用 AI 构建：将 Claude 打造为市场入门策略师

证据等级：A1 证据类型：官方一手信息 来源：Mercury Blog 官方发布日期：2026-06-30 采集时间：2026-07-16T20:32:09.287Z

许多团队使用人工智能来研究他们的市场和潜在客户。运营资源规划初创公司Mosaic的Andrew Linford正在重新思考操作顺序。通过将Claude通过多个MCPs连接到Salesforce、Gong、Slack、Gmail、Notion和Octave，他创造了一个类似“首席助理”的系统，具备提供能够推动特定交易进展的建议的知识。

在我们的对话中，有三种策略尤为突出：

1. 将Claude变成机构信息和数据的中心，而不是用作搜索引擎。

通话记录、CRM历史、电子邮件和账户备注通常包含更多细微且有用的信息，这些信息可能无法公开获得。

2. 结合结构化和非结构化信息。

Salesforce 字段、续订数据和联系人记录与记录文本、Slack 对话和电子邮件线程并列存在。

3. 将 AI 视为系统，而非聊天机器人。

林福德创造了一个良性循环，使 Claude 能够迭代代码本身，从而创建可自我改进的可重复工作流程。

从搜索到公司智能的转变

林福德回忆起在数据管理方面不得不做出权衡的日子。“几年前，我们主要专注于组织数据，”他说。“现在，有了大语言模型（LLM）和多云平台（MCP），我们在处理数据的数量或数据来源方面的限制要少得多。”

如今，林福德在训练 Claude 时包含了以下所有类型的数据：

结构化数据

• 客户记录
• 续订信息
• 销售线索历史

非结构化数据

• 通话记录
• 电子邮件线程
• 会议记录

公司知识

• 理想客户画像研究
• 市场进入策略
• 信息传递框架

林福德描述说，所有这些信息都促成了“熟练的每日简报”：“这个简报是为每个销售代表每天早上运行而设置的，并为他们提供所有即将到来的不同会议的高层概览。如果那天他们没有太多会议，系统会显示与人们跟进的不同机会。”

以下是 Linford 的 Claude 实例设置提供的一些交付成果示例：

• 需要跟进的重点账户
• 针对每个账户的会前笔记
• 停滞机会的推荐
• 已关闭但可复活的机会
• 包含上述所有对象具体联系信息的外展草稿
• 每位销售代表的账户健康状况，包括有风险的交易
• 整体销售管道分析及目标进展

反馈与自我迭代循环

林福德还制定了步骤，让克劳德不断迭代其输出。与其手动更新提示和指令，他会记录与销售主管的反馈对话，探讨这些简报如何改进，将这些讨论输入克劳德，并要求它识别基础工作流程中应改变的内容。

例如，如果克劳德生成的会前简报过长、缺失重要背景信息，或未能融入Mosaic的定位框架，林福德可以提供反馈，让克劳德自行修改该技能。下次销售代表运行该工作流程时，输出会自动改进。

“对于一个大语言模型来说，写给大语言模型的内容，它会比人类为大语言模型写的内容做得好得多，”他说。

在这里，林福德展示了这个技能文件，以及他在何处进行干预而不是让克劳德撰写的地方：

林福德建议从简单的开始，然后逐步增加复杂度。“最终，这种技能的力量在于为多个来源创建一个中心。但我建议从不使用外部来源的东西开始。那样你就能掌握流程，然后再逐步添加，”他说。

关于在构建业务中使用人工智能和机器学习的更多信息， 请查看我们这里的资源合集.