1000 行提示词缩成 14 条规则：Vercel 这套销售 Agent 的收敛路径值得抄
Vercel 的 COO 复盘了他们自建 inbound 销售智能体的全过程。这个故事的价值不在"用 AI 替代了 SDR"，而在一个生产级智能体是如何从提示词一路收敛成规则的。
起步：一个人的 20%
起点很朴素：一位 GTM 工程师用约 20% 的时间做这件事。第一版是一段约 125 行的提示词，作者是团队里最好的 SDR——换句话说，他们把业务判断先写下来，再交给模型执行。6 月启动，8 月撤掉人工。
在人工在环阶段，做法很像带新人：Agent 只做调研、资格判断、起草草稿，唯独不发消息；负责人像带新人一样读它前 100 封邮件中的 100%，确认"基本称职"之后，转为约每 100 次触达随机抽 1 次。
中间这步最容易被忽略：提示词膨胀
随着业务上移、企业客户变多，提示词涨到了 1000 行。问题也随之而来：模型并不总会遵守嵌在提示词里的规则——而在销售与资格判断里，有相当一部分其实是确定的规则，不是判断。
于是他们把提示词一刀切成两部分：规则交给代码，判断留给模型。
终局：14 条规则
现在整套 inbound 跑在 14 条规则上。线索进来先查 Salesforce 是否存在未关闭商机，有则直接路由给对应客户经理——"这件事不该让模型决定，我们就是要它发生"。配套还有第二个 Agent 专门监控违规：触发违规时判定这是"本不该发生"还是"可以接受的例外"，然后修正或批准。
这个模式并非孤例。作者在 14 个生产智能体工作流里做过统计：65% 的节点是纯代码，只有 14% 是完全 agentic 的。
值得抄的三条
- 先圈定一个确定性较高的问题，别一上来就做开放式流程。
- 把规则和判断分开写：规则进代码可测试、可回归；模型只处理真正需要权衡的部分。
- 人工在环要有退出标准：从全量审核到随机抽样，用数据决定何时撤人。
成本侧也很说明问题：这套系统推断与基础设施的年支出约 1000 美元。而原本的 SDR 团队集体晋升到 outbound——他们被从邮件营销里放出来，回去做只有人能做的那部分：跟人说话。
参考来源
延伸阅读：29.4 万字符的系统提示词被公开：提示词正在变成一份需要被审计的接口 · GPT-6 实用指南的隐藏结论：选型能力正在取代提示词技巧