Blog / AI
AI

使用 Bright Data 构建 AI 获客智能体

了解如何用 AI 与 Bright Data 自动化你的获客流程。本指南涵盖从抓取到打分再到外联的全部环节。
6 分钟阅读
Arindam Majumder
Arindam Majumder
AI 内容创作者
基于 Bright Data 的 AI 获客智能体

获客是销售的命脉，但对大多数团队而言，它依然是令人沮丧的瓶颈。传统方法缓慢、带有偏见、难以规模化，让你最优秀的人才陷入手动搜索、数据录入与猜测的循环。如果你能把这一关键职能从繁琐的琐事，转变为无缝、自动化的竞争优势，会怎样？

在本指南中，你将学到：
– 什么是 AI 获客
– 为何 AI 优于传统方法
– 如何一步步构建你自己的获客智能体
– Bright Data 如何为你的工作流提速增效

开始吧！

什么是 AI 获客

简单来说，AI 获客是使用人工智能自动查找、采集、丰富并甄别潜在客户的过程。它将原始数据转化为可执行的销售机会。

把它看作一个高效、数据驱动、全天候工作的销售开发代表。它不只是“找到线索”，还“理解线索”。

一个 AI 智能体会围绕四个关键动作，执行无缝的自动化工作流：

  1. 抓取（Scrape）—— 它可自主使用 Bright Data 的抓取器 等工具，从目标来源（如 LinkedIn、公司网站）采集原始数据。这相当于它“与外部环境交互”的方式。
  2. 丰富（Enrich）—— 智能体会基于这些通常为公司详情的原始数据，使用其他工具附加关键信息。它会自动查找电子邮箱地址、电话号码、技术栈数据、公司融资新闻及其他公开可得的数据。
  3. 评分（Score）—— 这是 AI 智能体“决策”和“问题求解”的核心。借助丰富后的数据，它会为线索做资格评估。例如：
    • 基于规则的评分： “If industry = Technology and employee_count > 50, add 10 points.”
    • LLM 驱动的推理：LLM 会分析线索档案与公司新闻，基于你对理想客户画像（ICP）的细致提示来评估契合度。它能理解那些难以用简单规则编码的复杂标准。
  4. 触达（Engage）：最后，智能体会采取行动——它不会止步于分析。它可以自动把合格线索加入 CRM，生成个性化外联邮件，甚至在其他平台上发送首次触达消息，从“发现”闭环到“首次联系”。

为什么传统获客力不从心

几十年来，获客的销售流程基本保持手工化。销售代表手动搜索潜在客户，基于有限信息评估其潜力，然后寄希望于后续跟进能在合适的时间抵达拥挤的收件箱。这种方法不仅过时，本质上也存在缺陷。以下是传统方法让你的销售团队失利的原因：

1.资格评估中的人为偏见：手动流程高度依赖直觉与主观判断。代表可能会无意识地优先考虑来自熟悉公司或特定角色的线索。

2.线索从指缝中溜走：手动获客意味着在标签页、表格与 CRM 录入之间来回切换，流程混乱。优秀线索不可避免地会迷失在凌乱的 Excel 表中、被遗忘在浏览器标签页里，或在一开始的忙乱中根本没被录入系统。每一个流失的线索，都是直接从你的漏斗中流走的营收。

3.团队可用性受限：你的销售团队每周最多只能工作 40 小时（如果幸运的话）。他们需要睡眠、休假与周末。但互联网不会停。潜在客户随时都在搜索解决方案，而你的手动流程只能在工作时间内响应。这。

为什么 AI 获客至关重要

AI 驱动的获客不仅是升级，而是对销售流程的彻底重塑。它之所以重要，是因为它直面并解决了传统方法的核心缺陷：

  • 全流程自动化：处理搜索和数据采集等重复、耗时的任务，让你的团队把精力集中在成交上。
  • 7×24 小时运行：与人工团队不同，AI 智能体全天候工作，确保不会因时区而错过任何机会。
  • 数据驱动决策：以客观、基于标准的评估取代人类的猜测与偏见，确保你只追踪最具潜力的线索。
  • 即时响应：AI 能在几分钟内识别并发起触达，大幅提升参与率与转化率。
  • 无限扩展：它可以轻松分析成千上万的潜在客户，让你的外联规模扩张而无需同比增加人手。

