做客户发现最累的不是最后跟客户聊天那一步而是聊天之前的准备和聊天之后的整理。资料查了一堆却说不清目标客户的真实痛点访谈做了几场会议记录还是躺在文档里没人看线索列表越拉越长真正值得跟进的对象却找不出来。这次我们来看一个更省力的做法把 Grok Bot 当作客户发现流程里的研究助理用一套可复用的方法把“查资料—列假设—做访谈—出结论”这条链路跑通。先快速说明 Grok Bot 能做什么、不能做什么。它本质上是一个对话式 AI 助手适合处理文本研究、信息汇总、结构化输出这类工作。在客户发现场景里它可以帮你整理公司背景、生成访谈提纲、清洗访谈记录、输出客户画像初稿还能通过 API 接入批量线索筛选流程。它不负责替你判断某家公司一定买你的产品也不应该直接存储未脱敏的敏感客户数据。这一点先讲清楚后面所有操作都围绕这个边界展开。本文会从五个方面展开客户发现的标准工作流、准备阶段的信息输入与提示词设计、批量线索筛选的脚本思路、访谈与问卷的落地方法、结果整理与优先级评估。最后再加上 API 自动化扩展、数据合规注意事项和常见问题排查。所有示例都给出可直接复制的模板实际使用时把公司名、行业和背景信息替换成你自己的数据。1. Grok Bot 在客户发现中的核心能力速览能力项说明主要作用研究助理 文本加工工具帮你把客户发现过程从零散手动整理变成结构化输出输入方式公司名称、官网链接、行业描述、文档、访谈录音转写文本等文字信息输出内容公司画像、行业背景、假设清单、访谈问题、问卷结构、会议纪要要点、客户优先级判断素材是否支持批量支持可以通过 API 批量处理公司名单建议配合脚本和合理并发是否需要下载客户端不需要关键词“Grok Bot 下载”指向的多数是第三方封装项目更稳妥的做法是直接用官方产品或 API硬件门槛无本地部署需求联网环境即可接口能力提供 API 接入方式具体模型名和接口路径以官方文档为准适合场景B2B 销售线索筛选、SaaS 客户成功、创业团队做早期客户访谈、市场调研、行业扫描不适合场景数据库实时查询、替代真实客户访谈、验证数字真实性、自动决策是否签单这张表的核心结论是Grok Bot 的价值在于把“信息到洞察”的处理速度提上来但它不替代人。客户发现最终还是要靠人走出去对话AI 只是帮你把对话之前和之后的大部分案头工作压缩掉。2. 客户发现的标准工作流五步法客户发现不是一个一次性动作而是一条流水线。把它拆成五步每一步都能明确接住 AI 的输出。第一步定义理想客户画像。先想清楚你的目标客户长什么样什么行业、什么规模、当前用什么方案解决你正在解决的问题、组织里谁是采购决策者、谁是被影响者。这一步不需要 Grok Bot 进场团队内部先对齐。第二步收集公司与行业信息。拿出待验证的目标客户名单逐家整理公司背景、业务模式、近期动态、行业趋势、竞品布局。这是 Grok Bot 最能提速的环节。第三步列出关键假设。根据第二步的信息写出一组可验证的判断。比如“这家公司很可能面临人力成本上升因此会关注自动化工具”或者“他们现有方案看起来是自研系统换型成本可能偏高”。假设要具体要能被一条访谈问题直接命中。第四步开展访谈与问卷验证。带着假设去见客户用结构化问题收集反馈并把访谈录音转文字。转写稿丢给 Grok Bot 做结构化整理提取引用原话、共同主题、矛盾和意外信息。第五步汇总输出与优先级判断。把所有访谈记录汇总产出统一格式的客户画像、问题严重度评级、购买信号清单和下一步行动建议。这个结论仍然需要人复核不能直接交给销售去签单。这个工作流前移到第二步可以批量做后移到第五步可以模板化输出。下面按顺序展开。3. 准备阶段先准备好输入信息再设计提示词很多人把 Grok Bot 用不好问题不在 AI而在输入。输入信息越结构化输出质量越高。3.1 一个客户的基础输入包对每一个目标客户建议提前整理成一个标准信息包放到同一段提示词里公司全称和官网地址所在行业和子行业公司规模信息员工数、融资阶段、营收区间以公开信息为准产品线或核心业务一句话描述你怀疑对方存在的业务问题这是假设不是事实你的解决方案一句话概述整理成文本后可以直接粘贴给 Grok Bot也可以写进脚本批量读文件。3.2 输出格式约束为了后续处理方便提示词里要明确指定输出格式。推荐用 JSON 或 Markdown 表格。JSON 适合接脚本Markdown 适合人阅读。下面给出一个可复制的提示词模板。请根据我提供的目标公司信息完成一次客户发现前置研究。 输出格式为 JSON字段如下 { company_name: 公司全称, industry: 所属行业, business_summary: 一句话业务概述, pain_points: [预期痛点1, 预期痛点2, 预期痛点3], existing_solutions: [对方可能正在使用的替代方案], indicators: [你认为对方值得跟进的具体信号], open_questions: [你需要通过访谈验证的最关键问题列表], risk_factors: [可能导致暂时无法推进的因素] } 要求 1. 