Apollo 如何利用 Deep Agents 和 LangSmith 構建 GTM AI

Apollo 是一個覆蓋從潛在客戶挖掘到聯絡人資訊豐富、外聯序列、交易管理和分析的完整銷售週期平臺。為了解決產品模組過多導致使用者感到繁瑣的問題，Apollo 基於 Deep Agents 重新構建了其 AI 助手，並利用 LangSmith 進行追蹤、評估和可觀測性。

最初，Apollo 的多代理系統採用基於 LangGraph 的監督式架構，由一個主代理將任務分配給專門的子代理。這種架構雖然有效，但每次新增用例都需要編寫新的子代理並整合到主代理中，導致開發效率低下，且使用者需要頻繁確認意圖。

經過評估，Apollo 選擇了 Deep Agents 而非 Anthropic 的 Claude Agent SDK，主要原因是 Deep Agents 支援多種 LLM 供應商，避免了被鎖定在單一模型上。新架構基於動態選擇的技能庫，代理根據使用者目標自行生成執行計劃，無需工程師預先指定路徑。當前技能包括潛在客戶挖掘、序列建立、研究和分析等。

新架構顯著降低了延遲和使用者確認提示次數，同時開發週期大幅縮短。Apollo 團隊還構建了一個內部元技能：給定問題描述後，一個代理生成架構計劃，高階工程師審查，另一個代理執行構建，使從開發到釋出的所需工作量減少了約 80-85%。

在可觀測性方面，Apollo 使用 LangSmith 構建了六層評估框架“AI Watchtower”，包括質量維度、端到端質量測試、即時追蹤、即時洞察、脈衝報告和客戶反饋。該框架確保每次釋出前都經過嚴格評估，並能在生產環境中快速定位問題。

AI 助手最初僅作為 UI 內嵌功能，現在已發展為無頭代理，可透過 API 和 MCP 伺服器在 Claude、ChatGPT、Perplexity 以及 Apollo CLI 中使用。超過 4 萬個團隊正在使用 Apollo MCP，迅速接近使用 API 的 50 萬個團隊。

未來，Apollo 計劃擴充套件技能庫的深度和廣度，並開發自主代理功能，使使用者能夠在 Slack 等工具中設定定時任務或後臺程序，例如每天早上自動獲取最符合 ICP 的 50 個潛在客戶。Apollo 希望將 AI 助手打造成使用者日常工具中的“同事”。