08|起点:如何开发一个微信AI满足客户营销的需求?——知识点整理
一、课程简介
从 2023 年 4 月开始,分享一个完整的营销 AI 项目的原汁原味的经验和教训。重点放在开发经验上,同时包含 AI 创业商业经验的反思。
一句话总结:微信 AI 在客户侧失败了,但在内部运营侧实现了 10-20 倍的效率提升——无心插柳柳成荫 🌱
二、项目背景:传统营销的三大痛点
▸ 团队背景
原来做广告营销平台,有一套基于用户、产品、标签库的多平台广告投放和多平台自动化客户营销系统。
▸ 2023 年 4 月:看到 AI → 立即投身
当时设想两个产品方向:
-
企业营销知识服务 — 以企业知识库为基础,通过微信 AI 触达用户 -
潜在客户营销 — 基于现有关注者和潜在客户库,做老客户运营和新客户拓展
核心都是 "AI + 微信" 的结合。
▸ 传统营销三大痛点
|
|
|
|
|---|---|---|
| ① 客户营销服务 |
|
|
| ② 营销内容生成 |
|
|
| ③ 数据分析与投放 |
|
|
三、微信 AI 的设计蓝图
▸ 四阶段演进
Phase 1 Phase 2 Phase 3 Phase 4
微信群AI开发 → 多模态AI开发 → 基于Agent的营销AI → 营销Agent平台开发
▸ 交互设计思路
原有功能(营销文章生成、多平台广告、数据分析、EDM邮件等)全部整合到微信聊天界面中:
用户 @AI广告 → 今天运营报表
AI 广告 → @用户 报表地址 + 报警信息
用户 @AI营销 → 生成营销文章
AI 营销 → @用户 请选择产品
★本质:通过大模型的上下文识别能力获取用户输入,再调用后端能力实现具体功能。
四、架构选型:RPA + 大模型
▸ 两个核心技术问题
|
|
|
|---|---|
|
|
RPA 架构
|
|
|
大模型接口
|
▸ 微信 RPA 实现
选用了支持微信 RPA 的 Python 库 WXAuto,支持:
-
搜索群名、读取群列表 -
读取群消息列表 -
模拟按键操作等
消息路由机制:@AI广告 前缀 → RPA 识别 → 路由到对应 AI 广告机器人 → 调用大模型 → 回复并 @ 用户
五、GPT 开发对接
▸ 核心代码
import os
import requests
defget_chatgpt_response(prompt: str) -> str:
api_key = os.getenv('OPENAI_API_KEY')
url = 'https://api.openai.com/v1/completions'
headers = {
'Authorization': f'Bearer {api_key}',
'Content-Type': 'application/json'
}
data = {
'model': 'text-davinci-003',
'prompt': prompt,
'max_tokens': 1500,
'temperature': 0.7,
}
response = requests.post(url, headers=headers, json=data)
result = response.json()
return result['choices'][0]['text'].strip()
▸ 两个核心参数
|
|
|
|---|---|
| model | text-davinci-003
|
| prompt |
|
▸ 历史会话管理
每次 prompt 都要带上整个历史消息:
conversation_history:
User: 请你写一则广告,主题是推广一款新的AI软件
AI: 这是一款全新的AI操作软件
User: 注意软件的名字叫 智者AI
AI:
★格式可自定义,只要能表示出用户和 AI 两个角色,GPT 就能在它的引导下输出适合这个消息。
需要一套用户消息存储系统,每次会话时重新组织 conversation_history。
六、三大 RPA 挑战(核心难点)
⚠️ 挑战 1:轮询效率问题
问题:RPA 基于模拟界面操作,即使群里没有新消息也要定时轮询,群越多效率越低。
V1 ~ V3 演进:
|
|
|
|
|---|---|---|
| V1 |
|
|
| V2 |
|
|
| V3 |
|
|
⚠️ 挑战 2:消息可靠性问题
问题:微信消息列表不提供消息 ID 和时间戳,从列表中分解出最新消息非常困难。
折中方案:
-
微信消息列表中一段时间的消息会有一个总的时间戳(本身也是一条消息) -
存储最新时间戳之后的消息并逐个比对 -
程序重启后只关注有新消息的群
⚠️ 挑战 3:RPA 稳定性问题
问题:基于 RPA 的微信操作需要定期登录,对运营有一定挑战。
对策:该微信 AI 一直是企业内部试用和测试,问题不大;正式对外建议用企业微信官方接口。
七、自有模型训练:从 GPT 转向 ChatGLM-6B
▸ 为什么换?
