2026 年如何赢得渠道分发

如何在 2026 年赢得分发 2026年6月16日 · 11 分钟阅读 · 查看来源 ↗ 营销 Claude 自动化 AI 2026 年的分发归结为一个系统，而且它不是一堆渠道。它是一个基于信号的外呼引擎：它盯住「一家公司进入你的市场」的那个瞬间，判断那个瞬间是否值得发一条消息，从真实的触发点出发来写，自我检查，并从返回的结果中学习。 我在 Sortlist 上跑了一个，用十四个智能体，每月大约四百美元。昨晚它们盯了融资轮次、我们销售对象的公司里新招的人，以及提到我们所能解决问题的账户。今早，就有一份简短的排名清单，写着该找谁聊、为什么。 这就是整个构建。 每个阶段都有一个你可以复制的提示词，而且它们不是六个彼此独立的把戏。每一个都把自己的输出交给下一个，它们作为一个循环运行。最后那个仓库把它们串起来，这样你就能克隆它并跑起来。 形状 一个循环、六个阶段，外加一份它们共享的记录。 ICP -> 提取 -> 打分 -> 写作 -> 检查 -> 发送/记录 ^ | |________ 学习（每周）__________| ——「引擎循环：ICP、提取、打分、写作、检查、发送和记录，外加一个每周学习步骤」 你写一次你的 ICP（理想客户画像）。提取把原始活动变成干净的信号。 打分读取这些信号，对照你关于该账户已知的一切，决定谁值得发一条消息。写作从触发点出发起草。一个检查在发送前抓住任何错误。每一次触达都被记录到每家公司一份的记录里，而一个每周学习步骤读取结果，重新加权引擎在追逐什么。每个阶段的输出是下一个阶段的输入。中间那份记录，就是让整个东西超越「邮件合并」的关键。 这里是每个阶段，连同它的提示词。 阶段 0：磨尖 ICP 一切都取决于你要触达谁，而大多数 ICP 都是浆糊。把一段松散的描述变成引擎可以打分的对象。你运行一次，然后在各处复用输出。 你把一段松散的公司描述变成一个引擎可以打分的紧致 ICP。 输入 - 几句话，关于我们卖给谁、不卖给谁。 写作 - fit：一个好账户拥有的 3-5 条企业画像与行为特质。 - not_fit：取消一个账户资格的 2-3 条特质。 - strongest_signal：对我们来说意味着「今天就触达」的那个单一信号组合。 输出（仅 JSON） { "fit": ["..."], "not_fit": ["..."], "strongest_signal": "..." } 它返回一个紧致的 fit、not-fit 和 strongest-signal 块。打分阶段在每个账户上读取它。 阶段 1：把活动变成信号 检测不是「监视一切」。它是读取一串原始活动——招聘帖、融资新闻、社交动作、网络提及——然后抽出其中少数几个真正的公司动作。这一步把噪音变成结构化信号，供循环其余部分使用。 ——「提取：原始活动变成少数几个带标签的信号」 你读取原始活动，抽出购买信号。忽略任何不是真正公司动作的东西。 输入 - text：一块原始活动。招聘帖、融资新闻、社交动作、网络提及。 对每个真实信号 - account：公司名 - bucket：funding、job、company、social、first_party 之一 - summary：一句事实陈述，引用具体细节（金额、职位、日期） - source：它来自哪里 规则 - 一家公司可以产生多个信号。把它们分开。 - 跳过模糊噪音。一个信号是一个具体的、可定日期的动作，不是一个泛泛的提及或观点。 输出（仅 JSON） { "signals": [ { "account": "...", "bucket": "...", "summary": "...", "source": "..." } ] } 它输出一个信号列表，每个都带账户、桶和一行事实摘要。在做任何其他事之前按公司分组，因为一周里一家账户上的两个动作，胜过任何地方的一个动作。 然后信号直接喂进打分。 阶段 2：决定谁值得发消息 现在是判断。一个信号不是一个发送的理由，它是一个问题：这个账户现在值得发一条消息吗，为什么是这周，用哪套打法。