personalization-pipeline

个性化流水线

排序器不会生成任何内容。它会替换为先前计算并存储在潜在客户记录中的字符串。

生成两个字段，绝不生成整封邮件

Hey {{firstName}},

{{observation}}          ← generated, 15–25 words

[fixed offer skeleton, identical across the whole batch]

{{question}}             ← generated, one sentence

{{senderName}}

完全由模型生成的邮件总会趋于平庸：正确、流畅，却毫无个性。固定框架保留了语气；模型只负责模板做不到的部分——阅读别人的文档，并据此形成一个想法。

大约 45 个词中有 30 个会变。这就够了。

流水线

1. signal      ATS aggregator          → posting + raw quote
2. people      domain → person search  → name, title, LinkedIn, email
3. text        model on the quote      → observation + question + confidence
4. gate        branch                  → confidence < 4 → human review queue
5. load        connector               → lead with custom fields
6. send        sequencer               → 20–30 per mailbox per day

如果平台有连接器可以连接到排序器，六个步骤都可以放在同一个工作簿中。设计前先确认这一点——缺少最后一个连接器，就只能手动导出 CSV。

给模型事实，而不是任务说明

输入是一条固定记录，而不是“写一封个性化邮件”：

字段	示例
职位描述中的引文	“我们的应用是一个用 Rails 构建的 Majestic Monolith……”
职位描述标题	高级软件工程师
职位开放天数	8
收件人职位	软件工程高级总监
公司及规模	142 人

输出也固定：observation 不超过 25 个词，question 为一个句子，confidence 为 1–5。

提示词中的一项硬性约束：观察只能依据引文。 不能说“我看了你的 LinkedIn”，也不能说“作为一家快速发展的公司”。没有引文，就不能写观察。

把关

没有这一步，它就是一台多了几道步骤的垃圾邮件炮。

以下情况，潜在客户不得进入营销活动：

• 置信度低于 4
• 文案包含模板痕迹：我注意到 · 作为 · 令人印象深刻 · 令人兴奋
• 观察超过 25 个词——说明模型开始总结职位描述
• 引文是关键词误命中

所有被拦截的内容都会进入人工审核队列。预计大约每七个潜在客户中有一个。如果比例远低于这个水平，说明把关没有发挥作用；如果远高于这个水平，说明源数据太少。

备用路线和主路线同样重要

没有引文的潜在客户不会被丢弃，也不会被编造一条观察，而是转入单独的营销活动，依据较弱的信号，使用不含生成文案、只包含普通变量的框架。

分别衡量这两项营销活动。 如果合并统计，弱信号路线会拉低强信号路线的表现，你可能会因此放弃一个本来有效的假设。

自动化不会改变什么

发送上限不变。 超个性化不代表可以提高发送量。每个邮箱每天发送 20–30 封，域名预热两到三周，SPF/DKIM/DMARC 状态正常，并测试收件箱送达率。再好的文案进了垃圾邮件文件夹，效果也是零，还会让你误判这个假设。

名单顶部的潜在客户仍由人工处理。 得分最高的 20–30 个账户永远不会进入流水线，由人工撰写邮件。自动化处理的是中间部分，而不是顶尖部分。

成本按潜在客户计算，而且很低。 联系人约需 1.5 个积分，生成文案需 1 个积分，职位描述仅需几分钱。处理 300 个潜在客户的一批任务约需 750 个积分。开始构建前，把这个数字明确说出来——它通常低于团队的预期，这会改变大家对范围的讨论。

输出

1. 六个步骤的节点图，并标出每个步骤实际使用的工具
2. 生成步骤的准确输入记录和输出架构
3. 以检查清单形式列出把关条件
4. 备用路线
5. 每个潜在客户和每批任务的成本
6. 保持人工处理的部分