입니다.

ICP와 일치하는 소스 표면을 선택하여 시작하십시오. 그런 다음 추출 대상을 정의하여 회사 이름, 업계, 가능한 경우 직원 규모, 역할 제목 및 프로필 페이지에 있는 기술 힌트를 캡처합니다. 실제로 이러한 기술적인 이동 경로는 일반적인 설명보다 자격 정확도를 더 높이는 경우가 많습니다.

출력 스키마를 엄격하게 만드세요. EasyClaw은 로컬 채점 엔진이 매번 동일한 필드를 채점할 수 있도록 리드별로 구조화된 JSON 레코드를 생성해야 합니다. EasyClaw이 누락된 값을 반환하는 경우 프롬프트가 불확실성에 불이익을 주므로 텍스트를 작성하는 대신 Null을 유지하십시오.

파이프라인을 디버그 가능하게 유지하려면 원시 추출 출력을 타임스탬프와 함께 로컬 폴더에 유지하세요. 이를 통해 나중에 영업 리드 관리에 대한 질문이 발생할 때 감사 추적이 가능하며 다시 스크래핑하지 않고도 새로운 프롬프트 버전을 통해 리드를 재생할 수 있습니다.

Step 2: 로컬 AI 채점 엔진 설정(Ollama 및 Llama 3)

추출 후 다음 엔지니어링 과제는 로컬 모델 끝점이 안정적이고 예측 가능하도록 보장하는 것입니다. Ollama을 설치하고 하드웨어에서 편안하게 실행할 수 있는 모델을 가져오세요. Llama 3 변형은 구조화된 추론을 잘 처리하므로 일반적인 출발점이 됩니다.

Ollama이 실행 중이면 http://localhost:11434에서 로컬 엔드포인트를 사용할 수 있어야 합니다. EasyClaw과 통합하기 전에 최소한의 컬 요청으로 테스트하여 네트워크 액세스, 모델 로드 시간 및 응답 형식을 확인하세요.

영업 리드 자격을 얻으려면 결정론적 점수 매기기 동작이 필요합니다. 가능한 경우 고정 생성 구성을 사용하고 알려진 스키마와 일치하는 JSON 출력이 필요합니다. 로컬 모델은 표류할 수 있으므로 호출자 측의 강력한 검증은 선택 사항이 아닙니다.

그런 다음 추출된 리드 JSON을 받아들이고 Ollama API를 호출하는 로컬 "점수 서비스" 스크립트를 생성합니다. 이 서비스는 출력 스크래핑과 검증 논리 사이의 경계가 되며 스크레이퍼 코드를 건드리지 않고도 프롬프트를 발전시킬 수 있습니다.

Step 3: 객관적인 리드 자격 점수에 대한 프롬프트 엔지니어링

주관적인 "최선의 추측" 텍스트 생성에 의존하는 대신 시스템 프롬프트와 필수 출력 스키마를 통해 엄격한 등급 매개변수를 적용합니다. 모델은 숫자로 된 리드 자격 점수와 특정 입력에 연결된 짧은 근거를 생성해야 합니다.

이를 위해 모델에 이상적인 고객 프로필, 등급 기준표, 누락되거나 모순되는 데이터에 대한 처벌을 제공합니다. 또한 외부 지식을 피하고 제공된 리드 필드에서 엄격하게 점수를 매기도록 모델에 지시합니다.

다음 시스템 프롬프트 템플릿을 사용하고 괄호 안의 필드를 ICP 루브릭으로 바꾸세요. 프로덕션에서는 점수 결과와 함께 변경 사항이 추적되도록 저장소에 이 프롬프트의 버전을 지정하세요.

You are a lead qualification scorer for B2B sales lead management.
You must output valid JSON only, matching the exact schema provided by the user.

Grading rubric:
Score from 0 to 100.
Assign points based on the following criteria:
1) Firmographic fit (0-40): industry match, company size/segment match, geography if provided.
2) Technographic fit (0-35): evidence of relevant stack/usage; reward explicit tech signals.
3) Role fit (0-20): title relevance and seniority; reward decision-maker indicators.
4) Data confidence (0-5): penalize missing fields, nulls, or vague/contradictory signals.

Hard rules:
If the lead lacks role title OR firmographic industry is null, subtract 20 points from the subtotal.
If technographic signals are absent (empty list), subtract 10 points.
Never invent missing data. Only use fields given in the input payload.
Return score as an integer.

Output JSON schema:
{
  "leadQualificationScore": <integer 0-100>,
  "fitSummary": "<one short sentence>",
  "evidence": ["<field>: <reason>", "..."],
  "rejectionReasons": ["<reason>", "..."]
}

채점을 실행할 때 입력 필드에 해당하는 증거 라인을 참조하도록 모델에 지시하십시오. 이는 원시 토큰 로그를 읽지 않고도 판매가 신뢰할 수 있는 구체적인 설명을 생성합니다.

마지막으로 JSON 응답을 사용하기 전에 유효성을 검사하세요. 구문 분석이 실패하거나 점수가 범위를 벗어나는 경우 기본적으로 안전하고 낮은 점수로 설정하고 디버깅을 위해 원시 모델 응답을 저장합니다.