打分步骤从新信号加上账户的完整历史来回答它——那份我稍后会回来谈的记录。第三个融资信号，对于一家你从未碰过的公司是一个意思，对于一家你发过两次邮件、从未收到回复的公司是相反的意思。 这就是我们交给 Claude 的那个判断。 在我们自己的 LinkedIn 引擎上，它盯着谁跟一条帖子互动，交叉引用其他信号，只给已经显露意图的人发消息。我们停止了主动联系，开始先倾听。 你为一个基于信号的外呼引擎给一个账户打分。判断它此刻是否值得一条消息。 输入 - icp：来自阶段 0 的 fit / not-fit / strongest-signal 块 - new_signals：这个账户刚刚发生了什么 - history：每一个过往信号、消息、回复和结果，或 "none" - days_since_last_touch：一个数字，或 "never" 打分 80-100 强契合 + 一个高意图信号：融资、一个预算持有者的招聘，或一周内两个信号 50-79 好契合，一个扎实的信号 1-49 弱契合，或一个单一的软信号，比如一个孤立的点赞 规则 - 如果 days_since_last_touch 低于 7，偏好 "nurture" 或 "skip"，绝不做首次触达。 - "why_now" 必须引用真实信号，绝不写泛泛的价值主张。 - "skip" 是一个正常答案。大多数账户都是 skip。 输出（仅 JSON） { "score": 0-100, "why_now": "引用触发点的一句话", "play": "first_touch | follow_up | nurture | skip" } 它返回一个分数、一个引用真实触发点的 why_now，和一个 play。skip 是一个正常答案。why_now 成为下一阶段的种子。 阶段 3：从触发点出发来写 写作步骤拿过 why_now 和 play，起草一条消息：以该账户实际做的事开场，把它连到你解决的一个问题上，并请求一件小事。 你为一个基于信号的外呼引擎写第一条消息。 输入 - trigger：该账户做的确切的事 - why_now：来自打分步骤的一行理由 - play：first_touch | follow_up | nurture - problem：关于你解决什么的一句话 写作 - 第一行点出他们刚做了什么。永远不要 "Hi {{firstName}}"，永远不要模板开场。 - 一句话把那个触发点连到你解决的问题。 - 一个小请求：十五分钟，或一页纸。 - 三到五句话，平实语言，长短错落。不要假紧迫感，不要 "just circling back"，不要破折号。 输出（仅 JSON） { "subject": "6-9 个词", "body": "3-5 句话" } 如果同一条消息一个月前也能发出去，那信号就被跳过了。草稿直接进入检查。 阶段 4：发送前检查它 这是大多数人跳过的那一步，而它正是防止一个自主引擎给你的整份名单群发一条自信但错误的说法的东西。一个独立的通道像怀疑论者一样读草稿：每一条说法是否都能追溯到真实触发点，开场是否真实，是否恰好只有一个低摩擦请求。 你是消息发出前的最后一道检查。假设它是错的，直到它证明自己对。 输入 - trigger：该账户做的真实的事 - draft：{ subject, body } 检查 - 草稿里的每一条说法都由触发点支撑。没有编造的事实，没有猜的指标。 - 第一行点出真实触发点。没有 "Hi {{firstName}}"，没有模板开场。 - 一个请求，低摩擦。没有假紧迫感，没有 "just circling back"。 - 平实语言，长短错落，没有破折号。 如果它通过，原样返回。如果不通过，修好它并说明哪里错了。 输出（仅 JSON） { "pass": true, "reason": "哪里错了，或 'clean'", "subject": "...", "body": "..." } 它返回消息，必要时已修复，或无法挽救时打上标记。只有干净的草稿才能到达一个人或一次发送。 