★微信 AI 一推出消息量就暴增,基于成本考量,很快抛弃了 GPT 付费版。
▸ 参数对比
|
|
|
|
|---|---|---|
|
|
|
|
|
|
60 亿 |
|
关键认知:普通营销内容场景对输出要求不高,小参数量的大模型效果并不一定差。基于 ChatGLM-6B 搭建的系统完全够用。
▸ 产品知识库嵌入方案
用户提问 → 分词技术提取产品名 → 产品库查询 → 补充提示词
→ 【产品信息】→ 大模型生成回复
★这是一个典型的在大模型会话中嵌入知识库的方法。很多企业知识库场景下,模型微调训练的效果往往不如在会话中嵌入知识库的方案。
▸ GPT vs ChatGLM 效果对比
★经过微调的大模型,结合企业产品知识库的实战效果和 GPT 没有差别。
用同样的提示词(基于 Neuralink 知识库写营销文章)在 GPT 和 ChatGLM-6B 上运行,读者几乎分辨不出哪个是哪个。
八、运营现状:冰火两重天
❄️ 客户侧:失败
客户使用趋势
1000 ┤
750 ┤ ╱╲
500 ┤ ╱╱ ╲╲
250 ┤ ╱╱ ╲╲
└──────────────────
Apr May May Jun Jun Jun Jun
20 4 18 1 15 29 13
-
一开始用户活跃度特别高 → 渐渐冷清 → 最后完全不用 😅 -
客户只是当做一个 AI 大模型在体验,而非在营销场景使用 -
文本 AI 聊天没有真实的客户价值
🔥 内部运营侧:意外成功
★外部用户没推销成功,但内部使用非常受欢迎!实现了 10-20 倍效率提升。
典型操作(在微信 AI 中完成):
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
★本以为场景在客户营销侧,最终发现真正有价值的在内部运营侧。
九、核心经验总结
1. 大模型能力评估
-
不要迷信大参数量模型,根据场景选择 -
自研的小模型在特定场景下也有出色表现 -
模型微调 + 知识库嵌入 = 效果不输 GPT
2. RPA 技术价值
-
轮询效率优化(V1→V2→V3 三版迭代) -
消息可靠性保障(无 ID/时间戳的折中方案) -
稳定性应对(登录维护)
3. AI 产品的商业反思
★"场景 AI" 才是核心!客户不会为体验 AI 付费,只会为结果付费。
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
十、知识点总结(10 条)
-
营销 AI 项目从广告平台和营销系统出发,投身于微信 AI + 客户营销方向 -
传统营销三大痛点:客户服务不够及时、内容生成效率低、数据分析不精准 -
微信 AI 设计思路:用微信聊天界面实现原有营销系统功能,通过大模型上下文识别能力驱动 -
架构选型:RPA(WXAuto) 实现消息代理收发 + 大模型实现聊天代理 -
GPT 调用中需要管理历史会话,每次调用 prompt 都带上完整对话记录 -
RPA 三大挑战:轮询效率(V1→V3 三版优化)、消息可靠性(无 ID 的折中方案)、稳定性(定期登录问题) -
基于成本考量,从 GPT(付费)转向 ChatGLM-6B(开源免费),在营销场景下效果不输 GPT -
知识库嵌入方案:用户提问 → 分词提取产品名 → 查询产品库 → 补充提示词 → 大模型生成 -
运营冰火两重天:客户侧失败(仅体验 AI,未见客户价值);内部运营侧意外成功(10-20 倍效率提升) -
微信 AI 作为团队在 AI 上的第一次开发尝试,推动了团队对 AI 的持续学习和提升
十一、思考题
★在自有模型训练中,采用提示词嵌入知识库的方案时,由于用户不是每次提问都带着产品名称,如果某次用户提问里没有包含产品名称,怎么让大模型仍然基于产品信息回答?
💡 欢迎在评论区分享你的思路!
★📌 上节回顾:C 语言自动判题系统——为什么控制逻辑才是核心 📌 下节预告:微调——向量数据库 + 微调 + 规则引擎,定制营销文章内容生成
★💬 如果觉得有收获,欢迎分享给更多朋友一起学习,也欢迎在评论区交流你的 AI 产品经验!

