大数跨境

起点:如何开发一个微信AI满足客户营销的需求?

起点:如何开发一个微信AI满足客户营销的需求? 知识代码AI
2026-11-18
0
导读: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。

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:

  1. 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
  2. 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

痛点
传统方式
AI 解决方案
① 客户营销服务
难以实现个性化和实时响应
AI 聊天机器人,及时响应和个性化消息服务
② 营销内容生成
大量时间和人力
生成式 AI 辅助生成和优化营销内容
③ 数据分析与投放
效率低下、不够精准
AI 快速处理海量数据,深度洞察和精准画像

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

问题
解决方案
微信消息的代理收发
RPA 架构
(机器人流程自动化)
AI 聊天对接
大模型接口
(GPT → 后期自建 ChatGLM)

▸ 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

参数
说明
model text-davinci-003
,代表标准 GPT3 大语言模型
prompt
本次大模型调用的提示词,即用户向机器人的提问

▸ 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:

版本
策略
效果
V1
挨个搜索群名称检查消息
❌ 效率极低
V2
利用微信消息列表特性——有新消息的群会排在列表顶部,从上到下检查直到遇到无消息的群停止
✅ 大幅优化
V3
将所有 AI 群置顶,只读取最新的有消息的 AI 群
✅ 性能最大化

⚠️ 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

模型
参数量
类型
GPT-3
1750 亿
云端付费
ChatGLM-6B
60 亿
开源免费

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):

操作
传统方式
微信 AI
广告数据报表
登录多个系统查看
@AI广告 → 今日报表
异常数据报警
人工监控
AI 自动报警 + 分析
企业知识库检索
搜索各个系统
@AI → 直接回答
联系人信息查询
查 CRM 系统
@AI → 秒回
★

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。

维度
教训
❌ 客户期望
客户的真实需求不是"体验AI",而是"解决营销问题"
✅ 实际价值
内部运营效率提升 10-20 倍,降本增效才是真价值
💡 关键启示
技术 + 应用场景出现偏差,是 AI 创业最大的坑之一

十、知识点总结(10 条)

  1. 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
  2. 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
  3. 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
  4. 架构选型:RPA(WXAuto) 实现消息代理收发 + 大模型实现聊天代理
  5. 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
  6. 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)
  7. 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
  8. 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
  9. 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)
  10. 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!


【声明】内容源于网络
0
0
知识代码AI
技术基底 机器视觉全栈 × 光学成像 × 图像处理算法 编程栈 C++/C#工业开发 | Python智能建模 工具链 Halcon/VisionPro工业部署 | PyTorch/TensorFlow模型炼金术 | 模型压缩&嵌入式移植
内容 439
粉丝 0
知识代码AI 技术基底 机器视觉全栈 × 光学成像 × 图像处理算法 编程栈 C++/C#工业开发 | Python智能建模 工具链 Halcon/VisionPro工业部署 | PyTorch/TensorFlow模型炼金术 | 模型压缩&嵌入式移植
总阅读10.9k
粉丝0
内容439