我們用 48 小時建了一套會自己變聰明的 AI 銷售系統
兩天前，我們的 prospecting pipeline 長這樣：
- 1 隻 Agent 用固定模板寄信
- 19 封信寄出去，0 封回覆
- 不知道有沒有人開信
- 不知道退信率多少
- 寄完就忘了
兩天後，它變成這樣：
- 4 隻 Agent 各自負責不同產品線
- 自動個人化每封信的開場白（Gemini AI）
- 即時追蹤每封信的開信、點擊、退信
- 自動 A/B 測試 subject line，贏的會被多用
- 自動黑名單退信域名
- 最重要的：它會自己學習，每天變聰明一點
成本？$0。
問題：冷信界的「亂槍打鳥」
我們有 4 個 AI 產品要推廣：MindThread（社群自動化）、UltraProbe（AI 安全掃描）、Ultra Advisor（智能顧問）、Agent Fleet（AI Agent 平台）。
最初的做法很暴力：Brave Search 找目標 → 掃描網站 → 用固定模板寄 email。
結果？0% 回覆率。
因為每封信長一模一樣。收件人一看就知道是群發的。
架構：5 階段 × 4 Agent × 自學習
Discover → Qualify → Scan → Outreach → Nurture
↑ ↓
└──── Learner（分析結果，調整策略）←────┘
Stage 1：Discover（自動找目標）
每隻 Agent 有自己的 Brave Search 關鍵字庫。每天跑 3 次（10:00、15:00、20:00），每次搜 3 組關鍵字，找新的台灣中小企業。
跨 Agent 去重：同一個域名不會被兩隻 Agent 同時騷擾。
Stage 2：Qualify（自動篩選）
抓取目標網站的 HTML，提取：
- 有沒有 contact email（+30 分）
- 產業是否符合目標（+40 分）
- 有沒有 title 和 description（各 +10 分）
- 產業學習加分（Learner 根據開信率自動調整，+20 或 -10）
Tier C 和 D 直接跳過，不浪費子彈。
Stage 3：Scan（免費掃描）
用 UltraProbe 掃描 SEO 和 AEO 分數。這個掃描本身就是我們的產品——掃描結果就是銷售素材。
「你的網站 SEO 只有 43 分，這裡有 5 個問題影響你的 Google 排名」比「我們提供 SEO 服務」有效 100 倍。
Stage 4：Outreach（AI 個人化冷信）
這是最關鍵的升級。
之前：「我們分析了 xxx.com.tw，發現一些問題。」（每封一樣）
現在：Gemini 2.5 Flash 會根據掃描結果，為每封信生成：
- 個人化開場白（提到對方網站的具體問題）
- 客製化 subject line
- 針對性 P.S.
而且有 3 種 A/B 變體在同時測試：
| 變體 | 策略 | 範例 |
|---|---|---|
| Score | 直接亮分數 | 「example.tw SEO 健檢結果：D — 免費報告」 |
| Issue | 強調問題數 | 「發現 5 個問題，影響你的 Google 排名」 |
| Competitor | 競爭壓力 | 「您的競爭對手 SEO 超過您了」 |
Learner 會追蹤哪個變體開信率最高，自動提高它被選中的機率。
Stage 5：Nurture（自動跟進）
- 寄出 3 天後沒開信 → 換一個 subject line 重寄
- 開信 5 天後沒點擊 → 寄一封 case study 加值內容
即時追蹤：Resend Webhook
每封信的生命週期都被追蹤：
寄出 → 送達 → 開信 → 點擊
↘ 退信 → 自動加黑名單
↘ 投訴 → 自動退訂
我們用 Resend 的 Webhook（Svix 簽名驗證）接收事件，即時寫入 Firestore，然後：
- 👀 有人開信 → Telegram 立刻通知我
- 🔥 有人點擊 → Telegram 通知 + 記錄點了什麼連結
- ❌ 退信 → 自動加入黑名單，下次不再寄
- 🚨 垃圾投訴 → 自動退訂 + 永不再寄
不是每小時檢查一次。是那一秒就通知。
核心創新：自學習引擎
這是整套系統最有價值的部分。
每次 pipeline 跑完後，prospect-learner.js 會分析所有 webhook 數據，然後寫入 learned-config.json。下一次 pipeline 讀取這個 config，自動調整行為。
6 個學習模組
1. A/B 權重自動調整
不是簡單的「A 贏了就只用 A」。是加權隨機：
開信率 30% → 權重 3.0x（被選中機率 ×3）
開信率 15% → 權重 1.5x
開信率 0% → 權重 0.1x（幾乎被淘汰，但保留探索空間）
2. Smart Send Time
追蹤每個小時的開信數（UTC+8）。如果下午 2 點的開信率最高，系統知道了。
3. 產業成功率
