AI 销售进入现场：多渠道接待、客户记忆与人机协作
前面几篇我们讲了 AI 销售 Agent 的底层能力：
- 用岗位把销售经验资产化
- 用 LLM-first Runtime 做语义判断
- 用 Skill、Tool 和 MCP 让 Agent 从会聊天变成会办事
但到这里，系统还没有真正进入销售现场。
因为真实客户不是只在一个测试窗口里发消息。
他们可能来自企微、微信、网页、小程序、公众号、抖音、社群，甚至来自外部机器人网关。
他们可能今天在网页咨询，明天加企微，后天在群里提问。
他们可能先问产品，再问价格，又隔两天回来要资料。
这时候，AI 销售系统要解决的不只是“单轮回复”，而是：
如何在多渠道真实业务现场里，持续识别客户、记住上下文、协同人工、稳定推进销售。
今天这篇，我们讲三个关键词：
多渠道、客户记忆、人机协作。
一、为什么 AI 销售必须进入真实渠道？
很多 AI Agent demo 都跑在一个独立聊天窗口里。
用户输入一句，Agent 回复一句，看起来效果不错。
但企业真正关心的是：
- 企微客户来了能不能接
- Web 访客能不能进入销售流程
- 小程序咨询能不能识别身份
- 公众号消息能不能同步
- 群里的客户能不能关联到客户档案
- 人工销售能不能随时接管
- Agent 回复有没有审批
- 客户跨渠道回来还能不能接上上下文
如果不能进入这些渠道，AI 销售就只是一个演示工具。
真正的销售系统，必须运行在客户真实出现的地方。
这也是多渠道接入的重要性。
平台需要把不同渠道的消息统一进入会话系统，再交给 Agent 运行态处理。
客户看到的是自然沟通。
后台看到的是标准化的消息、客户、会话、状态、Agent Run 和 Trace。
只有这样，AI 销售才从 demo 进入生产。
二、多渠道不是简单多接几个入口
很多人理解多渠道，是“多接几个消息入口”。
比如：
- 接企微
- 接网页
- 接小程序
- 接公众号
- 接抖音
但对 AI 销售系统来说，多渠道真正难的是统一。
不同渠道的消息格式不同，身份体系不同，发送能力不同，媒体支持不同，合规边界不同。
比如：
- 企微有外部联系人和客户群
- Web Chat 可能只有访客 ID
- 小程序有 openid 或 unionid
- 公众号有自己的消息规则
- 外部 Gateway 可能上报不同接待账号标识
如果每个渠道各跑一套 Agent，系统很快会碎片化。
更好的方式是：
渠道接入层负责差异，统一会话层负责标准化，Agent 运行态只面向统一消息和客户上下文。
也就是说：
客户从哪里来，是渠道层的问题。
客户说了什么、当前状态是什么、应该怎么回复，是 Agent Runtime 的问题。
这种分层让系统可以不断增加渠道，而不需要为每个渠道重写销售逻辑。
三、统一会话：让所有客户消息进入同一条业务链路
多渠道接入之后，第一件事是把消息统一。
系统需要把不同来源的消息，转成标准会话消息。
标准化之后，Agent 才能统一处理：
- 谁发来的
- 来自哪个渠道
- 属于哪个接待账号
- 属于哪个会话
- 对应哪个客户
- 消息内容是什么
- 是否包含图片、文件、链接或小程序卡片
- 是否需要进入 Agent Job
- 回复应该投递到哪个渠道
统一会话的价值很大。
第一，Agent 不需要关心渠道细节。
它只需要处理标准化后的客户消息。
第二，客服工作台能统一查看。
人工销售可以在接待台看到客户历史消息、当前阶段、客户资料和 Agent 草稿。
第三，运营可以统一复盘。
不同渠道的转化、意图分布、缺槽情况和异常情况可以一起分析。
第四，客户体验更连续。
客户不是“每换一个渠道就重新开始”，而是进入同一套客户旅程。
这就是统一会话层的意义。
四、客户身份：跨渠道识别同一个人
多渠道系统里，最难的问题之一是客户身份。
