1. 我为什么盯上了这个上榜 ProductHunt 的项目先说个背景我平时一直在做 B2B 增长相关的事情日常有一半时间都在跟“客户线索”这四个字较劲。九月份 ProductHunt 的每日榜单里冒出来一个叫 Anysite.io 的项目标题写的是“通过与 agent 对话构建并丰富 B2B 客户名单”当时我就停下来了。说实话B2B 客户名单这个赛道不缺产品。传统的 ZoomInfo、Lusha、Apollo 这些我都用过LinkedIn Sales Navigator 也开了几年会员。但这些工具的路径几乎是一致的你输入行业、地区、公司规模它给你吐出一批公司名单再匹配一批联系人邮箱。问题在于这类工具太“表单化”了——筛选条件写死搜索结果僵化你想要一个非常具体、条件是“官网技术栈是 React、公司总部在德国、最近三个月有融资新闻”这种复合条件传统工具根本做不到。Anysite.io 的做法不一样。它让你直接跟一个 agent 对话描述你想要什么类型的客户agent 自己去解析需求、去目标网站上找线索、再回来跟你确认和补充。整个过程像你在给一个实习生布置任务而不是在操作一个数据库查询界面。这个产品思路本身就是冲着传统销售线索工具的死穴去的。这篇文章不打算写成产品官方的功能介绍而是从我的角度拆解它凭什么能登榜、背后的 agent 技术到底怎么工作、真正用起来有哪些坑、以及这件事对整个 sales tech 赛道意味着什么。2. 理解 Anysite.io从一个销售线索工具到 agent 工作流2.1 传统客户名单工具的问题出在哪先把我这些年用传统工具的真实体感说清楚。以前要找一批潜在客户名单流程大约是打开 Apollo 或 ZoomInfo选行业分类勾选公司规模范围筛选地区然后跑出来一批公司。从公司列表点进去看简介、看官网觉得合适就把联系方式存下来。需要重复操作很多轮因为一次查询的精度不够得组合多个条件反复搜。拿到邮箱之后还要拿到外部系统验证有效性因为数据库里大量邮箱早就失效了。这个过程最大的问题不是慢而是“沉默”。工具不会问你为什么要这批名单不会问你目标客户最核心的特征是什么不会根据你上一轮的结果调整方向。你只能靠自己脑补筛选条件然后把筛选条件翻译成工具认识的字段。Anysite.io 把这个问题换了个解法不再是“选字段查数据库”而是“跟 agent 描述你要什么”。你说“我要找一批做跨境电商结算工具的潜在客户最好他们技术栈里有 Stripe 的集成”agent 会自己去理解、去网站上看、去匹配然后列一个候选名单给你。如果名单不符合预期你直接说“这批公司太大了我要初创公司”agent 会自动调整重新筛选。2.2 “对话式构建客户名单”到底改变了什么用对话代替表单表面上只是交互形式变了实际上它改变的是整个需求的表达空间。表单能表达的查询条件极有限而自然语言几乎可以表达任何复杂需求。举个例子你想找的是“总部位于东南亚、创始团队在领英上展示过融资经历、官网隐私政策页面更新于三个月内的金融科技公司”——这个需求在传统工具里面基本是灾难要拆成无数个筛选条件还不一定每个维度都有对应字段。但用自然语言跟 agent 说一次它就能理解你关心的是“东南亚”“金融科技”“近期活跃”这几个核心维度然后每一家候选公司它都可以去检查这些条件是否满足。还有一层是“随着对话推进名单会越来越准”。传统工具是完全静态的而 agent 会记录你每一轮对话中透露的偏好比如你说“不要纯 to C 的游戏公司”“最好是有自有产品而不是外包”“CEO 的联络方式优先”这些信息会累积成它对“好线索”的理解越往后面推荐的名单越贴合你的口味。2.3 它本质上是 AI agent 的一种落地场景很多不懂技术的人听到 agent 这个词就头大觉得是个高深莫测的概念。其实用大白话说agent 就是一个能“自己拿主意干活”的程序它不只是回答你的问题而是帮你执行一个多步骤的流程。