保持客观区分“事实”和“推测”。预测判断前加“据公开信息推测”。 2. pain_points 不要超过 5 条。 3. 不要编造公司内部数据不清楚的地方写“未获取到公开信息”。 目标公司信息 公司全称某某智造科技有限公司 官网https://example.com 行业工业自动化 规模员工 300 人左右B 轮融资 业务为制造企业提供产线数据采集系统 我怀疑的问题他们可能面临设备接入标准不统一、售后支持人力不足的问题 我的产品一套低代码工业协议解析中间件这段提示词演示了一个比较完整的客户研究请求。实际使用时把“目标公司信息”部分替换成你自己整理的信息包即可。如果 Grok Bot 返回的 JSON 字段不符合预期追加一句“请只输出 JSON不要额外解释”就能减少多余输出。3.3 输出效果判断标准输入提示词后不要只看内容有没有生成。先检查三点JSON 是否可解析字段名是否完整是否有多余文字。痛点是否具体如果写的是“成本高”“效率低”这类空词说明提示词里缺少业务背景约束需要补充行业细节让它细化。推测和事实是否分清如果通篇都是肯定语气说明缺少“区分事实和推测”的要求。4. 批量线索筛选用脚本把公司名单跑一遍客户发现面对的一般不是一家公司而是几十上百家。逐个复制粘贴到聊天窗口效率太低正确的做法是写一个批量处理脚本通过 API 把公司名单一次性跑完。4.1 准备名单文件准备一个 CSV 文件字段包括company_name、website、industry、description。这里给一个最小示例company_name,website,industry,description 某装备制造有限公司,https://example-a.com,高端装备,为工厂提供在线检测设备 某物流科技公司,https://example-b.com,物流SaaS,提供运输管理系统 某连锁零售企业,https://example-c.com,新零售,经营多家区域连锁门店4.2 Python 批量调用示例下面的脚本读取 CSV 中的公司信息逐条发送给 Grok Bot API并把返回结果写入输出文件。注意实际接口地址、模型名称、请求头格式以官方 API 文档为准示例里的地址和字段仅用于演示调用结构。import csv import json import time import requests # 请替换为自己的 API Key并确认官方接口地址 API_URL https://api.example.com/v1/chat/completions API_KEY your_api_key_here HEADERS { Authorization: fBearer {API_KEY}, Content-Type: application/json } SYSTEM_PROMPT ( 你是一名客户研究助理。根据用户提供的公司信息输出一份结构化客户画像。 只输出 JSON不要输出任何解释文字。 ) def build_user_message(row): return ( f公司名称{row[company_name]}\n f官网{row[website]}\n f所属行业{row[industry]}\n f业务简介{row[company_name]} 提供 {row[description]}。\n 请完成客户发现前置研究输出包含 company_name、pain_points、 existing_solutions、open_questions 的 JSON 对象。 ) def analyze_row(row): payload { model: grok-chat, # 以官方实际模型名为准 messages: [ {role: system, content: SYSTEM_PROMPT}, {role: user, content: build_user_message(row)} ], temperature: 0.3, response_format: {type: json_object} } resp requests.post(API_URL, headersHEADERS, jsonpayload, timeout120) resp.raise_for_status() data resp.json() return data[choices][0][message][content] def main(): input_file companies.csv output_file customer_research.jsonl with open(input_file, encodingutf-8) as f: reader csv.DictReader(f) with open(output_file, a, encodingutf-8) as out: for row in reader: try: result analyze_row(row) out.write(json.dumps({ company_name: row[company_name], result: json.loads(result) }, ensure_asciiFalse) \n) print(f完成: {row[company_name]}) except Exception as exc: print(f失败: {row[company_name]}, 错误: {exc}) time.sleep(1) # 控制请求频率防止触发限流 if __name__ __main__: main()4.3 批量运行注意事项先拿 2 到 3 家公司跑通脚本确认返回格式稳定再放开全量名单。