同一个客户可能有多个身份：
- 企微外部联系人
- Web 访客
- 小程序 openid
- 公众号粉丝
- 微信 unionid
- 手机号
- 企业联系人
如果系统不能把这些身份合理归集，就会出现问题。
比如客户已经在 Web 上说过自己是教育培训行业，后来加了企微，Agent 又重新问一遍。
客户已经留下手机号，但换到小程序后，系统不知道他是谁。
人工销售已经跟进过，但 Agent 看不到历史。
所以 AI 销售系统需要客户身份体系。
这个体系不一定一开始就做到完全自动合并。
更稳妥的原则是：
- 强身份可以自动归集，比如 unionid、手机号、明确绑定关系
- 弱身份可以作为候选，比如同名、同公司、相似联系方式
- 合并要保留审计，不要因为名字相同就强行合并
- 客户详情要能看到来源、会话、渠道身份和关键资料
客户身份体系的目标不是追求一开始百分百合并，而是避免客户上下文丢失，同时保证数据安全和可审计。
五、客户记忆：Agent 要记住什么，不记住什么？
很多人说 AI Agent 要有记忆。
但在销售系统里，记忆不能简单理解为“把所有聊天记录都塞给模型”。
这既不经济，也不安全，还会让模型上下文变乱。
销售 Agent 需要的是结构化客户记忆。
比如：
- 客户称呼
- 联系方式
- 所在城市
- 公司和行业
- 当前渠道
- 主要痛点
- 关注产品
- 预算范围
- 决策角色
- 预约时间
- 上次跟进结果
- 当前销售阶段
这些信息应该通过 Slot 和客户资料沉淀下来。
同时，系统还需要保留最近消息和必要摘要，用于判断上下文。
也就是说，记忆可以分成三层。
第一层，原始消息。
这是完整对话记录，用于审计和回放。
第二层，会话状态。
这是当前会话推进到哪里，已收集哪些 Slot，当前缺什么。
第三层，客户记忆。
这是跨会话、跨渠道可复用的客户信息。
这三层不能混在一起。
会话状态不等于客户长期记忆。
客户长期记忆也不应该替代原始消息审计。
六、为什么会话状态和客户记忆要分开？
举个例子。
客户今天在 Web Chat 里咨询 AI 销售系统，说：
我们是做教培的，主要想解决客服回复慢的问题。
这句话里，“教培行业”和“客服回复慢”可以进入客户记忆。
当前会话状态可能进入“需求发现”或“方案匹配”。
第二天客户加企微，问：
你们怎么收费？
Agent 应该记得客户是教培行业、痛点是客服回复慢。
但它不应该简单把昨天的会话状态机械套过来，认为客户一定还处在同一个阶段。
因为跨渠道、跨时间回来后，客户可能有新的问题和新的意图。
所以会话状态和客户记忆要分开。
客户记忆提供背景。
会话状态负责当前流程。
LLM Runtime 再结合当前消息判断本轮应该怎么推进。
这样 Agent 才能既记得客户，又不被历史状态绑死。
七、人机协作：AI 不是替代销售，而是重构分工
AI 销售系统进入现场后，一定会遇到人工协作。
因为真实销售里，有些事情适合 AI 做，有些事情必须人工做。
AI 适合处理：
- 高频咨询
- 首轮接待
- 常见问题
- 需求初筛
- 信息收集
- 标准资料发送
- 低风险跟进
- 会话摘要
- 人工交接前整理
人工适合处理：
- 高价值客户
- 复杂方案
- 价格谈判
- 合同条款
- 私有化部署
- 强情绪投诉
- 关键成交推进
- 不确定风险判断
所以 AI 销售不是替代人工销售，而是改变人机分工。
AI 负责不漏接、不漏记、不漏跟。
人工负责判断、信任、谈判和关键转化。
这种协作需要产品机制支持。
比如：
- Agent 生成草稿但不自动发送
- 高风险回复进入人工审批
- 客户请求人工时自动交接
- 工具写操作需要人工确认
- 投诉或敏感内容转人工
- 人工接管后 Agent 暂停自动回复
- 人工结束后 Agent 可以继续辅助
这不是简单的“转人工按钮”。
