简介这份资源围绕DeepSeek与Coze组合系统讲解从0到1搭建AI获客智能体的完整流程面向传统行业中小老板、创业者与个人IP、销售运营人员帮助解决短视频创作与获客难题。内容涵盖智能体定位与目标、业务流程梳理与痛点分析、场景工作流与功能需求设计以及工作流创建、绑定、测试与发布等落地环节并给出账号定位、对标拆解、选题库搭建、内容创作、剪辑发布与数据优化的具体思路。资源包共1个docx文件约1.75MB以图文文档形式呈现便于按章节对照学习。目前已有628人学习下载。读者可借此掌握用DeepSeek分析短视频各环节痛点、自动生成结构化拆解报告的方法把重复性分析工作交给AI提升创作与获客效率同时了解数据合规与动态更新的注意事项。1. 从线索到成交DeepSeekCoze 的 AI 获客智能体到底在做什么很多团队做获客卡点不在流量而在“接不住”。广告投出去、内容发出去用户留了手机号或加了企微销售却要隔几小时才回回的时候用户已经凉了。我见过最夸张的一个教育团队线索进来平均 4 小时才首触转化率不到 3%。后来他们用 DeepSeek 做意图理解、用 Coze 做工作流编排把首触压到 40 秒内同样的线索量到店率翻了一倍多。这就是 AI 获客智能体最朴素的价值不是替代销售而是把“识别意图—分层—首触—跟进提醒”这条链路自动化。DeepSeek 在这里扮演的是“大脑”负责读懂用户那句话背后的真实需求、预算、紧迫度Coze 扮演的是“手脚”负责把判断结果落到具体动作上——打标签、发消息、建任务、转人工。两者组合本质是用低成本的大模型推理能力替换掉过去靠人工盯表格、凭经验判断的粗放环节。适合谁适合手里已经有稳定线索来源、但转化环节靠人肉硬扛的中小团队也适合想验证 AI 获客到底能不能跑通的产品和技术同学。不适合连线索都没有、指望智能体凭空变客户的场景。2. 拆解获客链路DeepSeek 负责判断Coze 负责执行2.1 为什么不是“一个大模型全包”而是拆成两层常见误区是让大模型直接输出“这个用户该不该跟”。听起来合理实际翻车率很高。原因是获客判断依赖两类信息一类是语义理解比如用户说“你们这个能分期吗”背后是价格敏感 有购买意向另一类是业务规则比如“分期客户必须转给金融专员”“预算低于 5000 的线索不进 VIP 池”。语义理解适合 DeepSeek业务规则适合 Coze 的工作流节点。我一般会把链路拆成三段第一段DeepSeek 做意图识别和实体抽取输出结构化 JSON第二段Coze 用条件分支判断走哪条跟进策略第三段Coze 调用消息节点或外部 API 执行动作。这样拆的好处是模型只负责它擅长的模糊判断规则和动作留在工作流里出问题能定位到具体节点而不是对着一个黑匣子猜。2.2 用 DeepSeek 做意图识别的提示词与输出结构先看一段我实际在用的提示词模板。核心思路是给模型明确的角色、输入格式、输出字段和边界条件不要让它自由发挥。# DeepSeek 意图识别提示词模板放在 Coze 的大模型节点里 SYSTEM_PROMPT 你是获客线索分析助手。根据用户留言输出 JSON不要输出任何其他内容。 字段定义 - intent: 购买意向取值 high / medium / low - budget_signal: 是否提及预算true / false - urgency: 紧迫度取值 now / week / month / unknown - objection: 主要顾虑无则填 none - next_action: 建议动作取值 call_now / send_case / nurture / drop 判断规则 1. 出现“多少钱”“怎么买”“能分期”视为 high 2. 出现“了解一下”“先看看”视为 medium 或 low 3. 明确说“这周”“明天”视为 now 4. 只问功能不问价格urgency 填 unknown。 USER_TEMPLATE 用户留言{user_message}\n来源渠道{channel}这段代码的关键不在语法而在字段设计。next_action是给 Coze 工作流用的“决策出口”必须和后面的分支节点一一对应。