اگر هر هفته ساعتها وقت خود را صرف بررسی دستی فایلهای اکسل برای پیدا کردن بهترین مشتریان احتمالی میکنید، یک اسکریپت ۵۰ خطی پایتون با استفاده از کلود (Claude) میتواند این کار را به ۳۰ ثانیه کاهش دهد. این اتوماسیون جایگزین بررسیهای دستی میشود و یک خط لوله هوشمند AI میسازد که همزمان مشتریان را رتبهبندی کرده و ایمیلهای پیگیری مینویسد.
گلوگاه دستی
امتیازدهی دستی به مشتریان (Lead Scoring) یک گلوگاه رایج برای تیمهای فروش است. طبق گزارش نویسنده، او هر هفته با لیستهایی شامل بیش از ۲۰۰ مشتری احتمالی مواجه بود. این فایلها حاوی نام شرکت، عنوان شغلی و دادههای تعاملی ایمیل بودند؛ اما فرآیند تشخیص اینکه چه کسی را باید زودتر تماس گرفت، یک کار ۲ ساعته بود.
در این سناریو، درآمد بالقوه در یک فایل CSV متوقف شده است. «مشتریان داغ» و با ارزش، زیر تودهای از دادههای سرد دفن شدهاند زیرا راه کارآمدی برای مرتبسازی آنها وجود ندارد. این پیادهسازی خاص نشان میدهد چگونه میتوان بدون استفاده از قوانین سختکد شده (Hardcoded)، از دادههای خام به اقدامات عملی در بازاریابی منتقل شد.
معماری فنی
طبق گزارش، این سیستم بر مدل Claude-Sonnet-4-6 و API قابلیت استفاده از ابزار (tool_use) تکیه دارد تا خروجی ساختاریافته تضمین شود. این فرآیند از یک جریان فنی مشخص پیروی میکند:
- ورودی دادهها: اسکریپت یک فایل CSV را میخواند که شامل نام، شرکت، عنوان شغلی، تعداد باز کردن ایمیل (open_count)، تعداد کلیک (click_count) و آخرین فعالیت (last_activity) است.
- قرارداد ابزار: ابزاری به نام
score_leadتعریف شده است که دارای یک طرح (Schema) سختگیرانه است. این طرح مدل را مجبور میکند چهار مورد را ارائه دهد: امتیاز اولویت (۱ تا ۱۰)، دلیل استدلال، یک جمله آغازین برای ایمیل و یک پیشنهاد ارزشی (Value Proposition). - اجرا: کلود سیگنالهای تعاملی را تحلیل کرده و ابزار را فراخوانی میکند تا یک دیکشنری پایتونی تمیز برگرداند.
- خروجی: اسکریپت از قالبهای Jinja2 برای رندر کردن ایمیلهای شخصیسازیشده استفاده کرده و لیست نهایی را بر اساس امتیاز تخصیصی توسط AI مرتب میکند.
نقش قابلیت استفاده از ابزار (Tool Use)
نکته کلیدی این است که tool_use در کلود، خروجی را مجبور به ساختاریافته بودن میکند. بدون این قابلیت، یک توسعهدهنده باید از کلود میخواست که JSON تولید کند؛ اما در آن حالت احتمال دریافت فرمتهای ناسازگار، فیلدهای گمشده یا JSONهای محصور در Markdown وجود دارد که نیاز به تجزیه (Parsing) پیچیده دارد. با tool_use کلود موظف است تابع را با یک طرح تأییدشده فراخوانی کند و هر بار دیکشنریهای پایتونی تمیز ارائه دهد.
این مکانیسم مانند یک قرارداد عمل میکند. کلود سیگنالها را میخواند و باید دقیقاً فیلدهای مورد نیاز یعنی priority_score، reasoning، opening_line و value_prop را برگرداند. این الگو برای جریانهای کاری «سند-آگاه» (Document-aware) ضروری است، جایی که کاربر طرح را تعریف میکند و اجازه میدهد AI استدلال را مدیریت کند.
کاربرد در دنیای واقعی
به عنوان مثال، این اسکریپت مشتریان را با سطوح مختلف تعامل به این صورت پردازش میکند:
- اولویت بالا: «سارا چن» (نایب رئیس فروش در Acme Corp) با ۱۲ باز کردن و ۴ کلیک در ۳۰ روز، امتیاز ۹ از ۱۰ میگیرد. AI استدلال میکند که او یک مشتری در سطح VP است که طی ۴۸ ساعت اخیر تعامل داشته است.
- اولویت متوسط: «جسیکا پارک» (مدیر SDR در MegaCo) امتیاز ۷ از ۱۰ میگیرد، زیرا عنوان شغلی مدیر SDR یک سیگنال خرید قوی برای ابزارهای فروش است.
- اولویت پایین: «مایک تورس» (بنیانگذار StartupXYZ) به دلیل تنها یک بار باز کردن ایمیل، عدم کلیک و قدیمی بودن فعالیت، امتیاز ۲ از ۱۰ میگیرد.
- اولویت سرد: «دن ویلیامز» (CTO در TechFlow) به دلیل عدم تعامل در دو ماه گذشته، امتیاز ۱ از ۱۰ میگیرد.
این تغییر نشاندهنده گذاری به سمت «استدلال به عنوان زیرساخت» (Reasoning-as-plumbing) است. به جای ساخت مدلهای پیچیده امتیازدهی با میانگینهای وزنی، توسعهدهنده اجازه میدهد مدل زبانی بزرگ (LLM) ظرافتهای مربوط به نقش شغلی و رفتار مشتری را تحلیل کند.
مقیاسپذیری و پیادهسازی
برای مقیاسپذیری بیشتر، نویسنده سه توسعه اصلی را پیشنهاد میدهد:
- API دستهای پیامها (Message Batches API): استفاده از قابلیت Batching آنتروپیک برای امتیازدهی به ۱۰۰۰ مشتری در طول شب، که منجر به کاهش ۵۰ درصدی هزینهها در مقایسه با اجراهای همزمان (Synchronous) میشود.
- یکپارچگی با SendGrid: فیلتر کردن مشتریانی با امتیاز ۸ به بالا و انتقال مستقیم پیشنویسهای ایمیل تولید شده به یک توالی ارسال (Outbound Sequence).
- وبهوکهای FastAPI: قرار دادن اسکریپت در یک نقطه انتهایی (Endpoint) برای اجرای خودکار فرآیند امتیازدهی به محض اینکه یک مشتری جدید به CRM وارد شود.
اگر میخواهید این سیستم را پیاده کنید، به یک کلید API آنتروپیک و کتابخانههای پایتون anthropic و jinja2 نیاز دارید. فایل leads.csv شما باید شامل ستونهای نام، شرکت، عنوان، تعداد باز کردن، تعداد کلیک و آخرین فعالیت باشد، اگرچه این ستونها را میتوان برای مطابقت با هر خروجی CRM تغییر داد.
گام بعدی شما
- اگر لیست مشتریان دارید، ابتدا یک فایل CSV ساده با ستونهای تعاملی بسازید.
- قابلیت
tool_useرا در مدلهای Sonnet تست کنید تا از خروجیهای غیرقابلپیشبینی JSON خلاص شوید. - برای کاهش هزینهها در حجم بالا، حتماً از Message Batches API استفاده کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو