AI智能体赋能B2B销售：自然语言查询数据库精准挖掘客户线索

1. 项目概述：一个为AI智能体打造的B2B销售线索挖掘利器

如果你是一名销售、市场人员，或者正在为你的SaaS产品、企业服务寻找精准的潜在客户，那么你肯定对“找客户”这件事又爱又恨。爱的是，每一个新线索都意味着新的商机；恨的是，这个过程往往像大海捞针，耗时耗力，效率低下。传统的企业名录要么信息陈旧，要么价格昂贵，要么就是联系方式不全，让你在“广撒网”和“精准打击”之间难以抉择。

今天要聊的这个项目，Tomsonx232/smb-sales-boost-skill，就是为解决这个痛点而生的。它是一个为OpenClaw（一个AI智能体框架）设计的技能插件，但其核心价值在于背后连接的“SMB Sales Boost”数据库。简单来说，这个技能让你的AI助手（比如Claude）能够像一名经验丰富的销售总监一样，用自然语言对话的方式，帮你从全美海量的中小企业（SMB）数据库中，快速、精准地筛选出你最想要的潜在客户名单，并且可以直接导出为CSV或Excel文件。

想象一下这个场景：你只需要对你的AI助手说：“帮我找一下过去一个月内，在德克萨斯州和佛罗里达州新注册的、做太阳能板安装的公司，最好有联系电话。”几秒钟后，一份整理好的名单就呈现在你面前。这不再是科幻电影里的场景，而是这个技能能帮你实现的工作流。它的核心价值在于将复杂的数据库查询和销售线索挖掘过程，封装成了一个可以用人类语言交互的简单指令，极大地降低了技术门槛，提升了销售拓客的效率和精准度。

这个技能主要服务于几类人群：独立销售代表或小团队，他们需要低成本、高效率地获取线索；SaaS和软件公司的市场与销售团队，他们需要寻找特定行业的中小企业客户；商业咨询服务提供商，他们需要定位有特定需求的新公司；以及任何进行B2B外呼或邮件营销的从业者。无论你是销售新手还是资深专家，这个工具都能让你从繁琐的信息筛选中解放出来，把更多精力放在真正的客户沟通和成交上。

2. 核心设计思路：为什么是“技能”而非“传统API调用”？

在深入细节之前，我们有必要先理解这个项目的根本设计哲学。它不是一个传统的网页应用，也不是一个需要你写代码调用的SDK，而是一个“技能”（Skill）。这个设计选择背后，体现了对现代工作流，特别是AI增强型工作流的深刻理解。

2.1 从“人适应工具”到“工具理解人”的范式转变

传统的销售线索工具，无论是ZoomInfo还是类似平台，通常提供一个复杂的网页界面，里面有数十个筛选器：行业、地点、公司规模、职位、关键词等等。用户需要学习这个界面的逻辑，手动组合各种条件，然后点击查询。这是一个“人适应工具”的过程。而smb-sales-boost-skill的设计理念恰恰相反，它追求的是“工具理解人”。通过将数据库查询能力封装成一个AI智能体可以理解的技能，它允许用户用最自然的方式——说话——来表达需求。

这种转变带来的优势是显而易见的：

• 降低认知负荷：你不需要记住“公司名称”字段是叫company_name还是businessName，你直接说“找公司”就行。AI会帮你把口语化的描述，翻译成后端API能理解的精确查询参数。
• 支持复杂、模糊的查询：你可以说“找那些做高端定制家具，但又不是大型连锁店的公司”。这种包含正反意向、带有排除逻辑的查询，在传统界面中可能需要设置多个包含和排除关键词列表，而在这里只是一句话。
• 实现对话式探索：查询不是一个一次性动作。你可以基于结果进行追问：“只要加州北部的”，“只要上周更新的”，“把结果按公司名称排序”。这种交互是流式的、探索性的，更符合人类处理信息的习惯。

2.2 信用点（Credit）模型：为价值付费，而非为访问付费

另一个关键设计是它的信用点（Credit）模型。这与许多按“席位”（Seat）或按“查询次数”收费的SaaS模式不同。SMB Sales Boost的Starter, Growth, Scale等计划，每月提供一定额度的信用点，每获取一条新的、你从未导出过的销售线索，扣除1个信用点。