参数上intent和urgency用枚举而不是自由文本是为了避免模型输出“比较急”“有点想买”这种没法做条件判断的结果。objection留成自由文本是因为顾虑种类太多枚举反而会丢信息。逻辑说明Coze 的大模型节点拿到这段提示词后把用户留言和渠道填进USER_TEMPLATE调用 DeepSeek 接口返回 JSON。这里要注意DeepSeek 的输出偶尔会带 markdown 代码块标记需要在 Coze 里加一个“文本处理”节点把json 和去掉否则后面的 JSON 解析会直接报错。这个坑我踩过排查了半小时才发现是模型多打了三个反引号。2.3 Coze 工作流的分支设计与节点参数拿到结构化 JSON 后Coze 工作流的核心是“条件分支”。我一般会设三个分支next_action call_now走立即外呼 企微提醒next_action send_case走自动发送案例资料 24 小时跟进任务next_action nurture走内容培育池每周推一次干货。每个分支里消息节点的参数要写清楚。比如企微提醒节点content字段我通常拼成“【高意向】用户留言{原始留言}预算信号{budget_signal}顾虑{objection}请 10 分钟内首触”。这样销售一眼能看到重点不用再点开原始记录。时间参数上跟进任务的delay设 24 小时但如果是urgency nowdelay 改成 2 小时。这个细节看起来小实际对转化影响很大——紧迫的用户等不了 24 小时。还有一个容易忽略的点Coze 工作流的变量作用域。大模型节点输出的 JSON 字段要在后续节点里用{{节点名.字段名}}引用如果节点名改了所有引用都要跟着改。我建议节点命名用英文 下划线比如intent_parser、branch_router别用中文否则复制粘贴时容易出编码问题。3. 从零搭一个可跑通的获客智能体定位、配置、联调3.1 先定边界哪些线索进智能体哪些直接转人工搭之前必须先画一条线。我的经验是智能体只处理“首次触达”和“低意向培育”高意向且带明确成交信号比如问合同、问发票、问对公账户的线索直接跳过智能体转人工。原因很简单这种线索人工介入的转化率远高于机器让智能体插一脚反而显得不专业。具体做法是在 Coze 工作流最前面加一个“前置过滤”节点用关键词匹配或 DeepSeek 二次判断。关键词列表我一般放合同、发票、对公、签约、打款。命中任意一个直接走人工通知分支不进入意图识别。这个过滤节点用 Coze 的“选择器”就能实现不需要写代码。3.2 DeepSeek 接入 Coze 的两种方式与参数对比接入方式有两种一种是用 Coze 内置的大模型节点选 DeepSeek 作为模型提供方另一种是用 HTTP 请求节点直接调 DeepSeek API。两种方式我都用过差异如下对比项内置大模型节点HTTP 请求节点配置难度低选模型填提示词即可中要填 URL、Header、Body参数控制只能调 temperature、max_tokens可调 top_p、frequency_penalty 等输出稳定性较好平台做了封装取决于自己写的解析逻辑适合场景快速验证、字段简单的判断需要精细控制输出格式、多轮对话如果是第一次搭我建议先用内置节点跑通确认链路没问题后再换成 HTTP 节点做精细调优。内置节点的temperature我一般设 0.3获客判断不需要创造力要的是稳定。max_tokens设 500 足够输出 JSON 用不了太多 token。用 HTTP 节点时Body 里要带model、messages、response_format。DeepSeek 支持response_format: {type: json_object}加上这个参数输出基本不会带多余标记能省掉前面说的去反引号步骤。但注意用了这个参数后提示词里必须出现“json”这个词否则接口会报错。这是 DeepSeek 的硬性要求不是 Coze 的问题。3.3 联调时怎么验证每个节点没跑偏联调阶段最怕的是“看起来跑了但结果是错的”。我的做法是给每个关键节点加一个“日志输出”动作把输入和输出都写到一个表格里。Coze 可以用“数据库”节点或直接调外部 webhook 记录。重点看三个地方大模型节点的原始返回、JSON 解析后的字段值、分支节点的实际走向。