控制请求频率增加time.sleep或使用指数退避逻辑。每条请求打印成功或失败日志方便事后定位是哪家公司、哪个字段导致失败。输出使用 JSON Lines 格式每行一条记录后续可以用 Python 或 Excel 二次汇总。批量跑完后你会得到一列 JSON 文件。这时要做的是“筛”不是“信”。把问题最明确、信号最明显的公司挑出来进入访谈阶段。5. 访谈与问卷把假设变成可问的问题客户发现的核心动作是和目标客户对话。但对话质量取决于问题质量。Grok Bot 在这部分的角色是帮你把模糊想法转化成结构化提问材料。5.1 生成访谈问题假设你已经从批量筛选阶段拿到某家公司的画像现在要准备访谈提纲。可以直接让 Grok Bot 基于画像输出访谈问题。我准备采访一家工业自动化软件公司的产品负责人目的是验证三个假设 1. 他们正在为设备协议不统一而苦恼。 2. 他们自研方案的成本已经高到不可接受。 3. 他们计划在下一季度更换或补充现有中间件方案。 请生成 15 个访谈问题要求 - 按“背景了解 → 痛点确认 → 方案评估 → 预算与决策”四个阶段排序。 - 每个问题要能引出具体事例避免“是不是”“有没有”这类直接引导式提问。 - 在“预算与决策”阶段加入探询采购流程的问题。 - 最后补充 3 个追问提示语用来在访谈中深挖真实原因。这个提示词的核心是用“假设 步骤分离 提问风格约束”来约束输出。生成的问题可能不完美但能作为提纲初稿实际访谈前人工过一遍删掉不合适的问题。5.2 生成问卷草稿问卷和访谈提纲的区别是问卷需要标准化适合更大范围收集数据。同样可以用一段提示词生成草稿请为工业自动化企业设计一份在线问卷目的是了解其当前产线数据接入方式的痛点。 问卷要求 1. 总时长控制在 5 分钟以内。 2. 采用矩阵选择题、打分题、排序题、开放题四种题型。 3. 前 3 题用于筛选受访者是否符合目标条件。 4. 不要询问涉及具体员工薪资、客户名单等敏感信息。 5. 结尾设置 1 个开放题收集用户最想解决的单一问题。生成后把它导入问卷工具再人工调整选项和语气。AI 给的问卷框架能省一版草稿时间但问题选项的用词仍然需要你按照实际业务语言调整。5.3 访谈纪要素材化访谈完成后把录音转成文字直接丢给 Grok Bot 做结构化整理。整理时要求它保留受访者的原话引用并区分事实陈述和观点推测。下面是一段客户访谈的转写稿。请整理成以下结构 1. 访谈主题与受访者背景。 2. 确认的关键事实只保留受访者明确说出的事实。 3. 受访者表达的痛点和需求按严重程度排序每条后面附一句原话引用。 4. 矛盾点和意外信息受访者话语中与你的假设不一致的地方。 5. 下一步行动建议。 要求不要添加转写稿中没有的信息如果没有相关信息写“未提及”。 转写稿 [在这里粘贴访谈转写文字]这样做的好处是十几分钟的访谈转写稿可以快速变成标准结构记录。多场访谈之后把每场的结构化记录合并在一起就能横向比较不同客户的反馈。6. 从研究结果到客户画像与优先级批量研究和访谈结束后下一步是把零散信息汇总成可决策的输出。这里建议用统一模板让每个客户都产出一份简报后台再把这些简报汇总成优先级列表。6.1 单客户简报模板让 Grok Bot 按固定模板输出模板建议包含以下模块。模块内容基础信息公司名称、行业、规模、当前方案事实摘要明确提到的业务问题、使用场景、决策时间表推测判断未直接确认但由信息推断出的潜在需求验证差距还需要跟客户确认的问题跟进信号客户表现出的采购兴趣、预算信号或明确需求建议动作下一步谁负责、做什么、预计时间实际使用时可以把这个表格放到提示词里要求每家公司输出一个 Markdown 文件。下面是一段可用模板请根据以下客户研究信息生成一份客户简报要求按照下方模板输出 ### 客户简报{公司名称} | 模块 | 内容 | | --- | --- | | 基础信息 | 公司名称、行业、规模、当前方案 | | 事实摘要 | ... | | 推测判断 | ... | | 验证差距 | ... | | 跟进信号 | ... | | 建议动作 | ... | 要求事实摘要只写有依据的内容推测判断必须在前面加“推测”验证差距要写成具体问题。 以下是研究信息 {粘贴批量筛选结果、访谈记录整理等信息}6.2 优先级打分思路把每家客户简报放到同一张打分表里按以下维度评估痛点匹配度客户问题与你的产品解决方向是否一致。