既然你已经看到 AI 如何重塑销售外联，接下来就该学习如何真正构建你自己的方案了。让我们看看如何搭建一套 AI 驱动的获客智能体。

构建你的 AI 获客智能体

在本节中，我们将逐步搭建你的 AI 获客智能体。我们会构建一个精简的智能体，自动化整个工作流。你将看到 Bright Data 与 Streamlit 如何轻松组合在一起，为你不知疲倦地工作。

先决条件

按以下要求搭建开发环境：

  • (Python 3.9) 或更高版本
  • Bright Data 账户：注册并创建 API 令牌（提供免费试用额度）
  • OpenAI API Key：在 OpenAI 控制台创建用于 Embeddings 和 LLM 的密钥
  • 代码编辑器，例如 VS Code 或 PyCharm
  • Python 虚拟环境，用于隔离依赖
  • Streamlit 库，用于提供交互式用户界面，方便用户使用该工具

环境搭建

创建项目目录并安装依赖。首先创建一个干净的虚拟环境，以避免与其他 Python 项目产生冲突。

python -m venv venv
# macOS/Linux: source venv/bin/activate
# Windows: venvScriptsactivate
pip install langchain langchain-community langchain-openai streamlit python-dotenv

新建文件 lead_generator.py，并添加如下导入。这些库用于网页抓取、文本处理、向量嵌入与用户界面。

import base64
import json
import streamlit as st
import os
import requests
from dotenv import load_dotenv
from typing import Dict, List, Any

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import FAISS
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain.schema import Document
from langchain.agents import initialize_agent, AgentType, Tool
from langchain.memory import ConversationBufferMemory
from langchain.callbacks import StreamlitCallbackHandler

load_dotenv()

Bright Data 配置

使用环境变量安全存储你的 API 凭据。创建 .env 文件保存凭据，将敏感信息与代码分离。

BRIGHT_DATA_API_TOKEN="your_bright_data_api_token_here"
OPENAI_API_KEY="your_openai_api_key_here"

你需要：

  • Bright Data API 令牌：在 Bright Data 控制台中生成
  • OpenAI API Key：用于 LLM 文本生成

步骤 1：使用 Bright Data 采集数据

现在开始配置，从例如 LinkedIn 个人资料中获取线索数据。

如果你还不熟悉 Bright Data 的 Web Scraper API，建议先阅读相关文档。

简而言之，Web Scraper API 提供按域检索公开数据的 API 端点。Bright Data 会在其服务器上初始化并运行现成的抓取任务。这些 API 负责处理IP 轮换、验证码处理等措施，高效且合规地从网页收集公共数据。任务完成后，抓取的数据会被解析为结构化格式，并以快照的形式提供给你。

因此，一般流程是：

  1. 触发 API 调用，启动网页抓取任务。
  2. 定期检查包含抓取数据的快照是否就绪。
  3. 快照可用时，拉取数据。

只需几行代码即可实现上述逻辑：

class BrightDataCollector:
    def __init__(self, api_key: str):
        self.api_key = api_key
        self.base_url = "https://api.brightdata.com/datasets/v3"
        self.headers = {"Authorization": f"Bearer {api_key}"}

    def collect_leads(self, filters: Dict[str, Any], limit: int = 10) -> List[Dict[str, Any]]:
        # Trigger search
        r = requests.post(
            f"{self.base_url}/trigger",
            headers={**self.headers, "Content-Type": "application/json"},
            params={"dataset_id": "gd_your_lead_dataset_id", "type": "discover_new", "limit_per_input": str(limit)},
            json=[{
                "keyword": f"{filters.get('role','')} {filters.get('industry','')}".strip(),
                "location": filters.get("location", "")
            }]
        )
        snapshot_id = r.json().get("snapshot_id")
        if not snapshot_id:
            return []

        # Poll until ready
        url = f"{self.base_url}/snapshot/{snapshot_id}?format=json"
        for _ in range(30):
            snap = requests.get(url, headers=self.headers)
            if snap.status_code == 200:
                return snap.json()
            time.sleep(5)
        return []

步骤 2：用 AI 为线索做资格评估

当你收集到原始线索后，下一步是判断哪些符合你的理想客户画像（ICP）。你可以用 AI 资格评估器来提取搜索参数、分析线索、打分，并突出最佳匹配，而不是手工评分。

下面的类展示了如何结合 LangChain 与 OpenAI 构建这一工作流。

"""AI-powered lead qualification and scoring"""

def __init__(self, api_key: str):
    self.llm = ChatOpenAI(api_key=api_key, model_name="gpt-3.5-turbo", temperature=0.3)
    self.embeddings = OpenAIEmbeddings(api_key=api_key)

