# 犀牛急救 · 客户发掘系统 — 真实业务可行性分析

> 分析日期：2026-02-11  
> 分析对象：`lead-discovery` 前端 Demo 全部 7 个页面 + 2 个服务  
> 分析维度：每个功能模块的**设计意图 → 当前实现 → 技术可行性 → 落地差距 → 建议方案**

---

## 一、系统全局架构评估

### 当前架构

```
Angular 19 SPA（纯前端）
├── MockDataService        ← 所有数据硬编码，无后端
├── QuickScreenService     ← 模拟 AI 分类，规则写死
├── EML 解析 API           ← 唯一的真实外部服务调用
└── 7 个页面组件            ← 纯展示 + 本地状态操作
```

### 核心问题

| 维度 | 现状 | 生产要求 |
|------|------|----------|
| 数据持久化 | 内存中的硬编码数组，刷新即丢 | 数据库 + API |
| AI 能力 | if-else 关键词匹配 | LLM / ML 模型 |
| 邮件接入 | 硬编码 6 封模拟邮件 | IMAP/SMTP 或邮件网关 |
| 多用户 | 无认证、无权限 | 登录 + RBAC |
| 数据来源 | 仅邮件 + 手动录入 | 展会、平台 API、爬虫等 |

---

## 二、逐页面/模块深度分析

---

### 1. AI 仪表盘（Dashboard）

**设计意图**：一屏展示 AI 每日批量处理结果，销售人员只需验证。

#### ✅ 可行的部分

| 功能 | 可行性 | 说明 |
|------|--------|------|
| 今日统计卡片（新线索/待验证/已确认/管线总值） | ✅ 完全可行 | 标准 BI 聚合查询，任何数据库都能支持 |
| AI 批次状态展示 | ✅ 可行 | 需要后端任务调度系统（如 Celery / BullMQ） |
| 待验证线索列表 + 确认/无效操作 | ✅ 可行 | 标准 CRUD，加上状态机流转 |
| 画像分布柱状图 | ✅ 可行 | 简单的 GROUP BY 聚合 |

#### ⚠️ 需要补足的部分

| 功能 | 当前状态 | 落地所需 |
|------|----------|----------|
| "AI 每日批量处理" | 硬编码的 `discoveryBatches` 数组 | 真实的定时任务系统：每日凌晨拉取新邮件 → 调用 LLM 分类 → 写入数据库 → 生成批次报告 |
| 最近活动流 | 硬编码 6 条假数据 | 需要事件总线 / 操作日志表 |
| 画像分类准确性 | if-else 关键词匹配 | 需要 LLM（GPT-4o / Claude）或微调模型 |

#### 💡 技术建议

- **定时批处理**：使用 Node.js + BullMQ 或 Python + Celery，每日 08:00 触发
- **AI 分类**：GPT-4o 的 structured output 模式，输入邮件正文，输出 `{persona, grade, confidence, keywords}`
- **预估成本**：每封邮件约 $0.01-0.03（GPT-4o-mini），日均 50 封 ≈ $0.5-1.5/天

---

### 2. 邮件收件箱（Inbox）

**设计意图**：接收邮件 → 快速筛选 → 创建线索的核心工作流。

#### ✅ 可行的部分

| 功能 | 可行性 | 说明 |
|------|--------|------|
| 邮件列表 + 详情阅读 | ✅ 可行 | 对接 IMAP 协议即可（如 Gmail API / Microsoft Graph） |
| 附件展示与下载 | ✅ 可行 | 邮件附件存储到 OSS/S3 |
| EML 文件导入 + 解析 | ✅ **已实现** | 已对接 `eml.brainwork.club` API，含附件分析和产品需求提取 |
| 快速筛选 → 创建线索 | ✅ 可行 | 筛选逻辑替换为 LLM 调用即可 |
| 批量筛选 | ✅ 可行 | 并发调用 LLM API + 进度反馈 |

#### ⚠️ 需要补足的部分

| 功能 | 当前状态 | 落地所需 |
|------|----------|----------|
| 邮件实时接收 | 硬编码 6 封模拟邮件 | IMAP 轮询 / Webhook（Gmail Push / Microsoft Graph Subscription） |
| 快速筛选 AI | `classifyByDomain()` 用 if-else | 替换为 LLM API 调用，Prompt 中嵌入 6 个画像定义 |
| 筛选结果持久化 | 内存操作，刷新丢失 | 后端 API + 数据库 |
| EML 导入后的线索关联 | 创建了线索但未持久化 | 需要后端存储 |