这个模型精妙地解决了几个问题：

1. 成本可控：你可以通过设置maxCredits参数，严格限制单次查询或导出所消耗的信用点。比如，你只有50个信用点，你可以明确告诉AI“只花10个信用点帮我找找看”，避免意外消耗。
2. 鼓励重复利用：已经导出过的线索，再次查询或导出是免费的。这意味着你建立的客户池可以反复挖掘、持续跟踪，而不会产生二次费用。这对于客户生命周期管理至关重要。
3. 价值对齐：你只为真正获取到的新联系人信息付费。预览功能（GET /leads/preview）可以让你看到有多少条匹配的线索，以及部分脱敏的信息（如公司名、地点），而不消耗任何信用点，帮助你评估搜索条件的有效性后再决定是否“花钱”获取完整联系方式。

实操心得：信用点使用策略在实际使用中，我强烈建议养成一个习惯：先预览，后查询。对于任何一组新的搜索条件，首先使用“预览”功能。这会返回匹配的记录数量和一个概览。如果数量太少（比如只有几条），你可能需要放宽关键词；如果数量巨大（比如上万条），你就需要增加地点、时间等筛选条件，或者准备好足够的信用点预算。预览功能是你的“雷达”，帮你扫描战场，避免信用点的盲目消耗。

2.3 双数据库架构：针对不同触达策略的精准设计

项目资料中提到了两个独立的数据库：家装（Home Improvement）和其他（Other）。这绝非简单的数据分类，而是针对不同销售策略的精心设计。

• 家装数据库：专注于承包商、装修公司等。其核心联系信息是电话号码，并附带了星级评分、评论数量等源自本地服务列表（如Google My Business）的数据。这个数据库的设计显然是为电话销售（Cold Calling）优化的。评分和评论信息可以帮助你初步判断公司的口碑和活跃度。
• 其他数据库：涵盖更广泛的、新注册的各类中小企业。其核心优势是提供了电话号码和电子邮箱地址。这为多渠道触达打开了大门：你可以先发一封礼貌的推广邮件，几天后再进行电话跟进。这种组合拳的转化率通常远高于单一渠道。

选择哪个数据库？这完全取决于你的产品和服务性质，以及你团队擅长的触达方式。

• 如果你的服务是面向本地、需要上门或深度沟通的（如企业软件实施、高端设备销售），家装数据库的电话导向和口碑信息可能更有价值。
• 如果你的产品是标准化SaaS、数字营销服务或适合邮件沟通的B2B产品，其他数据库的邮箱信息则是无价之宝。你可以利用它构建自动化的邮件营销序列。

注意：切换数据库是通过POST /settings/switch-database接口实现的，并且有冷却时间。这意味着你不能在单次会话中频繁切换。因此，在开始大规模查询前，最好根据你的主要目标市场，确定好使用哪个数据库。

3. 实操全流程：从零开始部署到获取第一份线索列表

理解了设计思路，我们来看看如何亲手把它用起来。整个过程可以分为环境配置、技能安装、首次查询和导出几个步骤。

3.1 环境准备与技能安装

首先，你需要一个运行OpenClaw的环境。OpenClaw是一个用于构建和运行AI智能体（特别是Claude）的技能框架。假设你已经搭建好了基础环境。

步骤一：获取技能文件你需要将smb-sales-boost-skill的整个文件夹放置到OpenClaw的技能目录中。通常结构如下：

你的工作空间/ └── skills/ └── smb-sales-boost/ # 整个技能文件夹放这里 ├── SKILL.md # 技能的核心指令与元数据 ├── smb_api.py # 封装的API客户端，所有安全逻辑在这里 ├── openapi.json # 完整的API接口定义 └── README.md # 基础说明文档

smb_api.py这个文件是整个技能的安全基石。它用Python的requests库处理所有HTTP请求，确保用户输入的关键词、过滤条件等参数都以结构化的方式传递给API，完全避免了通过拼接字符串来执行Shell命令可能带来的注入风险。这是项目作者一个非常专业且必要的安全设计。

步骤二：配置API密钥你需要一个SMB Sales Boost的订阅（Starter及以上）以及对应的API密钥。密钥格式类似smbk_xxxxxx。

安全地配置密钥有两种推荐方式：

1. 环境变量（推荐）：在启动OpenClaw之前，在终端中设置：

   export SMB_SALES_BOOST_API_KEY="smbk_your_actual_key_here"

   这种方式密钥只存在于当前会话的内存中，相对安全。
2. OpenClaw配置文件：在~/.openclaw/openclaw.json中配置。但请注意，将明文密钥存储在文件中存在潜在风险，务必确保该文件权限设置正确（如chmod 600），并且不在不安全的环境中分享此配置文件。

步骤三：启动与验证启动你的OpenClaw智能体。如果配置正确，智能体应该已经加载了smb-sales-boost技能。你可以通过简单的问候或询问“你能帮我找客户吗？”来测试技能是否被成功识别。

