让AI替你回客户邮件，最容易漏掉什么？

线索审查示意图

AI 助手在分析一份客户演示申请时，准确列出了三项缺失信息：使用场景、团队规模、上线时间。

但在它起草的跟进邮件里，却只问了前两项。

信息提取阶段看似毫无破绽，执行动作时却把关键的截止时间漏掉了。这种输入与输出之间的微小脱节，是很多团队将大模型接入业务流程时最容易忽视的暗坑。

下面通过一个基于 Google Gemini 的实测案例，拆解这个缺陷是如何发生的，以及如何在不推翻流程的前提下修补它。

别急着打分，先看它能不能问对问题

互动演示工具 Slides With Friends 的联合创始人曾公开分享，他们尝试用 AI 来分拣涌入的销售线索，以应对业务增长。对很多中小团队或独立开发者来说，不需要全盘照搬一套复杂的自动化销售系统，只要验证一个最小切片：当 AI 发现客户提供的信息不够时，它起草的澄清邮件，真的能问出那些缺失的关键点吗？

里程碑与记录示意图

我们可以设计两份极端的测试样本：

样本 SYN-01：「我们下个月需要给一个 30 人的远程团队做定期在线答题，请演示一下多人互动的操作界面。」
样本 SYN-02：「请发我一个演示。」

对于这两条线索，设定一张标准的跟进记录表，包含字段：ID、诉求任务、团队规模、时间节点、原文依据、缺失信息、建议追问、人工审核决策。

这里切忌加入任何主观臆测。不要脑补对方的预算、公司规模或成交金额。即使是信息详细的 SYN-01，也只说明需求明确，并不代表对方一定会买。保持字段克制，是验证模型能力的前提。

让模型交卷：提取完美，动作变形

我们给 Gemini 输入了一段严格限制的 Prompt：禁止联网，禁止根据邮箱域名脑补客户实力，要求输出包含缺失字段和下一步追问的 JSON 数据，且所有样本的人工决策统一锁死为「需要复核（review_required）」。

字段比对示意图

运行结果展现了典型的大模型行为特征：

在信息提取层，Gemini 表现极佳：

SYN-01：准确提取出任务是「定期在线答题」、规模为「30人远程团队」、时间是「下个月」。
SYN-02：三个关键字段全部标为 null，并在「缺失信息」中精准填入了：使用场景、团队规模、时间节点。

但在生成「建议追问」时，问题出现了。

面对信息全空的 SYN-02，Gemini 起草的追问话术是：「请问您计划组织什么类型的活动？大概会有多少人参加？」

它在上一行明确写着缺少「时间节点」，但在起草回复时，彻底把「时间」抛到了脑后。

如果直接将这个输出接入自动发信接口，销售团队拿回来的依然是一个半成品线索——你依然不知道对方下周就要上线，还是半年后才立项。

人工介入的修补成本其实极低，只需补上一句：「请问您计划组织什么类型的活动？大概会有多少人参加？预计什么时间需要用到？」

人工介入修补示意图

漂亮格式掩盖下的逻辑断层

很多开发者在调试 Agent 或大模型工作流时，往往只检查 JSON 格式是否规范、字段是否齐全。如果字段没报错，就默认流程跑通了。

但这个案例揭示了一个结构化陷阱：模型内部的分析结果，没有完全传递给它的行动指令。

在构建这类线索跟进流时，有三个基础校验动作必须保留：

字段溯源：每一处填入的内容，都必须能在客户原话中找到字面依据。如果模型自己推导出了「紧急程度极高」，必须立刻抹掉并重置为空。
动作对齐：拿模型列出的「缺失信息」，去逐字比对它生成的「追问话术」。发现漏项，在 Prompt 层面增加动作映射校验，或通过程序规则强制拼接。
算清真实成本：不要过早宣称 AI 帮你节省了多少时间。把整理输入、检查输出、人工改写邮件的时间记录下来。如果人工纠错的成本高于销售人员扫一眼手动回复的时间，这套自动化就还不具备上线价值。

大模型确实能提高分拣效率，但永远不要让一个没有经过闭环校验的追问，直接发送到客户的收件箱里。