Step 4: 자동 웹후크를 통해 높은 점수의 리드를 Slack으로 라우팅합니다.

로컬 엔드포인트가 원시 데이터 세트를 생성하고 모델이 구조화된 점수를 반환하면 게이팅 논리가 간단하고 엄격해집니다. 리드 자격 점수가 임계값(예: 80)을 충족하는 리드를 필터링한 다음 판매 채널에 알립니다.

스크랩된 각 리드를 읽고 Ollama API에 게시하고 JSON 출력을 구문 분석하고 leadQualificationScore을 임계값과 비교하는 로컬 함수를 만듭니다. 자격이 있는 경우 최소한의 메시지 페이로드로 Slack 수신 웹후크를 호출합니다.

이 패턴은 Slack이 민감한 원시 필드를 수신하지 못하도록 합니다. 전체 리드 기록을 보내는 대신 팀이 조치를 취하는 데 필요한 것(회사 이름, 역할 제목, 점수, 간단한 증거 요약)만 보내십시오.

아래는 현실적인 예입니다. 첫 번째 요청은 로컬 Ollama API로 전송된 EasyClaw 생성 리드 페이로드입니다. 두 번째 응답은 필터 엔진이 즉시 조치를 취할 수 있는 구조화된 점수를 보여줍니다.

{
  "lead": {
    "companyName": "Acme Logistics",
    "industry": "Supply Chain SaaS",
    "employeeRange": "51-200",
    "location": "NA",
    "leadPerson": {
      "name": "J. Rivera",
      "title": "VP Operations",
      "seniority": "VP"
    },
    "technographics": {
      "signals": ["uses: Salesforce", "mentions: NetSuite integrations"],
      "confidence": 0.74
    },
    "source": "easyclaw-desktop-extract"
  }
}

{
  "leadQualificationScore": 86,
  "fitSummary": "Strong firmographic and role fit with clear CRM/integration signals.",
  "evidence": [
    "industry: Supply Chain SaaS matches ICP segment",
    "employeeRange: 51-200 aligns with target accounts",
    "title: VP Operations indicates decision influence",
    "technographics.signals: Salesforce and NetSuite integration mentions"
  ],
  "rejectionReasons": []
}

Slack 라우팅을 운영하려면 알림 단계에 로컬 시스템의 리드 레코드에 대한 안정적인 링크가 포함되어야 합니다. CRM 링크가 없는 경우 로컬 식별자를 생성하고 전체 리드 JSON을 함께 저장하면 다시 스크래핑하지 않고도 알림을 계속 실행할 수 있습니다.

Comparison Matrix: 로컬 데스크톱 AI와 타사 클라우드 소프트웨어

장단점을 설명하는 가장 간단한 방법은 마케팅 주장이 아닌 엔지니어링 및 운영 제약 조건을 나란히 비교하는 것입니다. 다음은 자체 평가에 사용해야 하는 기술적 관점입니다.

로컬 접근 방식을 사용하면 초기에 엔지니어링 시간이 소요되지만 리드 볼륨이 증가하면 매달 비용을 회수할 수 있습니다$. 또한 데이터 경로가 투명하기 때문에 방어 가능한 개인정보 보호 태세를 제공합니다.

전략적 EasyClaw 통합(소프트 CTA)

EasyClaw은 신뢰할 수 있는 데스크톱 스크래핑, 스키마 일관성 추출, 지저분한 웹 입력을 깨끗한 기록으로 바꾸는 오케스트레이션 등 팀의 병목 현상을 일으키는 경향이 있는 역할을 합니다. 로컬 LLM 채점 엔진을 통해 EasyClaw은 귀하의 환경 내에 있는 영업 리드 관리를 위한 개인 데이터 수집 계층이 됩니다.

EasyClaw 데스크톱을 다운로드하고, 첫 번째 추출 작업을 실행하고, 출력 JSON을 로컬 Ollama 채점 서비스에 연결하세요. 점수 기반 리드에 대한 첫 번째 Slack 알림이 도착하면 조정할 수 있는 완전한 폐쇄 루프를 갖게 됩니다.

결론 및 다음 단계

로컬에서 리드 스코어링을 실행하여 토큰세 납부를 중단하고 개인정보 노출을 줄일 수 있습니다. 워크플로는 명확합니다. EasyClaw을 사용하여 기기에서 추출하고, localhost:11434에서 로컬 LLM으로 점수를 매기고, 엄격한 프롬프트를 통해 목표 등급을 적용한 다음, 웹후크를 사용하여 적격한 결과만 Slack에 푸시합니다.

다음으로, 증거 기반 채점으로 루브릭을 강화하고, JSON 검증을 추가하고, 입력과 모델 출력을 모두 기록하여 안전하게 반복할 수 있습니다. 마지막으로, 파이프라인 결과에 대한 리드 자격 점수 성과를 측정하고 리드가 원래 방식대로 점수가 매겨진 이유를 이해한 후에만 임계값을 조정하십시오.

실험에서 반복 가능한 영업 리드 관리로 전환하려면 먼저 EasyClaw Desktop을 다운로드하고 첫 번째 로컬 AI 검증 워크플로를 엔드 투 엔드로 실행하세요.