面向B端客户的物流营销，往往链路长、转化难、信息不对称明显。以京东物流为例，其客户开发中存在线索质量参差、转化率不稳定、销售周期冗长等问题，尤其在非人脉获客的场景下，依赖技术手段成为关键突破口。
本次演讲将分享京东物流如何基于大模型构建“智能营销体系”，通过线索挖掘、外呼培育、人机协同、客户画像、知识赋能等方式，覆盖营销链路各环节，并逐步由“AI赋能”升级为“Agent主导”的智能运营形态。本次分享将重点介绍营销大模型在企微机器人、语音外呼、销售助手等产品形态上的落地经验。
同时，也将结合模型训练、指令遵循、RAG检索、Agent编排等关键技术模块，展示如何在满足专业性与实时性要求的同时，实现签约数量、签约收入、ROI 等关键业务指标的提升。

演讲大纲

1. 背景与挑战：B端物流客户的营销难点
   • B端客户决策链长、客户认知门槛高、转化难，尤其是关键决策人挖掘困难。
   • 京东物流销售拓客主要有两种模式：销售自主挖掘 & 市场/AI渠道支持。部分省区线索资源薄弱。
   • 如何通过“前置线索挖掘+AI培育”，提升销售效率、缩短签约周期，是提升营收的关键。
2. 大模型应用探索
   • 面对B端复杂的业务场景，结合业务构建营销大模型，并将其应用到智能外呼、企微营销、智能销售助手等大模型应用落地中，目前营销大模型除了基座模型使用的是开源的Qwen、DeepSeek系列，其他的后训练等模块、如QA路由、RAG、agent、指令遵循、自动化评估、样本生成和合成等模块均为自己团队自主构建。通过划分不同的层级，不同场景使用不同的样本进行大模型微调，以及知识库、RAG结合，有效支撑了业务需求和保证了回复的准确性和专业性。
3. 关键技术与能力建设
   • 样本和数据建设
     • 语音+文本线索语料数千万级
     • 自研数据清洗+合成体系，覆盖多个营销场景
   • 模型训练与优化
     • 基于CoT指令体系，采用SFT+DPO方式优化模型指令遵循能力
     • 微调适配不同业务场景，保证应答专业度和上下文一致性
   • 智能外呼和企微营销
     • 多模态语音大模型实现模拟销售沟通流程
     • 企微机器人支持模块灵活调配、流程跳转动态适应
   • 检索增强与智能评估
     • 构建RankRAG体系，结合Ragas与人工质检实现95%+准确率
     • 自动化运营覆盖90%以上badcase，形成稳定SOP
   • Agent编排与自我反思
     • 完成8个典型场景的agent流程上线，单轮响应<1秒
     • 支持按业务输入动态规划与调整
4. 下一步演进方向

您认为，这样的技术在实践过程中有哪些痛点？

1. 样本质量和数量选择：样本选择和种子样本的构建，包括进行拒绝采样去提升种子样本质量，使用思维链样本去解决复杂的业务逻辑和问题。
2. 客户意图识别的准确率：需要很细致的badcase分类和自动化运维去减少标注人力，合理配比不同分类的微调样本。
3. 语音等多模态准确率提升：适当解耦不同的能力模块，比方ASR、TTS、LLM等，每个部分可以适配不同的微调模型，以及对比不同厂商的接入方案。

听众收益

• 如何落地应用技术，实现技术与业务的深度融合。