Zapier Agents 实操教程：从线索分类到人工审批的 AI 工作流

这篇教程会完成什么

我们要搭建一条“表单线索 → AI 分类 → 人工确认 → CRM 草稿”的工作流。Agent 只负责提取和判断，不直接发送邮件、不修改客户阶段，也不执行不可逆操作。这个边界适合第一次验证 AI 自动化的团队。

开始前需要准备

• 一个 Zapier 账号和可用的应用连接
• 一个包含姓名、公司、邮箱、需求描述的表单
• 一个用于测试的 CRM 或表格
• 三到五条已经人工标注的历史线索
• 明确的审批人和失败处理方式

先用测试数据，不要把完整客户库直接交给 Agent。涉及个人信息时，确认表单、Zapier、模型和 CRM 的数据处理政策。

第一步：先定义输入和输出

把表单字段固定下来：name、company、email、need。再定义 Agent 必须返回的结构，例如：

• lead_type：高意向、待培育、无效
• reason：不超过两句话的判断依据
• next_action：联系、发送资料、人工复核
• confidence：高、中、低

结构先于提示词。字段越明确，后续的筛选和人工审核越可靠。

第二步：创建 Agent 并限制权限

在 Zapier Agents 中新建 Agent，用一句话说明它的职责：根据线索描述完成分类和字段提取，不代表销售承诺，不得自动发送外部消息。

只连接读取表单和写入草稿所需的应用。不要一开始就授予删除、付款、改权限或批量发送能力。把知识来源限制在产品资料、销售 FAQ 和价格页面，避免把无关的内部文件混进上下文。

第三步：写出可检查的指令

提示词要包含四部分：任务、分类标准、输出格式、遇到不确定信息时的处理方式。例如：

读取线索描述，按高意向、待培育、无效三类分类。高意向必须同时出现明确需求、时间范围或预算信号。只返回 JSON 字段 lead_type、reason、next_action、confidence。无法判断时返回待培育，并把 confidence 设为低。不要编造公司规模、预算或联系方式。

先用历史线索测试。若同一条线索多次返回不同分类，先收紧标准，不要急着增加更多工具。

第四步：加入人工审批

让 Agent 的结果先进入 Slack、邮箱或审批表，审批人确认后再创建 CRM 草稿。审批界面至少显示原始描述、Agent 分类、判断理由和下一步动作。

把高意向和低置信度分到人工队列。只有字段完整、置信度高且符合规则的线索，才进入后续自动化。即便如此，也建议先运行一周的“只生成草稿”模式。

第五步：处理失败和重复

为每条线索生成稳定的幂等键，例如使用表单提交 ID。CRM 写入前先按该键查询，避免重试造成重复联系人。若 Agent 返回格式错误，分支应记录原始响应并通知负责人，不要把空字段写入 CRM。

设置合理的重试次数。连续失败时停止自动化，保留输入、错误信息和时间戳，交给人工处理。不要让 Agent 无限重试或自行修改权限。

常见错误

让 Agent 直接发邮件

草稿和发送是两种风险等级。先人工确认语气、收件人和承诺内容，再决定是否自动发送。

分类标准写得太模糊

“判断是否重要”无法复核。改成可观察条件，例如预算、时间范围、产品匹配和明确问题。

忽略额度和连接器限制

正式上线前记录每天触发次数、平均动作数和失败率，按实际数据估算套餐，而不是按演示次数购买。

什么时候该换工具

如果流程变成大量循环、私有网络访问、复杂队列、脚本处理或细粒度审计，可以评估 n8n。若重点是网页研究和批量结构化提取，可比较 Gumloop。Zapier Agents 更适合在成熟 SaaS 连接器之上快速增加 AI 判断。

FAQ

Zapier Agents 适合处理客户隐私数据吗？

先核对当前数据处理、保留和模型使用政策，并只传递完成任务所需的最少字段。高敏感数据应先脱敏或改用符合组织要求的部署方式。

可以完全自动把线索写入 CRM 吗？

低风险、字段完整且经过充分测试的场景可以逐步自动化，但建议保留低置信度和高价值线索的人工审批。