#### 💡 技术建议

- **邮件接入方案对比**：

| 方案 | 复杂度 | 实时性 | 推荐场景 |
|------|--------|--------|----------|
| IMAP 轮询（每 5 分钟） | 低 | 中 | MVP 阶段 |
| Gmail API + Pub/Sub | 中 | 高 | 用 Gmail 的团队 |
| Microsoft Graph + Webhook | 中 | 高 | 用 Outlook 的团队 |
| 自建邮件网关（Postfix） | 高 | 最高 | 需要完全控制 |

- **AI 筛选 Prompt 设计**（已有良好基础）：

```
你是一个外贸线索分类专家。根据以下邮件内容，判断客户画像：
P1-医药分销商 / P2-工业安全供应商 / P3-政府机构采购 / P4-品牌OEM / P5-电商零售 / P6-低质量

输出 JSON：{ persona, personaLabel, valueGrade, confidence, matchedKeywords[], mainBusiness }
```

- **EML 导入已具备真实能力**：当前的 EML 解析 API 是整个系统中**唯一真正可用的外部服务**，可直接用于生产

---

### 3. 线索看板（Kanban）

**设计意图**：多维度可视化线索状态，支持按等级/画像/阶段三种视图。

#### ✅ 可行的部分

| 功能 | 可行性 | 说明 |
|------|--------|------|
| 三种看板视图切换 | ✅ 完全可行 | 纯前端 UI 逻辑，数据从 API 获取即可 |
| 按客户类型过滤 | ✅ 可行 | 标准筛选查询 |
| 线索卡片展示 | ✅ 可行 | 数据模型设计合理 |

#### ⚠️ 需要补足的部分

| 功能 | 当前状态 | 落地所需 |
|------|----------|----------|
| 拖拽排序/移动阶段 | ❌ 未实现 | 需要 Angular CDK DragDrop + 后端状态更新 API |
| 实时协作 | ❌ 无 | WebSocket / SSE 推送（多人同时操作看板） |
| 数据持久化 | 内存数据 | 后端 API |

#### 💡 技术建议

- 看板的 UI 设计已经很成熟，**落地成本低**
- 拖拽功能用 `@angular/cdk/drag-drop` 即可，约 1-2 天工作量
- 建议先不做实时协作，MVP 阶段用乐观更新 + 冲突提示

---

### 4. 线索管理（Lead List）

**设计意图**：全量线索的表格视图 + 按画像分组 + 统计面板。

#### ✅ 可行的部分

| 功能 | 可行性 | 说明 |
|------|--------|------|
| 列表视图 + 搜索过滤 | ✅ 完全可行 | 标准数据表格 |
| 按画像分组视图 | ✅ 可行 | 前端分组 + 折叠 |
| 统计视图（画像/等级/阶段分布） | ✅ 可行 | 后端聚合查询 |

#### ⚠️ 需要补足的部分

| 功能 | 当前状态 | 落地所需 |
|------|----------|----------|
| 分页 | ❌ 无（全量加载） | 线索量超过 100 条后必须分页 |
| 排序 | ❌ 无 | 服务端排序 |
| 批量操作 | ❌ 无 | 批量确认/批量分配/批量导出 |
| 导出 Excel | ❌ 无 | 后端生成 + 下载 |

#### 💡 技术建议

- 数据量 < 500 条时前端分页足够，> 500 条需服务端分页
- 建议增加「导出 Excel」功能，外贸团队强需求

---

### 5. 线索详情（Lead Detail）

**设计意图**：单条线索的全景视图 + AI 画像分析 + 销售验证 + 产品推荐 + 跟进管理。

#### ✅ 可行的部分

| 功能 | 可行性 | 说明 |
|------|--------|------|
| 客户画像分析卡片 | ✅ 可行 | 数据结构完善，展示逻辑清晰 |
| 快速筛选结果展示 | ✅ 可行 | 已有完整的数据模型 |
| 销售验证表单（确认/修改画像） | ✅ **高价值** | 人工反馈 → 可用于微调 AI 模型 |
| 跟进阶段时间线 | ✅ 可行 | 状态机设计合理 |
| 推荐产品列表 | ✅ 可行 | 基于客户类型的规则匹配 |