痛点紧急度客户是否已经意识到问题并安排在上半年解决。决策链清晰度能否定位到决策者、影响者和使用者。预算信号是否已经有预算或采购计划。竞争环境是否存在强势替代方案以及你是否有差异化优势。每个维度按 1 到 5 分打分总分排序。这个打分过程可以人工做也可以让 Grok Bot 根据简报内容给一个初评再由人工复核。注意AI 的评分只能作为初筛不能替代销售判断。7. 通过 API 实现自动化扩展客户发现做到一定规模后重复性工作完全可以自动化。这里给出几种常见的自动化场景。7.1 定时批量扫描新线索如果你的线索来源是展会名单、公开招标信息或一份长期更新的公司列表可以写一个每日定时任务每天把新增公司丢给 API 出画像写入数据库或在线表格。# 伪代码示例每日扫描新增公司 # 1. 从数据源读取今日新增公司名单 # 2. 对每家公司调用 Grok API 生成结构化画像 # 3. 写入数据库或推送企业微信/钉钉通知 # 4. 记录日志失败条目进入重试队列7.2 接口调用建议使用独立的 API Key限制调用权限不要硬编码在代码里。把 API Key 放在环境变量或密钥管理服务中。批量处理时设置并发上限避免单次请求超时拖垮整个任务。对返回结果做二次校验字段不足时重新请求或标记人工处理。export GROK_API_KEYyour_api_key_here# 简易运行示例 python batch_research.py --input companies.csv --output results.jsonl7.3 与 CRM 或表格工具打通自动化脚本生成的结果可以通过 CSV 导入到 CRM或用 API 写入在线表格。这样销售团队打开 CRM 时看到的每一条线索都已经带上了初步画像和跟进建议客户发现从“手动查资料”变成了“协作式情报整理”。8. 数据合规与安全边界客户发现涉及公司信息和人员信息使用 AI 工具时必须把数据合规放在前面。这部分不是可选项。8.1 明确禁止输入的数据未脱敏的个人联系方式手机号、个人邮箱、身份证号等。未公开的财务数据合同金额、报价单、内部成本数据。客户企业内部文档和会议录音本身不要未经许可把录音原文上传到任何 AI 工具。含有商业机密的非公开信息。8.2 合规操作建议输入给 AI 的信息尽量用公司层面公开信息。访谈转写稿在送入 AI 前先做匿名化处理把受访者姓名、公司内部称呼替换成“受访者 A”。获取客户同意后再做访谈录音并在整理记录时说明用途。对 AI 生成的内容做人工复核标注“AI 整理人工复核”字样。批量处理名单时确认名单来源合法不涉及非法购买和泄露数据。8.3 使用边界提醒Grok Bot 生成的内容是基于公开信息和模型训练数据可能存在过时或错误。客户发现阶段可以将它作为“情报助手”但不建议直接把它的输出作为合同签署、客户成交或合规审计的依据。9. 常见问题与应对策略问题现象可能原因排查方式解决方案输出内容过宽泛提示词缺少业务背景约束检查提示词里是否给足行业和公司信息补充公司业务、痛点假设、输出格式要求JSON 输出有额外文字提示词没要求只输出 JSON查看返回内容和提示词中的输出约束增加“只输出 JSON不要解释”并设置 response_format批量脚本请求失败并发过高、API Key 无效、网络超时查看日志中的错误码和响应体增加睡眠、确认 Key、设置超时和重试机制信息看起来像编造模型根据有限信息做了补全对比输入中是否有依据在提示词中强调“未获取到公开信息时写未获取”生成问题太多或太少提示词未指定数量检查提问约束在提示词中写“生成 15 个问题”“分四个阶段”输出结果不稳定温度参数过高检查 temperature 设置调低温度比如 0.2 或 0.3访谈整理丢失内容转写稿过长被截断检查输入文本长度分块整理先分段再合并遇到看不懂的错误时最有效的动作是先把原始请求和响应保存下来看接口返回的具体错误字段再按提示调整。10. 最佳实践与后续动作把 Grok Bot 用在客户发现中的最佳实践可以归纳为四句话先小批量验证再全量铺开先写清假设再让 AI 干活先格式化输出再人工复核先处理公开信息再碰敏感数据。建议你在实际对接时从 10 家目标客户开始跑一轮。每次跑完回看批量筛选结果和访谈问题质量把不合适的地方修正到提示词模板里。提示词是你在这个流程里积累的最核心资产随着行业理解加深模板会越来越准。当你把这一套流程跑顺后可以继续深入的方向有三个。第一把客户调研结果接入现有 CRM 系统让销售每天打开系统就能看到新的线索画像。第二建立完整的访谈资料库把每次访谈的结构化记录存下来形成长期客户洞察资产。第三基于批量研究结果做行业扫描看看目标行业里还有哪些没有进入名单的潜在客户。客户发现这件事本质是“更快地找到正确的人问出正确的问题”。Grok Bot 只是工具箱里的一个帮手决定最终效果的仍然是你对客户问题的判断力。建议先把最常用的三四个提示词模板保存下来下次拿到新客户名单时直接跑一轮你很快就能体会到批量研究带来的效率差异。