如何在本地桌面上設定人工智慧驅動的潛在客戶評分和資格系統

痛點：隱私、成本與代幣焦慮

在您擴展豐富和迭代分析之前，雲端評分感覺很便宜。每個線索可以觸發多個 API 調用，每個調用都可以觸發 LLM 代幣的使用。即使你每週的攝取量很少，每個月的支出也會變成一種經常性的成長稅。

隱私是更大的營運陷阱。將原始潛在客戶資料傳送到外部人工智慧服務擴展了您必須信任、記錄和審核的處理器集。即使供應商聲稱擁有控制權，您仍然需要承擔客戶資料傳輸和處理方式的風險。

本機桌面管道可以解決這兩個問題。您提取的資料集保留在您的電腦上，您的模型在本地運行，並且當潛在客戶值得銷售時間時，只有最小的通知負載會發送到 Slack。

桌面自動化架構（視覺邏輯）

要初始化此過程，您首先需要定義資料管道，以便每個元件都有明確的契約。然後，您可以強制執行將潛在客戶分數變為僅適用於高擬合帳戶的潛在客戶資格的大門。

您無需將業務規則嵌入不透明的 SaaS 工作流程中，而是在執行抓取工具的相同主機上保持評分標準的版本化、可測試和可重現。

步驟1：透過EasyClaw桌面代理程式提取原始潛在客戶數據

準備好桌面環境後，配置 EasyClaw 以從目標 B2B 網路提取企業結構和技術訊號。目標不是“更多領域”，而是與您理想的客戶檔案相對應的一致領域。

首先選擇與您的 ICP 一致的來源表面。然後定義提取目標，以便您可以捕獲公司名稱、行業、員工規模（如果有）、職位頭銜以及個人資料頁面上顯示的任何技術提示。在實踐中，這些技術麵包屑通常比通用描述更能提高資格的準確性。

使您的輸出模式嚴格。 EasyClaw 應為每個潛在客戶發出結構化 JSON 記錄，以便本地評分引擎每次都可以對相同的欄位進行評分。當 EasyClaw 傳回缺失值時，保留空值而不是發明文本，因為您的提示會懲罰不確定性。

為了保持管道可調試，請將原始提取輸出保留到帶有時間戳記的本機資料夾中。當稍後出現銷售線索管理問題時，這可以為您提供審核跟踪，並且允許您透過新的提示版本重播線索，而無需重新抓取。

步驟 2：設定本地 AI 評分引擎（Ollama 和 Llama 3）

提取後，下一個工程挑戰是確保本地模型端點穩定且可預測。安裝 Ollama 並拉出一個可以在您的硬體上舒適運行的型號。 Llama 3 變異體是一個常見的起點，因為它們可以很好地處理結構化推理。

當 Ollama 運作時，您的本地端點應在 http://localhost:11434 處可用。在與 EasyClaw 整合之前，使用最小的curl 請求進行測試，以便確認網路存取、模型載入時間和回應格式。

對於銷售線索資格，您需要確定性的評分行為。盡可能使用固定產生配置，並需要與已知架構相符的 JSON 輸出。本地模型可能會漂移，因此調用方的強驗證不是可選的。

然後建立一個本機「評分服務」腳本，該腳本接受提取的潛在客戶 JSON 並呼叫 Ollama API。該服務成為抓取輸出和您的資格邏輯之間的邊界，它允許您在不接觸抓取程式碼的情況下改進提示。

第 3 步：設計目標潛在客戶資格分數的提示

您無需依賴主觀的「最佳猜測」文字生成，而是透過系統提示和所需的輸出模式強制執行嚴格的評分參數。該模型應產生一個數字潛在客戶資格分數以及與特定輸入相關的簡短理由。

為此，您需要為模型提供理想的客戶資料、評分標準以及對缺失或矛盾資料的處罰。您還指示模型避免外部知識並嚴格從提供的領先欄位進行評分。

使用以下系統提示範本並將括號內的欄位替換為您的 ICP 評分標準。在生產中，在您的儲存庫中版本化此提示，以便與您的評分結果一起追蹤變更。

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>", "..."]
}

當您執行評分時，指示模型引用與您的輸入欄位相對應的證據行。這創建了銷售人員無需閱讀原始代幣日誌即可信任的具體解釋。

最後，在使用 JSON 回應之前驗證它。如果解析失敗或分數超出範圍，則預設為安全性低分數並儲存原始模型回應以進行偵錯。

第 4 步：透過自動化 Webhooks 將高分線索路由至 Slack

一旦本地端點產生原始資料集並且模型返回結構化分數，您的閘控邏輯就變得簡單而嚴格。您可以篩選潛在客戶資格分數符合門檻（例如 80）的潛在客戶，然後才通知銷售管道。

建立一個本機函數，用於讀取每個抓取的潛在客戶，將其發佈到 Ollama API，解析 JSON 輸出，並將 leadQualificationScore 與您的閾值進行比較。如果符合條件，則使用最小訊息負載呼叫 Slack 傳入 Webhook。

此模式可防止 Slack 接收敏感原始欄位。不要發送完整的潛在客戶記錄，而只發送團隊需要採取行動的內容：公司名稱、職位名稱、分數和簡短的證據摘要。

下面是一個現實的例子。第一個請求是傳送到本地 Ollama API 的 EasyClaw 所產生的主要負載。第二個回應顯示了一個結構化分數，您的過濾器引擎可以立即對其採取行動。

{
  "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": []
}

若要實施 Slack 路由，您的通知步驟應包含指向本機系統中潛在客戶記錄的穩定連結。如果您沒有 CRM 鏈接，請產生本機識別碼並將完整的潛在顧客 JSON 儲存在旁邊，以便通知仍然可以操作，而無需重新抓取。

比較矩陣：本機桌面 AI 與第三方雲端軟體

解釋權衡的最簡單方法是並排比較工程和營運限制，而不是行銷主張。以下是您應該在自己的評估中使用的技術視圖。

本地方法會預先花費工程時間，但一旦您的潛在客戶量增加，每月都會得到回報。由於資料路徑是透明的，它還為您提供了可防禦的隱私態勢。

戰略 EasyClaw 整合（軟體 CTA）

EasyClaw 扮演的角色往往會成為團隊的瓶頸：可靠的桌面抓取、模式一致的提取以及將混亂的 Web 輸入轉換為乾淨記錄的編排。透過本地 LLM 評分引擎，EasyClaw 成為您環境中用於銷售線索管理的私人資料擷取層。

下載 EasyClaw Desktop，執行您的第一個提取作業，並將輸出 JSON 連接到本地 Ollama 評分服務。一旦分數閘控線索的第一個 Slack 警報到達，您將擁有一個可以調整的完整閉環。

結論和後續步驟

您可以透過在本地運行潛在客戶評分來停止繳納象徵性稅並減少隱私暴露。工作流程很清晰：使用 EasyClaw 在設備上提取，使用 localhost:11434 上的本地法學碩士進行評分，透過嚴格的提示強制執行客觀評分，然後使用 Webhooks 僅將合格結果推送到 Slack。

接下來，透過基於證據的評分來收緊您的評分標準，添加 JSON 驗證，並記錄輸入和模型輸出，以便您可以安全地進行迭代。最後，根據您的通路結果衡量潛在客戶資格評分績效，並僅在您了解潛在客戶的評分方式後才調整閾值。

如果您想從實驗轉向可重複的銷售線索管理，請先下載 EasyClaw Desktop 並端到端運行您的第一個本地 AI 資格工作流程。