3.2 进行第一次自然语言查询

现在，有趣的环节开始了。你不再需要面对表单，而是直接和你的AI销售助理对话。

一个完整的查询示例：你：“帮我找一下在纽约市，最近30天内新更新的，做咖啡烘焙的小公司，不要大型连锁品牌。”

你的AI助手（例如Claude）在背后会进行以下操作：

1. 语义解析：理解“纽约市”对应cityInclude: ["New York"]，“最近30天内新更新的”对应lastUpdatedFrom: "rel:30d"，“做咖啡烘焙的”需要生成一组带通配符的关键词，如positiveKeywords: ["*coffee*roast*", "*coffee*roaster*", "*artisan*coffee*"]，“不要大型连锁品牌”可能转化为negativeKeywords: ["*starbucks*", "*dunkin*", "*chain*", "*franchise*"]。
2. API调用：使用解析后的参数，调用GET /leads接口。为了帮你控制成本，它可能会默认或根据你的要求加上maxCredits: 20这样的参数，限制本次查询最多消耗20个信用点。
3. 结果呈现：AI会以清晰易读的表格形式返回前10条或20条结果，并明确告诉你本次查询消耗了多少信用点，剩余多少，以及总共匹配了多少条记录。

关键词构建技巧使用通配符*是提高查全率的关键。例如：

• “*solar*install*”可以匹配 “solar installation”, “solar installer”, “residential solar installers”。
• 对于包含空格的URL搜索，系统会自动将空格转为%。搜索 “web design” 在URL字段中，实际会搜索%web%design%，从而匹配 “web-design-services.com”。

建议为你关注的每个垂直行业建立自己的“关键词列表”（通过/keyword-lists接口管理）。例如，一个针对“瑜伽工作室”的列表可以包含：["*yoga*studio*", "*pilates*studio*", "*wellness*center*", "*mindfulness*", "*meditation*class*"]。你可以保存这个列表，并随时启用AI自动优化（Auto-Refine）功能，让系统智能地为你扩展和优化这些关键词。

3.3 导出数据与后续管理

当你对查询结果满意，决定获取完整联系方式时，就可以进行导出。

导出操作：你：“把刚才找到的纽约咖啡烘焙商导出成Excel文件，最多花50个信用点。”

AI会调用POST /leads/export接口，使用之前查询的过滤条件，并附上maxCredits: 50和format: "xlsx"参数。系统会从最“新鲜”（最近更新）的线索开始导出，直到用完50个信用点或所有匹配线索耗尽。如果匹配线索超过50条，超出的部分会保存在你的“线索储备库”中，下次导出时可以优先获取。

文件安全与处理：导出的文件（CSV/JSON/XLSX）默认会保存到OpenClaw配置的一个安全输出目录（如/mnt/user-data/outputs）。smb_api.py客户端在这里实施了第二重关键安全措施：路径遍历防护。无论API返回的文件名是什么，客户端都会使用os.path.basename()剥离任何目录路径，并只允许.csv,.json,.xlsx后缀，确保文件不会被写入到系统其他敏感位置。

导出后的工作流建议：

1. 数据清洗：打开导出的Excel文件，快速浏览一下“公司名称”、“AI分类”等字段，剔除明显不相关的记录（尽管有关键词过滤，但总有边缘情况）。
2. 信息补全：利用“网站”字段，手动访问一些潜在客户的网站，获取更具体的业务信息、团队介绍，这能让你的首次触达更加个性化。
3. 导入CRM：将清洗后的列表导入你的客户关系管理系统（如HubSpot, Salesforce, Pipedrive），开始分配任务或创建营销活动。

4. 高级功能与实战避坑指南

掌握了基本操作后，一些高级功能能让你如虎添翼，而了解常见的“坑”则能让你走得更稳。

4.1 利用AI增强功能提升线索质量

除了基础的搜索，技能集成了几个AI功能来优化你的获客流程：

• AI分类建议（/ai/suggest-categories）：如果你不确定你的目标客户属于哪些行业分类，可以直接问AI。例如：“我的业务是卖健身房管理软件，应该瞄准哪些分类？” AI会基于数据库中的分类体系，给出“健身中心”、“体育俱乐部”、“健康服务”等建议，帮助你更精准地设置过滤条件。
• AI关键词生成（/ai/generate-keywords）：提供一段关于你业务的描述，AI可以自动为你生成一组带通配符的关键词列表。例如，描述“我们为独立书店提供库存管理和在线销售系统”，AI可能会生成["*bookstore*", "*independent*book*", "*used*book*", "*rare*book*"]等关键词。你可以直接使用或以此为基础进行修改。
• AI自动优化（Auto-Refine）：这是针对已有关键词列表的“一键优化”功能。启用后，AI会对列表中的关键词进行四步处理：验证有效性、发现新的正面关键词（最多15个）、发现新的排除关键词（最多5个）、最后进行质量评分。这能持续保持你的关键词列表的活力和覆盖度。