    # Prompt for qualification
    self.analysis_prompt = PromptTemplate(
        input_variables=["query", "lead"],
        template="""
        Original Query: {query}
        Lead: {lead}

        Return JSON with:
        - score (1-100)
        - analysis
        - pain_points
        - value_proposition
        - decision_maker_level
        - engagement_probability
        """
    )

    self.analysis_chain = LLMChain(llm=self.llm, prompt=self.analysis_prompt)

def qualify(self, lead: dict, query: str) -> dict:
    """Qualify a single lead"""
    result = self.analysis_chain.run(query=query, lead=json.dumps(lead))
    return {**lead, **json.loads(result)}

def batch_qualify(self, leads: list, query: str) -> list:
    """Qualify and rank leads"""
    results = [self.qualify(lead, query) for lead in leads]
    return sorted(results, key=lambda x: x["score"], reverse=True)

def vector_store(self, leads: list):
    """Build FAISS vector store for semantic search"""
    docs = [Document(page_content=f"{l['name']} {l['title']} {l['company']}", metadata={"i": i})
            for i, l in enumerate(leads)]
    return FAISS.from_documents(docs, self.embeddings)

步骤 3：用于交互的 Streamlit 界面

这一层 UI 将所有内容串联起来，让你可以配置 API Key、控制 AI 设置，并以清晰的可视化方式探索线索。

st.set_page_config(page_title="AI Lead Gen Agent", page_icon="🎯", layout="wide")

# Header
st.title("🔎 AI-Powered Lead Generation Agent")

# Sidebar settings
with st.sidebar:
    st.header("API Keys")
    bright_data_api_key = st.text_input("Bright Data API Key", type="password")
    openai_api_key = st.text_input("OpenAI API Key", type="password")
    st.header("Settings")
    model_name = st.selectbox("OpenAI Model", ["gpt-3.5-turbo", "gpt-4"])
    max_leads = st.slider("Max Leads", 5, 50, 10)

# Chat interface
if "messages" not in st.session_state:
    st.session_state.messages = []

for msg in st.session_state.messages:
    with st.chat_message(msg["role"]):
        st.markdown(msg["content"])

user_input = st.chat_input("Describe your ideal leads...")

if user_input:
    st.session_state.messages.append({"role": "user", "content": user_input})
    st.chat_message("user").markdown(user_input)

    # Placeholder: AI extracts filters & fetches leads
    st.chat_message("assistant").markdown("Extracted filters, fetching leads...")

# Display a simple lead card
def display_lead_card(lead: Dict[str, Any]):
    with st.expander(f"{lead.get('name')} - {lead.get('title')} at {lead.get('company')}"):
        st.write(f"Location: {lead.get('location', 'N/A')}")
        st.write(f"Email: {lead.get('email', 'N/A')}")
        st.write(f"LinkedIn: {lead.get('linkedin', 'N/A')}")
        st.write(f"Score: {lead.get('score', 0)}/100")

# Example leads
sample_leads = [
    {"name": "Jane Doe", "title": "Marketing Manager", "company": "Fintech Co", "location": "CA", "email": "[email protected]", "linkedin": "linkedin.com/janedoe", "score": 85}
]

st.subheader("Qualified Leads")
for lead in sample_leads:
    display_lead_card(lead)

有了这个 UI，用户看到的不再是枯燥的 JSON 分数，而是一目了然的线索排序、洞察与触达潜力。

步骤 4：自动化跟进

在为线索完成资格评估后，你仍需要在合适的时机用合适的信息进行触达。这就需要自动化。FollowUpAutomator 类会生成个性化外联邮件、LinkedIn 消息与跟进内容，并按结构化序列进行排期与执行。

class FollowUpAutomator:
    """Basic automated follow-up system for qualified leads"""

    def __init__(self, api_key: str):
        self.llm = ChatOpenAI(api_key=api_key, model_name="gpt-3.5-turbo", temperature=0.7)