#### ⚠️ 需要补足的部分

| 功能 | 当前状态 | 落地所需 |
|------|----------|----------|
| AI 调研报告 | 硬编码模拟文本 | 需要真实的 AI 调研流程（见下方详述） |
| "深度分析"按钮 | 点击后弹 SnackBar "Phase 3 上线" | 需要实现完整的深度分析 Pipeline |
| 验证结果反馈循环 | 仅修改前端状态 | 需要存储反馈 → 定期用反馈数据优化 AI 模型 |

#### 💡 AI 调研报告的真实实现方案

这是系统中**技术挑战最大**的功能：

```
触发深度分析
    ↓
Step 1: 抓取公司官网（Puppeteer / Playwright）
    ↓
Step 2: 提取关键信息（LLM 结构化提取）
    - 公司规模、主营业务、产品线
    - 联系方式、社交媒体
    ↓
Step 3: 产品匹配分析（LLM + 本地产品库）
    - 匹配我方产品 → 客户需求
    - 计算利润空间
    ↓
Step 4: 竞品分析（可选，需要爬虫）
    ↓
Step 5: 生成销售策略建议（LLM）
    ↓
输出结构化报告（3-5 分钟）
```

**技术可行性**：✅ 可行，但需要注意：
- 官网抓取可能被反爬（需要代理池）
- 耗时较长（3-5 分钟），需要异步任务 + 进度推送
- LLM 调用成本：每次深度分析约 $0.05-0.15

---

### 6. 客户画像知识库（Personas）

**设计意图**：定义和管理 6 类客户画像，作为 AI 分类的知识基础。

#### ✅ 可行的部分

| 功能 | 可行性 | 说明 |
|------|--------|------|
| 6 类画像定义展示 | ✅ **设计优秀** | P1-P6 的定义、关键词、策略体系完整 |
| AI 行动规则（4 步流程） | ✅ 可行 | 可直接作为 LLM Prompt 的一部分 |
| 销售经验备注（可添加） | ✅ **高价值** | 团队知识沉淀，可反哺 AI |
| 代表线索预览 | ✅ 可行 | 简单查询 |

#### ⚠️ 需要补足的部分

| 功能 | 当前状态 | 落地所需 |
|------|----------|----------|
| 画像定义编辑 | 硬编码在 `lead.model.ts` | 需要后端 CRUD API，支持管理员编辑画像规则 |
| 关键词管理 | 固定数组 | 支持增删改关键词，修改后实时影响 AI 分类 |
| 经验备注持久化 | 仅内存操作 | 需要数据库存储 |
| 画像效果统计 | 硬编码的 `leadCount` 和 `conversionRate` | 需要从真实数据计算 |

#### 💡 技术建议

- 画像知识库是整个系统的**核心资产**，当前的 6 类画像定义质量很高
- 建议将画像定义存入数据库，作为 LLM Prompt 的动态模板
- 销售经验备注可以用 RAG（检索增强生成）方式注入 AI 上下文

---

### 7. 产品目录（Product Catalog）

**设计意图**：展示公司产品线，支持搜索和按客户类型过滤。

#### ✅ 可行的部分

| 功能 | 可行性 | 说明 |
|------|--------|------|
| 产品卡片展示 | ✅ 完全可行 | 标准商品目录 |
| 搜索 + 客户类型过滤 | ✅ 可行 | 简单查询 |
| 价格展示（批发/零售） | ✅ 可行 | — |

#### ⚠️ 需要补足的部分

| 功能 | 当前状态 | 落地所需 |
|------|----------|----------|
| 产品图片 | ❌ 无图片 | 需要产品图片上传和 CDN |
| 库存状态 | ❌ 无 | 对接 ERP/库存系统 |
| 价格策略 | 固定价格 | 阶梯价格、客户专属价格 |
| 产品编辑 | 硬编码 | 后台管理界面 |

---

### 8. 快速筛选服务（QuickScreenService）

**设计意图**：模拟 AI 对邮件/手动输入进行快速分类。

#### 当前实现 vs 真实需求

| 维度 | 当前（模拟） | 生产（真实） |
|------|-------------|-------------|
| 分类方法 | `classifyByDomain()` — 关键词 if-else | LLM API 调用（GPT-4o / Claude） |
| 国家识别 | 域名后缀推断（`.de` → DE） | IP 地理定位 + LLM 推断 |
| 置信度 | 硬编码数值 | LLM 自评估 + 历史校准 |
| 产品推荐 | 按客户类型固定映射 | LLM 理解需求 → 语义匹配产品库 |
| 耗时 | `simulateDelay(1500ms)` | 真实 LLM 调用 2-5 秒 |