4.2 自动化与团队协作功能

对于团队或希望实现自动化流程的用户，以下功能非常实用：

• 邮件计划（Email Schedules）：你可以创建一个计划任务，例如“每周一早上，将过去7天新更新的、位于加州的科技类公司线索，以CSV格式发送到我的邮箱”。设置好后，就可以定期自动接收新鲜线索列表，无需手动操作。
• 线索平均分配（Split Lead Distribution）：如果你导出了一批线索给销售团队，可以使用此功能（通常结合导出格式或后续脚本）将线索平均或按规则分配给多个销售代表，避免重复跟进或分配不均。
• 过滤预设（Filter Presets）：如果你经常查询同一类客户（如“德州的牙科诊所”），可以将这组复杂的过滤条件（关键词、地点、时间范围等）保存为一个预设。下次只需说“加载我的‘德州牙医’预设”，即可快速复用。

4.3 常见问题与排查实录

在实际使用中，你可能会遇到以下情况。这里是我的实战记录和解决方案：

问题一：查询结果为零或过少。

• 可能原因1：关键词太窄或拼写有误。比如搜索“photography studio”可能漏掉“photo studio”或“摄影工作室”（如果数据库中有其他语言记录）。解决方案：广泛使用通配符，如“*photo*studio*”, “*photographer*”。同时，用“预览”功能测试不同关键词组合的效果。
• 可能原因2：数据库选择错误。你要找的“市场营销公司”可能存在于“其他”数据库，但你当前选的是“家装”数据库。解决方案：确认你的目标客户类型，并使用POST /settings/database检查或切换当前数据库。
• 可能原因3：时间或地点过滤太严格。“过去3天”在某个特定小城市可能确实没有新公司注册。解决方案：逐步放宽lastUpdatedFrom范围（如从“7d”改为“30d”），或扩大地理范围（如从城市扩大到州）。

问题二：导出的联系方式质量不高（如电话空号、邮箱无效）。

• 认知调整：需要明确，SMB Sales Boost提供的是“新注册企业”的线索。对于“其他”数据库，联系方式来自公开爬取。新公司网站上的电话和邮箱可能尚未完善或及时更新。这是销售拓客的常态，而非工具缺陷。
• 优化策略：重点关注Last Updated字段。这个字段的更新意味着联系方式（电话、邮箱、地址）发生了变动，通常是因为公司补充或更新了信息，因此这类线索的联络成功率相对更高。在查询时，优先筛选“最近一周”或“最近三天”更新的线索。
• 后续验证：将导出列表与电话自动拨号系统或邮箱验证服务进行简单集成，作为清洗流程的一环，可以进一步提升外联效率。

问题三：信用点消耗过快。

• 核心检查：你是否在反复导出同一批线索？记住，重复导出已导过的线索不消耗信用点。确保在导出时，如果只是想重新获取之前的列表，使用maxCredits: 0参数。
• 控制单次查询：在不确定搜索条件是否有效时，务必在GET /leads查询中使用maxCredits参数（如maxCredits: 5），先看看前几条结果的质量如何。
• 利用预览：GET /leads/preview是你的最佳朋友，它返回计数和脱敏信息，零信用点消耗。永远遵循“先预览，后查询/导出”的原则。

问题四：API调用报错（如429状态码）。

• 原因：触发了速率限制。不同的端点有不同的限制（如普通查询60次/分钟，导出1次/5分钟）。
• 解决方案：对于需要批量处理的操作（如分页查询大量结果），需要在你的调用逻辑中增加适当的延迟（例如，每次查询后睡眠1秒）。AI智能体在自动处理时通常会有内置的节奏控制，但如果你是自己写脚本调用底层的smb_api.py，就需要特别注意这一点。

关于购买与订阅的安全提醒技能包含了通过API直接购买订阅和信用点的功能（POST /purchase）。这是一个强大的功能，但也意味着AI助手在获得确认后，可以发起真实的扣款。任何负责任的技能指令都会要求AI在执行购买操作前，必须获得用户的明确确认。在实际使用中，请务必留意AI的确认提示，不要随意授权购买操作。同时，API密钥就是你的支付凭证，请像保护密码一样保护它，切勿泄露。