这是销售现场里真正的人机协作机制。
八、审批策略：让自动化有边界
很多企业对 AI 自动回复有顾虑。
担心它乱承诺，担心它说错价格，担心它处理不了投诉，担心它在不该说的时候说太多。
这些顾虑是合理的。
所以 AI 销售系统不能只有“全自动”和“全人工”两种模式。
更合理的是分级策略。
比如：
- 低风险常见问题可以自动回复
- 涉及价格、合同、私有化、承诺效果时进入审批
- 投诉、威胁升级、敏感风险时转人工
- 工具读操作可以自动执行
- 工具写操作需要审批
- 新 Agent 试运行阶段默认半自动
- 低置信回复生成草稿，不自动发送
这样企业可以逐步放开自动化。
一开始让 Agent 做辅助，等 Trace 和 Eval 证明稳定后，再逐步扩大自动发送范围。
自动化不是一步到位，而是可控演进。
九、主动跟进：销售流程结束不等于会话结束
传统机器人经常有一个问题：
流程走到终点，就结束了。
但销售不是这样。
客户今天说“我先看看”，不代表彻底结束。
客户预约了演示，不代表不用提醒。
客户试用了一次，不代表已经转化。
客户已经成交，也可能有续费、复购、售后或转介绍机会。
所以 Agent 需要有主动跟进能力。
比如：
- 新客户欢迎
- 超时未回复提醒
- 预约前提醒
- 资料发送后跟进
- 试用后回访
- 长期未响应唤醒
- 订单或服务状态变化提醒
- 外部业务事件触发回访
这些主动动作不能靠运行时代码写死。
它们应该由 SOP、Playbook、事件和岗位声明。
运行态负责判断是否触发、是否允许发送、是否需要审批、是否符合渠道能力和静默时间。
这就让销售 Agent 从被动回答，进一步变成可运营的增长系统。
十、一个真实上线流程应该是什么样？
把 AI 销售接入真实业务现场，通常可以按这个顺序推进。
第一步，先跑 Web Chat 测试。
用一个可控入口验证 Agent 的状态、意图、槽位、Skill、知识库和话术。
第二步，接入一个主渠道。
比如企微或 Web，根据企业主要客户来源选择。
第三步，配置人工审批。
新 Agent 不建议一开始全自动。先让它生成草稿，由人工审核回复质量。
第四步，观察 Trace 和运营指标。
重点看：
- 是否漏回复
- 是否重复追问
- 是否乱转人工
- 是否知识库命中
- 是否工具调用正确
- 是否客户信息提取准确
第五步，逐步放开自动发送。
从低风险咨询、标准资料发送、简单追问开始，再扩展到更复杂场景。
第六步，接入更多渠道和业务工具。
当主链路稳定后，再扩展到小程序、公众号、外部 Gateway、MCP 业务系统等。
这样上线会更稳。
十一、对企业的三个建议
如果企业准备让 AI 销售进入真实现场，我建议关注三个问题。
第一，先统一会话，再追求多渠道数量。
接很多渠道不难，难的是让它们进入同一套会话、客户和 Agent 运行链路。
第二，先建立客户记忆边界，再谈长期智能。
Agent 不应该什么都记，也不应该什么都忘。要明确哪些信息进入客户记忆，哪些只留在会话状态，哪些只用于审计。
第三，先做人机协作，再做全自动。
AI 销售不是一上线就完全替代人工。更现实的路径是先辅助、再半自动、再逐步自动化。
这样既能提升效率，也能守住业务风险。
结语
AI 销售真正进入生产现场，不是接一个聊天窗口就结束。
它需要多渠道统一接入，需要客户身份归集，需要结构化记忆，需要人工审批和转接，需要主动跟进，也需要完整的运行诊断。
只有这些能力组合起来，Agent 才能在真实业务现场稳定工作。
下一代 AI 销售系统的目标，不是让 AI 单独完成所有销售，而是让 AI 成为销售团队的操作系统：
前端不漏接，过程不漏记，节点不漏跟，风险能审批，问题能追溯。
下一篇，我们会讲这个系列的最后一个主题：
可解释的 AI 销售：Trace、Eval 与 Agent 持续进化机制。