客户背景
行业
外贸跨境 · 五金
规模
12 人团队 · 独立站获客
现状
中文官网 + 人工回询盘
期望
降低海外获客门槛
客户痛点
1
官网只有中文
海外客户看不懂中文官网，信任度低，询盘少。
2
询盘分散易漏
询盘散落在邮件、表单、社媒，跟进易遗漏。
3
外语能力不足
业务员外语水平有限，小语种询盘不敢接。
演示案例
实时演示 · 多语种官网
就绪
输入
中文官网产品页（五金品类）
Consolelogs · stdout
$ 初始化演示管线…
✓ 多语种翻译英/俄/阿
✓ 询盘汇聚全渠道
✓ 自动跟进自动提醒
技术方案
01
多语种官网生成
官网内容自动翻译成多语种，覆盖目标市场。
02
询盘统一管理
全渠道询盘汇聚到一处，自动翻译与会话。
03
跟进自动化
跟进任务自动提醒，话术自动生成。
不是赌某一种 AI，而是组合最合适的几种
面对真实业务场景，我们不会一上来就选定某条技术路线，而是对多条候选路径做同口径评估，再据此设计融合方案，让每条路径都做它最擅长的那部分。
通用大模型 API
GPT-4o / Qwen / DeepSeek 等公有云模型
- ✓开箱即用、接入成本极低、业务初期成本可控
- ✕对垂直行业场景泛化有限、字段级准确率不稳、数据合规需单独设计
适合冷启动与快速验证
行业模型微调
基于行业语料对开源模型做领域微调
- ✓结合行业语义、准确率显著提升、可私有化部署
- ✕需要标注数据、训练与维护有一定投入
适合作为主链路承担高频流量
检索增强 + 规则校验
RAG 知识库与业务规则引擎的组合
- ✓针对性强、可解释、延迟与成本最优
- ✕需要持续的数据闭环投入
适合兜底与高确定性场景
融合而不是选择
我们最终交付的不是某一个模型，而是一条「主链路 + 语义校正 + 兜底降级」的融合管线：高频场景由行业模型在秒级内完成；置信度低于阈值的字段自动转大模型做二次理解；服务异常时自动降级到通用 API 并标记人工复核，让准确率、成本、延迟、可控性这几个互相牵扯的目标同时达成。
一条可解释、可降级、可演进的 AI 管线
我们把 AI 工程当作「管线」而不是「黑盒」：每一步都有明确的职责、输入输出与兜底策略。下面这条五步管线 + 四层系统架构，是方案的技术骨架。
L1
采集与接入层
支持多渠道接入，统一做鉴权、幂等与脱敏
业务系统 API移动端 / 小程序文件上传 / 扫码API 网关 · 脱敏
L2
AI 推理层
多链路推理 + 置信度路由器，按样本特征自动切换
行业微调模型多模态大模型RAG 知识检索置信度路由
L3
业务编排层
把识别结果对接到真实业务流，做规则校验与闭环
业务规则校验实体 / 主数据匹配金额 / 逻辑闭环人工复核工单
L4
数据闭环层
线上每一次误差自动回流，模型按月自动迭代
样本仓在线标注与差错回收月度增量微调漂移监测与告警
技术栈
FastAPIvLLMLangChainRAGQwenGPT-4oTritonKubernetesPostgreSQLRedisMilvusDocker
交付过程
1
官网诊断
评估官网与获客渠道。
2
多语种官网
搭建多语种官网内容。
3
询盘系统
开发询盘统一管理。
4
试运行
小范围试用。
5
全面推广
全面启用海外获客。
上线前后对比
指标上线前上线后
月均海外询盘20 条60 条
人均跟进询盘10 条50 条
沟通成本月均 8 千月均 3 千
“多语种官网上线后，小语种询盘也能接了，海外客户多了不少。”
可复用场景
B2B 企业的多语种官网
全渠道询盘统一管理
海外客户跟进的自动化