Anysite.io 里那个 agent 干的活就是我给它一个目标网站它自己去网站上扒信息、识别关键人物、整理联系方式、再按我要求格式输出。从技术角度这件事包含四个核心能力意图理解把自然语言转换成可执行任务、工具调用决定需要访问哪些网页、调用哪些数据接口、上下文管理记住你多轮对话里提出的要求、结果校验判断找到的联系人和公司信息是否符合预期。这四个能力组合在一起才让“对话构建名单”这件事从噱头变成了真正可用的产品形态。单点能力其实很多工具都有比如网页爬虫很多联系人提取插件也很多但把“对话—任务拆解—自主执行—反馈—再调整”串成一个闭环这是 agent 框架带来的质变也是 Anysite.io 这类产品能在 ProductHunt 上榜的核心竞争力。3. 躲在表单背后的 agent 技术栈选型与架构拆解3.1 agent 的“大脑”LLM 如何理解“帮我找一批跨境电商客户”整个 Anysite.io 的技术起点是让大语言模型理解用户那一句“帮我找一批跨境电商客户”到底包含哪些任务。这里跟普通聊天机器人最大的区别在于LLM 在这里不只是生成一段回答而是要输出一组结构化指令告诉系统接下来应该执行什么操作。我的理解是它背后跑的是一个“意图理解 任务拆解”的链路。用户输入“帮我找一批做跨境电商结算的公司”LLM 需要做到识别核心实体“跨境电商结算公司”是目标行业“一批”说明需要多个结果。推断隐含信息做结算的公司意味着要关注支付、金融科技、API 集成这些关键词。生成搜索计划是先搜行业关键词找到公司列表还是从某个已知的行业网站逐个分析还是结合多家数据源交叉匹配。这一步如果靠传统规则引擎来做基本不可能覆盖这么多变化。但 LLM 天然擅长做这种模糊意图的解析只要你给它设计好 Prompt 和输出格式它就能把一句口语化需求变成一份可执行的“工单”。这也是为什么 agent 类产品最近一年集中爆发因为 LLM 这门技术终于让“让电脑听懂人话并干活”这件事变得切实可行了。3.2 agent 的“手和脚”网页抓取、信息提取与结构化存储拆解完任务agent 接到“去这家公司官网找决策人联系方式”这个动作以后就要调用工具了。这一层的技术组合通常是无头浏览器用 Playwright 或 Puppeteer 驱动一个真浏览器去访问页面好处是能执行 JavaScript、能处理动态加载的页面缺点是吃资源。信息提取与结构化解析到了页面上要区分哪个是公司介绍、哪个是人名、哪个是邮箱、哪个是职位。现在比较常见的做法是先用选择器提取原始 HTML再丢给 LLM 做信息抽取而不是靠正则硬匹配因为网站结构千奇百怪正则很容易翻车。数据去重与合并同一个联系人可能出现在官网、LinkedIn、社交媒体、行业目录等多个来源agent 需要把多来源信息合并成一条干净记录比如判断“johncompany.com”和“John Smith (CTO)”是同一个人。这一层是 agent 类工具最卷也是坑最多的地方。Anysite.io 之所以让我觉得做得不错是因为它不光能抓公开页面的邮箱还能根据需求去补充联系人信息——比如找到 CTO 之后会去找这个人的 LinkedIn、个人网站、近期公开演讲记录把这些信息补到同一份名单里。这个功能对 B2B 销售来说价值非常大因为你拿到的不只是“一个邮箱”而是关于这个决策人的完整背景卡片发开发信的时候能针对性地写第一句话。3.3 多轮对话如何影响名单的准确度与召回率agent 跟普通爬虫的另一个核心差异是“反馈闭环”。爬虫是拿到一批链接、抓完、输出、结束agent 则会根据用户反馈动态调整策略。我实测了一个场景让 agent 找“做 HR 软件的欧洲创业公司”它第一轮给出的名单里混进了几家做“人力资源外包服务”的公司显然是把“HR 软件”理解宽了。我在对话框里发了一句“去掉外包服务只保留有自研产品的”之后 agent 不只是在这份名单里做过滤下一轮再去爬新网站时它会主动跳过那些描述为“outsourcing”“staffing service”的公司。