立项原因
B2B 销售人员在开发新客户时，单个线索的处理流程通常是：
1. 打开目标公司官网，手动浏览产品/融资/新闻信息（10~15 分钟）
2. 判断该公司是否值得跟进——是否匹配 ICP（理想客户画像）？（5 分钟）
3. 撰写个性化开发信——引用对方具体业务细节以提升回复率（10 分钟）
单条线索耗时约 30 分钟。 对于需要每天处理数十上百条线索的 SDR 团队，人力瓶颈明显。本项目将这条链路全部交给 AI 团队完成，人类只做最终审核。
适用行业
SaaS / 软件销售：从目标客户官网自动提取技术栈和业务痛点
企业服务 / 咨询：批量评估潜在客户的融资阶段和扩张信号
外贸 / 跨境 B2B：支持多语言（中/英/日/西）开发信输出
招聘 / HR 服务：分析目标公司规模和组织架构以匹配服务
双模式工作流
模式 A：SDR 精准开发（填写目标网址）
用户输入产品卖点 + ICP 画像 + 目标公司网址
→ 🕵️ 情报官：Jina Reader 抓取官网全文 + Tavily 搜索融资/新闻动态
→ ⚙️ 数据处理器：LLM 结构化为公司档案 JSON（名称/行业/规模/融资/产品/痛点/技术栈）
→ 📊 商机打分员：四维度评分（行业匹配 0-25 / 痛点契合 0-35 / 规模适配 0-20 / 时机成熟 0-20）
→ [≥ 60 分] → ✍️ 文案专家：生成个性化开发信（引用真实钩子 + 低门槛 CTA + PS 附言）
→ [< 60 分] → ⛔ 终止流程，节省 API Token
模式 B：市场宏观分析（不填网址）
用户输入产品卖点 + ICP 画像
→ 🧠 市场分析专家：推演 1-2 类核心买家画像（Buyer Persona）
→ 推荐 5 家具体的潜在客户公司及其官网
→ 输出市场切入建议
5.2 辅助功能
多用户系统
历史记录
批量处理
多语言输出
多模型分工
流式终端反馈
Markdown 导出
安全脱敏
指数退避重试
技术栈
Python / Streamlit / LangGraph / LangChain-OpenAI / bcrypt / SQLite WAL / Pydantic / pytest
架构
app.py (编排层, 183 行)
└─ ui/ (7 模块: styles, components, session, auth_ui, workflow, renderer)
└─ core/graph.py (LangGraph StateGraph + 条件路由)
├─ researcher.py ─→ processor.py ─→ scorer.py ─→ copywriter.py
└─ market_analyzer.py
└─ utils/ (helpers, auth, db, retry)
三层分离：UI 渲染层 → Agent 编排层 → 基础设施层。Agent 间通过 TypedDict 共享状态，图引擎负责条件路由。
难点
1. bcrypt 无条件兼容旧密码。 SHA-256 到 bcrypt 的算法切换意味着存量用户密码全部失效。MVP 阶段无真实用户，推断可以硬切换，但无法验证。
2. Streamlit 的 Session 模型与文件级模块缓存冲突。 LangGraph 在 graph.py 模块顶层 build_graph() 编译后缓存为全局变量 graph，与 Streamlit 的每会话重新执行脚本机制形成张力——必须在模块加载时编译好图对象，但避免每次 rerun 重复创建 MemorySaver。
3. SQLite 在多线程 Streamlit 环境下的并发。 Streamlit 的 WebSocket 连接池会产生多个线程同时
评论