验证用例我一般准备 10 条覆盖高意向、低意向、带顾虑、带预算、纯咨询五类。跑完后人工核对每条的分类是否正确。如果发现某类总是错先别改提示词先看原始返回——很多时候是模型把字段名拼错了比如把budget_signal写成budget导致解析后字段为空分支自然走错。这种问题改提示词没用要在解析节点加字段名容错映射。4. 避坑与排查那些让智能体“看起来能用”却跑不出结果的细节4.1 现象工作流跑通但线索没进企微原因消息节点权限没开解决检查应用授权范围这是最高频的翻车点。Coze 工作流里消息节点配置看起来没问题测试也能发出消息但正式跑的时候线索就是没进企微。排查下来通常是应用授权范围没勾选“企微消息推送”或者企微后台的接收人没加到白名单。解决方法是在 Coze 应用设置里确认权限项全部勾选然后去企微管理后台把机器人加到对应部门。测试时用个人号能收到不代表正式环境能收到这两个通道是分开的。4.2 现象DeepSeek 返回结果时好时坏原因提示词里没锁输出格式解决加 response_format 和字段校验同一个用户留言有时候返回标准 JSON有时候返回一段解释文字。原因是提示词里只说了“输出 JSON”但模型在遇到复杂留言时会“忍不住”先解释两句。解决办法有两个一是用 HTTP 节点加response_format参数二是在 Coze 里加一个“JSON 校验”节点解析失败就重试一次重试时把 temperature 降到 0.1。我一般两个都做双保险。4.3 现象高意向线索被分到培育池原因分支条件用了字符串包含判断解决改成精确匹配枚举值比如分支条件写的是next_action 包含 call结果模型输出call_later也被匹配进去了。这种错误很隐蔽因为工作流不报错只是分流错了。解决方法是分支条件一律用精确匹配并且在大模型节点输出后加一个“枚举校验”节点把不在预期列表里的值统一改成nurture宁可漏判也不误判。4.4 现象跟进任务重复创建原因工作流被并发触发解决加去重键和幂等判断同一个用户短时间内发了两条消息工作流跑了两次销售收到两条一模一样的跟进任务。解决方法是在 Coze 工作流入口加一个“去重”节点用用户 ID 时间窗口比如 5 分钟做键命中就跳过。Coze 本身没有内置幂等需要自己用数据库节点或外部缓存实现。这个坑在流量大的时候特别明显小流量测试时根本发现不了。4.5 现象DeepSeek 调用超时导致整条链路卡住原因没设超时和降级解决加超时节点和默认分支DeepSeek API 偶尔会慢如果 Coze 工作流没设超时整个流程会挂在那里等。我的做法是在大模型节点后加一个“超时判断”超过 8 秒没返回就走默认分支——把线索标记为“待人工判断”直接转人工。宁可多转几条人工也不能让线索卡在流程里。默认分支的动作要简单就是发一条企微提醒别在降级路径里再调模型。5. 让智能体越跑越准用反馈数据反哺提示词和分支阈值搭完只是开始真正拉开差距的是后续调优。我一般会每周拉一次数据智能体判断为高意向但实际没转化的线索和判断为低意向但后来成交的线索这两类就是“错判样本”。把错判样本的原始留言拿出来看是提示词里的判断规则漏了哪种表达还是分支阈值设得太松。具体操作上我会在 Coze 里加一个“反馈收集”节点销售在企微里点“判断不准”按钮就把这条线索的 ID 和实际结果写回数据库。积累到 50 条左右就做一次提示词迭代。迭代时不要大改一次只调一个规则比如把“问分期”从 medium 改成 high然后跑一遍历史样本看准确率变化。这样调每次都能知道是哪个改动起了作用。另一个技巧是给 DeepSeek 的提示词加“少样本示例”。在提示词里放 3 到 5 条真实留言和正确输出模型对新样本的判断会明显更稳。示例要选边界模糊的比如“你们这个和 XX 比怎么样”这种最容易判错放进去能显著降低误判率。示例不要放太多超过 8 条反而会让模型“抄”示例而不看当前输入。最后说一个我自己的习惯每次改完提示词或分支条件先别全量上线拿 20 条历史线索跑一遍对比新旧结果。如果高意向的召回率没降、准确率有提升再放量。这个习惯帮我避免了好几次“改完看着更好、实际更差”的翻车。希望帮到你。本文还有配套的精品资源点击获取