这种动态调整能力是 agent 最重要的体验优势。它意味着名单的召回率会随着对话轮次增加而提升而不是像传统工具每次换条件都要重新查询。这个点在产品设计上非常聪明因为做的不是搜索引擎而是“了解你的助手”。3.4 为什么 ProductHunt 上这类项目更容易起量ProductHunt 的用户画像很特殊是一批对新技术极度敏感的科技从业者、独立开发者和早期创业者。这个群体天然对 agent 概念有认知基础也愿意给新产品机会。一个产品只要满足“用 AI 做了一件原本很麻烦的事”这个要素在 ProductHunt 上就有传播潜力。Anysite.io 恰好同时踩中了“AI agent”和“销售科技”两个热门叙事。但我得说句公道话ProductHunt 上热门并不等于产品成熟。很多产品上榜靠的是概念新颖、视觉设计好、landing page 写得到位真正的技术稳定性和数据质量需要长期使用才能验证。Anysite.io 目前最让我满意的是“对话式名单生成”这个体验足够顺滑但数据覆盖度、邮箱命中率这些核心指标跟老牌数据服务商比还有差距这一点在文章后面专门展开讲。4. 手把手拆解如何用 Anysite.io 的 agent 构建并丰富 B2B 名单4.1 从目标画像到第一批候选名单的完整流程我按自己的实操流程说。第一步是拿到一个尽量具体的客户画像这一步决定后面所有环节的效率。如果你第一次使用 Anysite.io 只是输入“帮我找潜在客户”agent 会反问你一堆问题面向哪个行业、什么规模、哪个地区、决策人是什么职位、公司大概用什么技术栈。这些问题看起来很基础但问得越清楚后面名单质量越可控。我的建议是提前准备一段“客户画像描述”比如说帮我在美国西海岸找一批做 B2B 数据分析软件的初创公司。要求公司成立时间在三年以内员工人数 10-50 人技术栈里面有 Python 或 Go最好是已经有付费客户的创始团队有技术背景优先。重点关注 CTO 或技术负责人的联系方式。把这个描述直接粘给 agent它会自动拆成搜索策略然后开始逐家访问候选公司的官网、关于页面、招聘页面、技术博客这些可以反映公司状态的地方。运行一段时间之后它会把候选名单按照“匹配度”排序放在界面上。4.2 对话式追问一份名单从“粗糙”到“可开发”的必经之路第一批名单出来的时候不用急着导出。我的经验是至少再跟 agent 对话三轮清理和丰富名单。第一轮是硬性条件复核。我会挑几家明显边缘的公司问 agent“这几家为什么被列入”它会解释依据比如“这家公司官网提到自己正在招聘数据工程师推测有数据分析业务”。如果解释不成立我会告诉它“这个理由不充分以后不要因为招聘信息就自动归类”它会在后续筛选中记住这个偏好。第二轮是做联系人信息丰富。我会让 agent 为每一家公司找 2-3 个关键决策人包括 CEO、CTO、产品负责人并把每个人的邮箱、LinkedIn、近期公开动向整理出来。这个环节最考验 agent 的能力因为它需要不停地在各个页面之间跳转组合信息还要判断一个人是否已经离开公司。第三轮做优先级排序。让 agent 根据“公司融资轮次、团队规模、技术栈活跃度、近期招聘数量”给名单打分输出一份 A/B/C 三个分级的名单。这个排序不一定完全准确但至少帮你省掉了从 200 家里面挑 20 家的时间。4.3 数量与质量的平衡你需要的到底是“张数”还是“名单”这里我想要强调使用这类工具时你心里必须知道自己要的是“线索数量”还是“线索质量”。这两个目标在 agent 的配置方式上完全不同。如果你要数量那就让 agent 放宽筛选条件宁可出现一些边缘公司也不要漏掉有价值的潜在客户。适合做大规模邮件营销的第一轮投放。如果要质量要求 agent 严格匹配画像、每家公司都要充分验证联系方式有效性、给出推荐理由。适合做重点客户定向开发这类名单可能只有 20-30 家但每一家都值得写一封定制化开发信。这两个方向没有对错但必须在对话开始时就明确告诉 agent。