Apollo 如何利用 Deep Agents 和 LangSmith 构建 GTM AI

Apollo 是一个覆盖从潜在客户挖掘到联系人信息丰富、外联序列、交易管理和分析的完整销售周期平台。为了解决产品模块过多导致用户感到繁琐的问题，Apollo 基于 Deep Agents 重新构建了其 AI 助手，并利用 LangSmith 进行追踪、评估和可观测性。

最初，Apollo 的多代理系统采用基于 LangGraph 的监督式架构，由一个主代理将任务分配给专门的子代理。这种架构虽然有效，但每次新增用例都需要编写新的子代理并集成到主代理中，导致开发效率低下，且用户需要频繁确认意图。

经过评估，Apollo 选择了 Deep Agents 而非 Anthropic 的 Claude Agent SDK，主要原因是 Deep Agents 支持多种 LLM 供应商，避免了被锁定在单一模型上。新架构基于动态选择的技能库，代理根据用户目标自行生成执行计划，无需工程师预先指定路径。当前技能包括潜在客户挖掘、序列创建、研究和分析等。

新架构显著降低了延迟和用户确认提示次数，同时开发周期大幅缩短。Apollo 团队还构建了一个内部元技能：给定问题描述后，一个代理生成架构计划，高级工程师审查，另一个代理执行构建，使从开发到发布的所需工作量减少了约 80-85%。

在可观测性方面，Apollo 使用 LangSmith 构建了六层评估框架“AI Watchtower”，包括质量维度、端到端质量测试、实时追踪、实时洞察、脉冲报告和客户反馈。该框架确保每次发布前都经过严格评估，并能在生产环境中快速定位问题。

AI 助手最初仅作为 UI 内嵌功能，现在已发展为无头代理，可通过 API 和 MCP 服务器在 Claude、ChatGPT、Perplexity 以及 Apollo CLI 中使用。超过 4 万个团队正在使用 Apollo MCP，迅速接近使用 API 的 50 万个团队。

未来，Apollo 计划扩展技能库的深度和广度，并开发自主代理功能，使用户能够在 Slack 等工具中设置定时任务或后台进程，例如每天早上自动获取最符合 ICP 的 50 个潜在客户。Apollo 希望将 AI 助手打造成用户日常工具中的“同事”。