「餐廳產業寄了 5 封，0 封開信」→ 下次 qualify 分數自動 -10。 「電商產業寄了 3 封，2 封開信」→ qualify 分數 +20。
系統會自然偏向容易成交的產業。
4. 評分校準
如果 Tier B 的開信率反而比 Tier A 高，系統會標記「評分模型需要重新校準」。
5. 退信模式辨識
同一個域名模式（例如 .gov.tw）如果 3+ 次退信，自動加入跳過清單。
6. Lookalike 探索
找出開信率最高的產業，自動建議新的搜尋關鍵字，擴大目標池。
4 隻 Agent 的分工
| Agent | 產品 | 每日上限 | Qualify/次 | Scan/次 |
|---|---|---|---|---|
| Probe | UltraProbe 安全掃描 | 40 封 | 60 | 30 |
| MindThread | Threads 自動化 SaaS | 25 封 | 50 | 25 |
| Advisor | AI 智能顧問 | 20 封 | 40 | 20 |
| Main | Agent Fleet 平台 | 15 封 | 30 | 15 |
| Total | 100 封/天 | 180 | 90 |
每天跑 3 次 = 理論上 540 qualify + 270 scan + 100 emails。
儀表板：全部可視化
Admin 後台的 Prospecting Panel 即時顯示：
- Conversion Funnel：Targets → Qualified → Scanned → Emailed → Replied → Converted
- Email Performance：寄出、送達、開信、點擊、退信、投訴（含百分比）
- Per-Agent Stats：每隻 Agent 的漏斗數據
- Recent Emails：最近寄出的信件 + 狀態圖示
全部即時更新，不用等日報。
每日 TG 日報
每天晚上 8 點，自動發 Telegram 日報：
🦞 四龍蝦日報 (2026-03-21)
Probe: 12 emails
→ sinyi.com.tw
→ lativ.com.tw
→ accupass.com
...
MindThread: 8 emails
→ dalang.tw
→ eztable.com
...
Total: 25 emails
Global sent: 63 domains
不再只有數字，直接告訴你寄了誰。
Learner 也會發自己的報告：
🧠 Learner Report #3
📊 A/B Winners:
probe: score (2.4x)
mindthread: fomo (3.0x)
🏭 Top Industries:
ecommerce: 35% open (12 sent)
education: 28% open (7 sent)
⏰ Best Hour: 14:00
🚫 Bounce patterns: 2
Gen 3
成本結構
| 項目 | 成本 |
|---|---|
| Resend email | $0（免費 100/天） |
| Gemini 個人化 | $0（免費 200/天） |
| UltraProbe 掃描 | $0（自家產品） |
| Brave Search | $0（免費 API） |
| Firestore | $0（免費額度內） |
| Vercel serverless | $0（Hobby plan） |
| 人力 | $0（全自動） |
| Total | $0/月 |
技術棧
- Engine: Node.js（prospect-engine.js，776 行）
- Learner: Node.js（prospect-learner.js，344 行）
- Webhook: TypeScript Vercel Serverless（resend-webhook.ts，418 行）
- 前端: React + TypeScript（ProspectingPanel.tsx，350 行）
- AI: Gemini 2.5 Flash（個人化）+ Ollama 7B（回信分類）
- 數據: Firebase Firestore
- 通知: Telegram Bot API + Resend Webhooks（Svix）
- 部署: Vercel + WSL2 systemd timer
下一步
系統已經在跑了。接下來是讓數據累積，觀察 Learner 的學習曲線。
幾個我們在觀察的指標：
- Generation 10 時的 A/B winner 穩定度
- 產業偏好是否收斂
- 退信率是否持續下降
- 最佳發信時間是否穩定
這不是一個靜態的銷售工具。它是一個會進化的系統。
每跑一次，它就多知道一點什麼有效、什麼沒用。不需要人告訴它該怎麼改——它自己看數據、自己調參數。
這就是我們認為 AI 銷售系統應該有的樣子。
Built by Ultra Lab — 用 AI 造 AI 產品的公司。
想免費掃描你的網站？ultralab.tw/probe