我们如何构建LangChain的GTM代理

在LangChain，每一个外呼销售流程都曾经从相同的方式开始：销售代表在多个标签页之间切换，查看Salesforce、Gong、LinkedIn和公司网站，花费15分钟进行研究，然后才能写一个字。而且，他们无法知道团队成员是否已经在前一天联系过潜在客户。入站跟进也意味着手动将相同的信息输入到Apollo中。为了解决这个问题，我们构建了一个端到端的GTM代理，它可以自动处理整个流程。

该代理在Salesforce中出现新线索时触发，检查是否应该联系，收集背景信息（包括会议历史），并通过Slack发送草稿供代表批准。它基于Deep Agents构建，适合这种多步骤、长时间运行的任务。关键成果令人印象深刻：从2025年12月到2026年3月，线索到合格机会的转化率提高了250%，管线金额增加了3倍。代表们对低意向线索的跟进增加了97%，高意向线索增加了18%，每位代表每月节省40小时，团队总计1320小时。销售团队的每日活跃使用率为50%，每周活跃使用率为86%。

在编写代码之前，我们定义了代理必须满足的约束和成功标准。两个目标是：减少代表研究每个线索的时间，提高营销入站的转化率。非谈判条件是：必须有人的参与，没有任何邮件可以在代表审查和批准之前发送；代理必须知道联系历史，以避免重复联系。核心能力包括：关系感知个性化（根据客户状态调整草稿）、可解释性（代表可以看到关键输入并理解代理的推理）、学习循环（代理从代表的编辑中学习）。每个代表的操作（发送、编辑、取消）都被记录到LangSmith中，用于评估质量。

随着范围扩大，代理还加入了账户情报功能。每周一早上，代理从Salesforce和BigQuery拉取数据，并检查外部世界的融资、产品发布和AI动态。为销售团队和部署工程团队定制报告。销售报告聚合产品使用、开发者生态系统、网络活动等信号，识别扩展机会和竞争动向。工程师报告关注账户健康状况，包括产品使用、客户通话精彩部分、续订日期等，以便团队及时介入。

代理使用Deep Agents进行多步骤编排，因为输入大小和结构变化很大。Deep Agents自动将大型工具结果卸载到虚拟文件系统，避免手动截断。我们还使用本机规划工具强制执行检查清单：不发送检查→研究→草稿→理由→跟进。代理通过LangSmith连接，从开始就设置评估，捕捉回归问题。两个关键代理模式是记忆和子代理委派。记忆系统：当代表编辑草稿时，系统比较原始和修订版本，提取风格偏好并存储。每个代表的偏好被自动应用，每周进行压缩。子代理委派：账户情报通过编译的子代理运行，每个子代理有受限的工具集和结构化输出模式，父代理为每个账户生成一个子代理，并行执行，由LangSmith Deployment处理扩展。

评估和反馈：在编写任何生产代码之前，我们在LangSmith中定义成功标准。具有代表性场景的评估集从简单到复杂，涵盖各种情况。评估分为两层：规则性断言检查基本正确性，LLM法官评分语气、字数和格式。两者作为CI的一部分运行。除了评估，还跟踪每个Slack动作并关联到实际结果，从而驱动改进。

代理最初作为后台过程运行，但后来构建的对话式Slack接口意外地被公司其他部门采用。工程师、客户成功和客户经理都开始使用它来查询产品使用、支持历史和Gong转录，而无需手动搜索。这证明，只要代理拥有数据访问权限，人们会找到最轻松的使用路径。