okki-go setup: Where Company API Data Actually Fits Into an Agent-Native Prospecting Workflow

让一个 company data API 给你的 prospecting agent 供数不难。真正难的是交接顺序——先调哪个接口、上游记录由谁验证、哪一层来做筛选决策、agent 从哪一步开始写第一句话。做对了，定稿率会提升一大截；做错了，每季度都会在重复记录和过期职位信息上白白烧掉几千美元。我是踩了坑才明白这个道理的。

我在 B2B outbound 和 RevOps 技术栈这块已经做了差不多八年。前五年做 SDR 和一线团队管理，最近三年一直在帮公司重建 outbound 技术栈。要不是 2024 年初那个大约 $14,000 的失误——四个月里把邮件发给了 4,100 条过期联系人记录，退信率在我们意识到问题之前就超过了 11%——我根本不会把整套工作流拆掉重来，也不会开始认真对待 okki-go。这个数字包括浪费的发送额度、浪费的 enrichment 调用，以及客户成功团队花在清理退信上的时间。

表面问题：看起来像数据质量问题，其实不是

从外部看，当一个 agent 开始狂发退信、给已经离职的人发邮件、错过那些其实有明确购买信号的账号时，感觉就是数据烂透了。自然的反应就是：换供应商，换个新 API，祈祷这次能好。我干过这种事。换了两次供应商。问题一模一样。

真相是，company data API 返回的是一张快照——域名、员工数、行业、注册地。它不知道某个联系人是不是刚换了工作。它不知道目标账号昨天宣布了 C 轮融资。它更不知道竞争对手刚公开宣布了重组。如果你的 agent 拿到这张快照就急着决定联系谁、什么时候联系、说什么话，那它就是在用过期元数据做出下游所有判断，而不管 API 本身多干净。

大家以为是 A 导致了 B，但其实是反过来的

“更好的数据 = 更高的回复率。”人人都信这个。但因果关系其实反了，或者说，至少得重新框一下：数据质量只决定了你有没有资格留在牌桌上。真正拉动回复率的，是你围绕数据构建的工作流。回复率高的团队未必用了最顶级的 API。他们在 agent 动笔之前就把数据协调顺序做对了。

这才是反常识的地方：那些优化了交接顺序的团队，用二线供应商的数据也能跑赢用顶级供应商但流程一团糟的团队。如果你曾经花了两周去给数据库做去重，结果发现同一家公司以三个不同名称存在于三个地方，你就懂这种感觉了。

agent-native 工作流里到底发生了什么

一个运作正常的 agent-native prospecting pipeline，顺序大致是这样的：

1. 公司图谱。从已验证的公司级数据开始，而不是联系人级数据。域名和公司特征就是主干。联系人挂在这上面。
2. 瀑布流 enrichment。多个供应商互相交叉验证。一个供应商补邮箱，另一个补直拨电话，第三个补最新职位。
3. 意向信号。只有在结构就位之后，你才能叠加意向数据——招聘速度、融资事件、技术栈变化、内容互动。
4. Agent 决策。到了这一步 agent 才决定优先级、文案和发送时机。
5. 人工介入。高价值或高风险的外联在发送前由人工审核。

把第二步和第三步对调——先跑意向再 enrichment——你就会开始追那些根本不符合 ICP 的公司。把第四步提到第三步前面，你就会喂给 agent 过期信息然后让它自己编故事。

company data API 到底在哪一步接入

Company data API 应该位于第一步和第二步之间。它提供图谱主干。然后 enrichment 层来丰富它。API 不做决策。它不挑选 ICP。它不在两个联系人之间做选择。它的任务就是交出结构和身份信息，让其他层可以在上面干活。

这也是我后来才学会区分“agent 使用它”和“agent 在它之上运作”的地方。okki-go 就是围绕这个前提构建的——prospecting agent 跑在一个还算干净的骨架上，而不是一边飞一边现拼。okki-go setup 本身不算复杂。难的是纪律性：忍住不要跳过验证，忍住不要因为某个意向信号看起来诱人就提前触发序列。我在早期的一轮设置里就是把意向放在了 enrichment 之前。两周之后，agent 就在给那些已经不符合我们 ICP 的公司写令人信服的文案了，因为它们上一季度确实有回应，之后招聘冻结了。

哪里会出问题（以及什么时候不怪 API）

我得对一件事较个真：有时候问题确实就出在 API。

如果你的供应商把同一家公司拆成了三个重复实体，每个实体都有不同的所有者，那再完美的排序也救不了你。如果你的意向数据源滞后了几周甚至几周以上，正确下推也没用。如果你完全冷启动、没有种子列表、没有 firmographic 过滤条件，再多的 API 调用也不会凭空变出一个 ICP 来。

还有一种情况是 agent 压根不该排在最前面。如果你在推一笔六位数、有六位利益相关者的交易，而买家会请采购团队做评估，那你需要的是人。不是“少点 auto”的那种人，是真正在打电话、真正坐在会议室里的人。工具应该去支持这个角色，而不是取代它。让 agent 做研究和草拟。但“要不要发送”这个决定——至少在最初几个月——得握在你自己手里。

这个模型什么时候开始撑不住

agent-native 工作流会在规模上撑不住。我见过三种常见的失败模式：

• 足够大的数据量之后，enrichment 的成本会超过它带来的效益——所以要抽样，不要什么都 enrich。
• 意向信号会腐烂。超过 14 天，它们就更像噪音而不是信号。按这个来做过期处理。
• 轨迹会变得隐式。agent 的推理必须对人可读，否则它会悄悄漂移到你无法解释的地方。

但这是底线：一个搭建得当的 agent-native 工作流，不是让机器替你做判断。是让机器处理那些乏味的流水线，然后把值得做判断的东西交回来给你。如果你只需要记住这篇文章的一件事，就记住这个——API 不决定你销售开发的质量。交接顺序才决定。

如果你已经跑过一两轮 okki-go setup，我很想听听你最后把哪一步放到了最前面。我的答案每次都会随着数据源变化而变，而且如果有人说他们几年都能保持一个固定顺序，我反而会非常怀疑，不管他们的信息源是什么——包括这篇。