        # Simple templates
        self.initial_prompt = PromptTemplate(
            input_variables=["name", "company"],
            template="Write a short, friendly outreach email to {name} at {company}."
        )
        self.followup_prompt = PromptTemplate(
            input_variables=["name", "company"],
            template="Write a polite follow-up email to {name} at {company}, under 80 words."
        )
        self.linkedin_prompt = PromptTemplate(
            input_variables=["name", "industry"],
            template="Write a short LinkedIn connection message to {name} in the {industry} industry."
        )

        self.initial_chain = LLMChain(llm=self.llm, prompt=self.initial_prompt)
        self.followup_chain = LLMChain(llm=self.llm, prompt=self.followup_prompt)
        self.linkedin_chain = LLMChain(llm=self.llm, prompt=self.linkedin_prompt)

    def create_sequence(self, lead: Dict[str, Any]) -> List[Dict[str, Any]]:
        """Builds a 3-step outreach sequence for one lead"""
        return [
            {"day": 0, "type": "email", "content": self.initial_chain.run(name=lead["name"], company=lead["company"])},
            {"day": 2, "type": "linkedin", "content": self.linkedin_chain.run(name=lead["name"], industry=lead.get("industry", ""))},
            {"day": 7, "type": "email", "content": self.followup_chain.run(name=lead["name"], company=lead["company"])}
        ]

    def schedule(self, leads: List[Dict[str, Any]]) -> List[Dict[str, Any]]:
        """Assigns dates to each touch"""
        scheduled = []
        for lead in leads:
            base = datetime.now()
            sequence = self.create_sequence(lead)
            for touch in sequence:
                touch["scheduled_date"] = base + timedelta(days=touch["day"])
                touch["lead"] = lead["name"]
            scheduled.append({"lead": lead["name"], "sequence": sequence})
        return scheduled

步骤 5：整合代码并运行

将最终代码放入 lead_generator.py，然后运行：

streamlit run lead_generator.py

当你运行完整代码后，助手会接收你的查询，从 Bright Data 拉取最新线索，并用 AI 驱动的打分与洞察进行丰富。每批 10 个线索会被处理，直到最多分析 40 条职位信息；随后按相关性、决策权重与互动概率进行评分与排序。最后，完整的丰富结果会导出为干净的 results.csv 文件，给你的不仅是一份联系人清单，而是一份可直接投入行动的 AI 甄别线索数据库。

AI 获客智能体的最终界面

结语

现在你已拥有一套完整框架，用于构建自动化的 AI 获客智能体。该系统可自主从网页采集最新数据，用关键信息加以丰富，依据你的理想客户画像智能评估线索，并让它们随时准备被触达。

这种方法的真正力量在于其灵活性。你可以将此框架适配于任何行业——从 SaaS、金融到电商与招聘——只需在 Bright Data 与 LLM 设置中调整目标数据源与资格标准。其模块化设计也让你可以随着销售流程的演进，轻松加入新的数据端点、评分算法或输出渠道。

要打造更高级、更强大的工作流，欢迎探索 Bright Data 文档 中的完整数据集与解决方案。

免费创建 Bright Data 账号，使用试用额度，立即开始构建你的自动化获客智能体。把你的销售管道从“滴滴作响的水龙头”，变成可预测的高速增长引擎。

联系销售 开始免费试用google social icon

支持支付宝等多种支付方式

Arindam Majumder
Arindam Majumder

AI 内容创作者

Arindam Majumder 是一名开发者推广专员、YouTube博主和技术作家，专注于将大语言模型 (LLM)、智能体工作流及 AI 内容讲解得简单易懂，拥有超过5000名关注者。

Expertise
RAG（检索增强生成） AI 智能体 Python
View all articles
Table of Contents

    你也可能对此有兴趣

    Microsoft Copilot Studio 与 SERP API 博客图片
    AI
    Antonello Zanini
    Antonello Zanini
    技术写作

    将 Bright Data 的 SERP API 集成至 Microsoft Copilot Studio 中的 AI 代理

    了解如何将 Bright Data 的 SERP API 无缝集成至 Microsoft Copilot Studio 中的 AI 代理，从而获得更全面的最新网络搜索洞察。
    11-11 月-2025
    3 分钟阅读
    百度网页抓取
    网络数据
    Antonello Zanini
    Antonello Zanini
    技术写作

    如何抓取百度 SERP 数据：3种方法

    探索抓取百度 SERP 数据的三种主要方法：从构建自定义 Python 抓取工具，到使用 Bright Data 的 SERP API，再到集成Web MCP。
    05-11 月-2025
    7 分钟阅读
    RFC9209 Proxy-Status 头字段指南（2025 年更新）
    代理101
    Arindam Majumder
    Arindam Majumder
    AI 内容创作者

    RFC9209 Proxy-Status 标头指南（2025年更新）

    了解 RFC9209 Proxy-Status 标头如何消除代理故障排除中的盲目猜测。本指南涵盖架构、错误分析和 Bright Data 的2025年更新。
    03-11 月-2025
    3 分钟阅读