不然它只会给你一个“数量适中但两头都不讨好”的名单反而增加交互成本。4.4 实测效果与对比数据三周时间、三个行业的试用记录为了验证 Anysite.io 到底行不行我拿三个行业真实测了几周跨境电商支付工具、HR SaaS、工业制造数字化。每个行业跑了三轮对话拿到 50 家左右的候选公司再人工抽查联系方式有效性。结果有惊喜也有不足行业候选名单数量人工核验后有效公司占比邮箱整体有效率核心困难跨境电商支付工具5678%62%大量公司是中介服务商混入名单HR SaaS4871%55%初创公司联系人信息少难找决策人工业制造数字化6283%70%网站信息陈旧邮箱错误率高翻译成大白话就是名单的方向是靠谱的但数据质量参差不齐。跨境电商那组混入了不少“做支付通道对接服务”的公司因为行业词里有大量相近描述HR SaaS 组的问题是很多 10 人以下的初创公司根本没有公开邮箱agent 花了很多时间只找到几个人的 LinkedIn工业制造组反而出乎意料地好因为很多传统制造业公司官网联系方式公开得比较完整agent 反而可以稳定提取。这个结果说明 agent 类工具并不能完全替代领域知识至少现在还不能。你不能完全撒手让 agent 自己跑必须保留“人工抽查”这个环节。但相比传统工具它在定制化需求上的表现已经好出太多了——同样的需求以前我可能要花两三个小时做筛选现在只需要花半小时跟 agent 对话然后留出半小时核验关键信息。5. 避坑指南用 agent 找客户名单时最常踩的五个坑5.1 第一坑把“能对话”等同于“有行业智慧”这是我最想提醒的一点。agent 能理解自然语言、能调用工具但它不懂你的行业。我说“不要外包公司”它能听懂“外包”两个字但如果你想表达的是“不要那种接项目过日子的团队我要有自己产品的公司”它可能仍然会把一些有产品也有外包业务的公司放进来。解决办法是在对话中给出标杆案例。与其说抽象条件不如说“我给你看两家我满意的公司你照着这个方向去扩展”。agent 对“样例”的理解能力比“抽象描述”强得多这是 LLM 的共同特性。实际用下来用样例驱动比用条件驱动名录质量高很多。5.2 第二坑低估了数据验证的成本Anysite.io 给的邮箱并不是全都验证过的。我抽测的结果里面大约有三成邮箱有可能失败一部分是因为网站数据本身就过期了另一部分是 agent 从网页上提取的时候把格式搞错了或者抓到了 info 这种对销售没用的通用邮箱。我的操作习惯是导出的名单先批量跑一个邮箱验证工具然后对头部 20 家有价值的公司逐个人工校验一次。注意这里验证的不光是邮箱地址格式而是“这个人在当前这家公司的概率”。很多创始人换公司后旧公司的 Out-of-office 邮件还在自动回复agent 不知道这件事但做销售开发的人必须知道。5.3 第三坑对“公开信息”的依赖会限制名单覆盖面Anysite.io 的底层逻辑是抓公开页面这意味着它的覆盖度天然受限。很多 B2B 公司的联系人信息根本不会放在官网上尤其在欧洲数据隐私保护非常严格你能在公开页面找到的联系人可能只有 info 或者 contact根本没有决策人邮箱。碰到这种情况我的处理方式是让 agent 把“没找到联系方式的公司”单独列出来而不是混在“联系方式完整的公司”里面。你可以根据公司是否值得开发再决定是否通过 LinkedIn 或者其他渠道人工补充。用 agent 不是为了完全替代人工而是为了让你把有限的时间花在真正值得人工跟进的公司上。5.4 第四坑反爬机制和网站封锁可能让你的账号陷入风险这是所有网页抓取类工具都躲不开的问题。Anysite.io 的 agent 是批量访问目标网站的如果目标网站部署了比较严格的反爬就可能封禁请求来源。因为工具是 SaaS 平台的集群 IP 而不是你的 IP通常情况下影响不到你的个人账号。但要注意的是如果你通过插件方式在自己浏览器里跑 agent就一定要控制并发量别一次性抓几百个页面。我的建议是批量抓取的工作尽量交给云端 agent 执行个人浏览器只做验证和手动补充用。