文章介绍如何用 Opus 5.5 驱动的 AI 员工 Viktor 打造'AI 参谋长'，将工作中约 60% 的非核心事务（找线索、写提案、规划内容、做报表等）自动化。作者对比了'参谋长'与普通助手的区别：只需交付目标并设定时间，AI 会在云端自主完成任务并回传成果文件。文章给出 10 分钟上手教程（接入 Slack/Teams 和现有工具），并通过四个实战案例（潜在客户名单、销售提案、一周社媒内容、周五数据报告）展示效果，最后提供为期四周、每周增加一项自动化任务的实施路线，以及暂停任务和撤销授权的管理方法。
作者介绍了基于 TypeSafe 发布的 Jev 模型构建信号驱动外呼机器人的方法。Jev 比通用模型快约百倍且成本极低，可为每个销售线索快速打分。作者团队曾用 Claude 做信号驱动 SDR，两周内约到 19 次会议，回复率 12%。文章详细拆解了开源项目 signal-ranker 的架构：watch.py 通过日期文件对比追踪招聘重发、融资等信号，judge.py 负责调用 Jev 评分，policy.py 用纯代码实现门槛与权重，两者分离以便复用已付费的判断结果。支持用 Claude Code 自行拉取线索或使用 yourmax.ai，可放入 Claude Code 或 Codex 终端复现。
文章介绍如何用 AI Agent（Hermes 或 Grokbot）自动寻找销售线索。传统方法是基于 ICP 手动猜测潜在客户，而更好的信号是社交平台上的公开购买意图——用户主动询问产品推荐、竞品替代方案等。文中提出完整工作流：定义理想客户画像、识别购买意图信号（附10分制意图评分标准）、在 X/Reddit/Hacker News 等渠道搜索、研究和验证买家信息、过滤打分后将合格线索持久化保存。强调不允许 AI 编造无法验证的信息，最后由人工审核并个性化触达信息。文中引用数据称2025年79%的 B2B 买家主动发起与供应商的首次接触。
文章介绍了一套自动化的销售线索挖掘系统，解决了传统数据商名单因被过度触达而疲劳的问题。系统每周爬取Google Maps全美本地服务商户数据，通过四信号评分模型（无团队页、无定价页、版权年份新、无营销技术栈）筛选新开业、欠发展的企业，再结合评论时间估算企业年龄，经三级联系人数据增强与邮箱验证后，用LLM（Claude Sonnet）基于4T/4P框架生成个性化邮件，并经QA门控推送到邮件营销平台。整个流水线部署在Railway上持久运行，支持断点续跑与余额监控。
文章介绍了一套基于购买信号（buying signals）的 B2B 外呼（outbound）系统构建方法。核心思想是将“契合度”（fit，账户静态属性）与“信号”（signal，近期发生的事件）分开评分：融资、新领导上任、招聘激增、技术栈变更四类事件使账户进入队列。每个账户携带一个具体原因字段，贯穿富化、评分、分层、渠道选择和开场白全程。作者通过 Clay 表格结合 RB2B、PredictLeads 等工具实现信号采集，并用六因子加权模型对契合度打分，信号触发时仅提升一个层级。该系统使回复率从不足 2% 提升至 5%-11%。
作者介绍如何利用谷歌搜索运算符（site:、引号、OR、减号、intitle:等）免费挖掘LinkedIn公开资料、公司官网和招聘板，构建B2B销售线索名单，突破Sales Navigator的结果上限。核心策略是从信号而非头衔出发，如招聘信息意味着预算与痛点并存。规模化方法包括跨城市/行业批量运行搜索词、爬取结果、设置谷歌提醒。最后通过清洗、数据补全、ICP筛选、邮箱验证和去重，将搜索结果转化为可用名单，并追踪哪些搜索词真正带来会议而非线索数量。
作者基于为400多家B2B公司运营外呼、发送2300万封冷邮件的经验，提出分发（Distribution）是决定胜负的关键，应将其视为一台七环节机器而非工具堆栈：信号捕捉、按需建列表、评分分层、渠道路由、内容、外呼和反馈闭环。文章详细阐述各环节的构建方法，如区分契合度（存量）与信号（增量）、六因子加权评分体系、按层级分配触达渠道等。实践效果显著：同样千封冷邮件的合格线索从20个回复提升至30-50个，会议数提升5倍。