阶段 5：记住，并学习 两样东西在这里承担负荷。 记录是每个阶段都读写的、每公司一份的记忆：见过的每个信号、发过的每条消息、每次回复、每个结果。保留它，否则引擎会把一个热账户当冷账户对待，读起来像个跟踪狂。 学习步骤每周跑一次，不是每条消息跑。它读取结果，重新加权哪些信号值得追逐，并点名正在获胜的文案。我们的引擎在足够多次发送后甚至重写自己的外呼文案：试一个版本，给回复打分，保留或丢弃它。 你从真实发生的事情来调引擎。你每周跑一次，不是每条消息跑。 输入 - outcomes：一个 { bucket, copy_variant, result } 列表，其中 result 是 replied | meeting | no_reply | bounced - current_weights：每个信号桶今天的权重 决定 - 按每个桶的胜率（会议和回复除以总触达）重新加权。设一个下限，好让任何桶都不会掉到零。 - 如果有一个真实样本，点名回复率最好的文案变体。 输出（仅 JSON） { "weights": { "funding": 0.0, "job": 0.0, "company": 0.0, "social": 0.0, "first_party": 0.0 }, "best_variant": "..." } 新权重在下一轮喂回阶段 2。那个反馈，就是一个会改进的引擎和一个不会改进的脚本之间的区别。 一起跑起来 这里是接线。循环跑一遍，按顺序： 从阶段 0 加载 ICP 块，缓存起来。 拉取过去一天的活动，跑提取。你得到一个信号列表。 按公司分组信号。 对每个账户，读它的记录，跑打分。丢弃 skips。 对每个幸存者，跑写作，然后检查。 把干净的草稿打印成一份带排名的短名单，或者发送它们，并把每一次触达记录到记录里。 每周一次，对结果跑学习，保存新权重。 阶段之间的握手是普通 JSON。 > 提取输出信号，打分消费信号并输出一个 why_now，写作消费 why_now 并输出一条草稿，检查消费草稿并输出一条干净的草稿。记录是中间那份共享状态，在每次触达时写入、在每次打分时读取。给它排上日程： 0 8 * * * cd distribution-engine && python run.py 等你打开笔记本电脑时，已经有一份带排名的短名单，每个名字旁边都有一个理由。不用建名单，不用猜主题行。 克隆它并跑起来 我把整个东西放在一个仓库里：六个提示词、记录，以及把它们串起来的脚本。它用示例活动和一个桩模型开箱即跑，这样你就能在接入任何东西之前，端到端地看循环走一遍。然后把它指向你自己的活动，把你的 Claude 调用插进一个函数里，排上日程。评论「GTM」即可获取。 提醒你一下，它不会给你去重十个来源，也不会管你的送达率。它足以跑一个真实的基于信号的动作，并感受到与「对着名单群发」的差别。 或者用完整版 仓库是简单版。完整版是 yourmax.ai，我们在 Sortlist 做的那个智能体。它为你跑同一个循环：学习你最契合的买家，盯信号，起草带真实理由的 LinkedIn 和邮件消息，并在任何东西发出前等你的批准。 你接入你已经在用的工具，在聊天里描述你想要的例程。它现在已上线，处于限量演示中。 我为什么押这个 十年来我一直在观察，公司在决定雇人的那一刻会打出什么字。教训从未变过：搜索是最后一步，不是第一步。等到一家公司跑那个搜索时，预算几周前就挪了，短名单上已经有名字了。那次搜索之前的一切——那个重新开放的职位、他们开始关注的竞品——如果你构建了去看见它的东西，就能更早被看见。 这些没有一样难构建。 它不光彩，这就是为什么大多数团队继续为量付费。而恰恰是这一点，让现在构建它的人获得回报。 标签：# X # 营销 # Claude # 自动化 # AI # 增长 # Linkedin # Guide 相关文章 How to design an AI agent 当 $200 已经能买到 Claude Max 或 Codex 时，谁他妈想为你的平台付费？AI Claude 营销 自动化