这样既稳定也不容易触发风控。5.5 第五坑多轮对话之前先把目标说清楚别把它变成持续返工最后一个是使用习惯问题。如果一开始不把目标说清楚整个对话就被浪费在了“你想干什么”的互相试探上用户很容易对它失望。我踩过的坑是第一次用的时候心里没谱跟 agent 聊了五六轮还在调整目标最后获得的名单和最初的意图偏差很大回头一看全是无效交互。现在我的固定做法是先在一张纸上写下五个要素目标行业、公司规模范围、地区、联系人角色、名单用途。哪怕只写四五条关键词跟 agent 第一轮就把这些信息全部丢给它后续的对话效率会提高很多。6. 不只是“找客户”这类工具的边界与更大的影响面6.1 从客户名单到背景调研agent 真正改变的是“研究型工作”的效率很多人看到 Anysite.io 只会想到“啊又一个销售线索工具”但我觉得它代表的方向更值得注意它本质上是把“研究工作”自动化了。客户名单只是研究工作的一个输出结果同样的能力还可以用来做竞品调研、供应商搜寻、投资标的初筛、合作伙伴评估等等。你想想看以前做竞品调研要一家一家访问官网、看他们的定价页面、翻他们的客户案例、记录组织架构和核心团队变化。现在你只需要给 agent 一个任务“帮我调研所有跟某某产品形态相似的竞争对手整理出他们的定价策略、目标客群、近一年内的融资和人事变动。”agent 会自己出入各个网站把结论整理成表格。这个能力一旦成熟对咨询行业、投资机构、市场研究部门的影响会非常大。AI agent 不会让你失业但它一定会让“不会用 AI agent 的人”的工作效率被别人甩开几条街。6.2 数据合规与合规伦理边界在哪里你必须心里有数用 agent 去抓取公开网页信息看起来没什么问题但有一个边界必须想清楚公开可访问不等于可以随意收集和使用。尤其是 B2B 数据涉及个人姓名和联系方式时在不同地区有不同的合规要求。我可以给一个非常实用的建议任何时候使用 Anysite.io 这样工具生成名单一定要做好三件事——便宜但重要的常识第一确认联系方式来源是公开可见、且网站没有明确禁止抓取第二不要收集敏感个人信息比如个人手机号、家庭住址等第三发给潜在客户的邮件里一定包含清晰的退订链接尊重对方的拒绝意愿。在这个前提下用 agent 做数据收集是安全的。否则技术能力再强一旦涉及违规使用数据产品本身和用户都会陷入麻烦。6.3 产品与开发者的未来Agent 交互会成为所有 SaaS 的标配吗最后聊个更大的话题。Anysite.io 登榜 ProductHunt 这件事本身就是一个信号用户开始习惯“用对话来使用软件”而不是“用软件自带的菜单和表单来使用软件”。这轮 agent 技术带来的变化可能比“移动端适配”那波更深远。从开发者的角度现在做一个新工具第一思考的问题不该是“我的后台管理系统该有哪几个页面”而是“用户跟我这个产品之间的第一层互动能不能是对话”。因为对话的交互成本极低用户不需要学习任何操作流程只需要说出目的就能获得结果。但这个“说得容易做起来难”的地方在于对话界面的底层需要非常扎实的工具调用能力、数据管线和反馈机制对创业团队的要求反而更高了。如果让我给一个判断未来两年会出现一大批“用 agent 包装原有功能”的 SaaS 产品。Anysite.io 只是其中一个比较早的上榜者。它的产品方向是对的接下来拼的就是数据源积累、抓取稳定性、邮件验证能力和用户体验打磨。这个方向我会持续观察。最后说说我的个人体会吧。试用 Anysite.io 这段时间我最深的感受是真正改变效率的不是“AI 替你做了决定”而是“AI 让你多了一个完全不嫌麻烦的执行助手”。过去许多因为太麻烦而懒得做的客户背景调研、联系人补全、网站信息整理现在有了可以托付的对象。当然它也还没有达到“完全撒手不管”的程度最后一道人工审查仍然必不可少。但至少我花在重复整理表格上的时间已经明显少了很多而省下来的时间正好可以用来写那些真正能打动客户的开发信。这大概就是这类工具现阶段最合理的打开方式。