WhatsApp 销售线索 AI 应答与打分

原文要点

原文模板接收 WhatsApp Cloud API 入站消息并处理 Meta 的一次性 webhook 验证，按消息 ID 在 Supabase 去重，按手机号查或建客户记录并拉取近期对话，加载商品目录（仅前 30 条）后交给基于 gpt-4o-mini 的 OpenAI 代理判断意图、草拟简短回复，再按规则打分标为冷/温/热（默认阈值 70 和 40），回复发回客户、对话存档、更新 CRM 字段，热线索或需要人工时发 Slack 提醒。语气、语言、阈值和提醒条件均可改；模板附带 whatsapp_sales_agent_setup.sql 建表脚本。

这次做成什么

照着搭一条 WhatsApp 销售线索自动应答工作流：收消息→去重→查客户与历史→AI 草拟回复→规则打分→回复客户并存档→热线索提醒 Slack。本站独立编写一份系统提示词、一份建表 SQL 和一条测试 webhook 数据，便于先离线验证。

准备什么

• Meta Business 账号并开通 WhatsApp Cloud API，拿到 phone number ID 和访问令牌
• n8n 实例有公网可达的 webhook URL，供 Meta 回调
• Supabase 项目并建好 customers、conversations、products 三张表
• OpenAI API 凭据（模板使用 gpt-4o-mini）和已加入目标频道的 Slack 应用
• 产品和营业信息：商品名、价格、库存、配送/支付/退货/营业时间

具体怎么做

1. 配置 webhook 与 Meta 验证

   添加 Webhook 节点接收 POST。Meta 配置回调时会先发一次 GET 验证请求（带 hub.mode、hub.verify_token、hub.challenge），工作流需在验证分支比对 verify token 并原样返回 hub.challenge。在 Meta 后台把回调 URL 指向该 webhook，订阅 messages 字段，verify token 与工作流里保持一致。

2. 规范化与去重

   用 Code 节点把 WhatsApp 负载解析成干净记录：客户手机号、消息文本、message_id、时间戳；忽略状态回调（sent/delivered 等非消息事件）。在 Supabase 节点按 message_id 查询 conversations 表，已存在则直接结束流程，避免 Meta 重投造成重复回复。

3. 查客户、拉历史、载目录

   按手机号查 customers 表，不存在则插入新客户；再查该客户最近若干条 conversations 作为历史上下文。另用 Supabase 节点读取 products 表前 30 条（模板默认上限），连同 Client Config 里的营业信息（商家名、配送、支付、退货、营业时间）一起组装成代理输入。

4. AI 代理判断意图并草拟回复

   添加 OpenAI Chat 节点（模型 gpt-4o-mini），系统提示词见下方材料，用户消息中放入客户消息、近期历史与商品目录摘要，要求输出 JSON：intent、reply、needs_human。Code 节点解析后进入打分。

5. 规则打分并分流

   在 AI Lead Scoring 节点按关键词和意图加分：出现购买意向、问价、问库存等加分，只问候不加分；默认 ≥70 为 Hot、40-69 为 Warm、<40 为 Cold，可按业务改阈值和关键词。打分写入对话记录。

6. 回复、存档、提醒

   用 HTTP Request 或 WhatsApp 节点把 reply 经 Cloud API 发回客户；把本轮对话写入 conversations 并更新 customers 的 CRM 字段。加分支节点：Hot 或 needs_human 为真时调用 Slack 节点向销售频道发提醒，包含客户手机号、意向摘要和最近消息。

可直接复制的材料

你是 {{business_name}} 的 WhatsApp 销售助理。根据客户消息、近期对话历史和商品目录，完成两件事：判断意图并草拟一条简短回复。

规则：
1. 只根据商品目录和营业信息回答，目录里没有的商品或价格不要编造，回复“我让同事确认后回复您”。
2. 回复不超过 80 字，语气友好，可用少量表情，默认用客户使用的语言。
3. 涉及投诉、退款纠纷、大额定制或你拿不准的问题，把 needs_human 设为 true。
4. 只输出 JSON：{"intent": "browse|ask_price|ask_stock|purchase|complaint|other", "reply": "给客户的回复", "needs_human": true或false}

营业信息：配送 {{delivery}}；支付 {{payment}}；退货 {{returns}}；营业时间 {{hours}}。

create table customers (
  id bigint generated always as identity primary key,
  phone text unique not null,
  name text,
  lead_status text default 'Cold',
  last_message_at timestamptz,
  created_at timestamptz default now()
);

create table conversations (
  id bigint generated always as identity primary key,
  message_id text unique not null,
  phone text not null,
  direction text not null,
  body text,
  intent text,
  score int default 0,
  created_at timestamptz default now()
);

create table products (
  id bigint generated always as identity primary key,
  product_name text not null,
  price numeric(10,2),
  description text,
  features text,
  stock int default 0
);

{
  "object": "whatsapp_business_account",
  "entry": [{
    "changes": [{
      "field": "messages",
      "value": {
        "messages": [{
          "id": "wamid.TESTDEMO001",
          "from": "8613800000000",
          "timestamp": "1730000000",
          "type": "text",
          "text": {"body": "你好，你们的蓝牙耳机多少钱？有现货吗？"}
        }],
        "metadata": {"phone_number_id": "100000000000001"}
      }
    }]
  }]
}

输入与输出示例

本站虚构演示，分值与阈值为示例设定，非该工作流的实测输出。

输入

客户（8613800000000）发来：“你好，你们的蓝牙耳机多少钱？有现货吗？”目录中蓝牙耳机 199 元、库存 42 件。

对应输出

{"intent":"ask_price","reply":"您好！蓝牙耳机现价 199 元，目前有现货，今天下单明天就能发货～需要我帮您留一副吗？","needs_human":false}；打分：问价+30、问库存+25，合计 55 → Warm，不触发 Slack 提醒。

做完检查这些

• Meta 后台 webhook 验证一次性通过，回调状态正常
• 同一 message_id 重复投递时只处理一次，不重复回复
• 代理输出可解析为含 intent、reply、needs_human 的 JSON
• 打分后能正确标出 Cold/Warm/Hot，Hot 或 needs_human 时 Slack 频道收到提醒
• conversations 表按消息顺序存下双向对话，customers 的 CRM 字段同步更新

容易卡住的地方

• verify token 在 Meta 和工作流两边必须完全一致，否则验证失败
• 非消息类回调（送达回执等）若不忽略会污染去重和历史逻辑
• 目录只加载前 30 条商品，目录更大时要加按兴趣或关键词过滤，否则 AI 看不到全部商品
• Slack 应用必须先被邀请进目标频道，否则发消息报错
• gpt-4o-mini 调用和 WhatsApp Cloud API 可能产生费用，需自行核算
• 测试请用隔离的测试号码与凭据，不要拿真实客户对话练手