#### 💡 真实实现方案

```typescript
// 生产环境的 screenEmail 伪代码
async screenEmail(email: Email): Promise<QuickScreenResult> {
  // 1. 调用 LLM 进行结构化分析
  const llmResult = await this.openai.chat.completions.create({
    model: 'gpt-4o-mini',
    response_format: { type: 'json_schema', schema: screenResultSchema },
    messages: [
      { role: 'system', content: this.buildSystemPrompt() },  // 包含 6 个画像定义
      { role: 'user', content: `邮件主题：${email.subject}\n正文：${email.body}` }
    ]
  });

  // 2. 解析结果
  const parsed = JSON.parse(llmResult.choices[0].message.content);

  // 3. 基于画像匹配产品（规则 + 语义混合）
  const products = await this.matchProducts(parsed.persona, email.body);

  return { ...parsed, suggestedProducts: products };
}
```

**可行性**：✅ 完全可行，GPT-4o-mini 的 JSON 模式输出稳定，成本低（$0.01/次）

---

## 三、核心 AI 能力可行性总结

| AI 功能 | 技术成熟度 | 准确率预估 | 成本/次 | 建议 |
|---------|-----------|-----------|---------|------|
| 邮件画像分类（P1-P6） | ⭐⭐⭐⭐⭐ | 85-92% | $0.01 | GPT-4o-mini，Prompt 中嵌入画像定义 |
| 价值等级评估（S/A/B/C） | ⭐⭐⭐⭐ | 80-88% | 同上 | 与画像分类一起输出 |
| 关键词提取 | ⭐⭐⭐⭐⭐ | 90%+ | 同上 | LLM 原生能力 |
| 产品需求提取（从邮件） | ⭐⭐⭐⭐ | 85%+ | $0.02 | 已有 EML API 支持 |
| 官网抓取 + 分析 | ⭐⭐⭐ | 75-85% | $0.05-0.15 | 需要 Puppeteer + LLM，反爬是挑战 |
| 竞品分析 | ⭐⭐ | 60-75% | $0.10+ | 数据源有限，建议作为辅助参考 |
| 销售话术生成 | ⭐⭐⭐⭐ | N/A | $0.02 | LLM 强项，但需要人工审核 |

---

## 四、数据源接入可行性

### 当前系统支持的线索来源

| 来源 | 代码中的 source 值 | 当前状态 | 真实接入方案 |
|------|-------------------|----------|-------------|
| 邮件 | `'email'` | ✅ 有 EML 导入 + 模拟收件箱 | IMAP 轮询 / Gmail API |
| 手动录入 | `'manual'` | ✅ 有表单 | 已可用 |
| 展会 | `'exhibition'` | ❌ 仅硬编码 | 批量 CSV 导入 / 名片 OCR |
| 平台 | `'platform'` | ❌ 仅硬编码 | 阿里国际站 API / Made-in-China API |
| AI 发现 | `'ai_discovery'` | ❌ 仅定义，无实现 | 定时爬虫 + LLM 筛选 |

### 各来源接入难度

| 来源 | 难度 | 工期 | 说明 |
|------|------|------|------|
| 邮件（IMAP） | ⭐⭐ | 1-2 周 | 成熟方案，`imapflow` 库 |
| 邮件（Gmail API） | ⭐⭐ | 1 周 | 需要 OAuth 2.0 |
| CSV 批量导入 | ⭐ | 2-3 天 | 前端解析 + 后端存储 |
| 阿里国际站 | ⭐⭐⭐ | 2-3 周 | 需要开放平台账号 + API 对接 |
| 名片 OCR | ⭐⭐ | 1 周 | 用现成 OCR API（百度/腾讯） |
| 网络爬虫发现 | ⭐⭐⭐⭐ | 3-4 周 | 反爬、数据清洗、法律合规 |

---

## 五、落地路线图建议

### Phase 1：MVP（4-6 周）— 让系统真正能用

```
✅ 后端 API + 数据库（NestJS/Express + PostgreSQL）
✅ 用户认证（JWT）
✅ 邮件接入（IMAP 轮询，每 5 分钟）
✅ AI 快速筛选（GPT-4o-mini 替换 if-else）
✅ 线索 CRUD + 持久化
✅ EML 导入（已有，保留）
✅ CSV 批量导入（展会/平台线索）
```

### Phase 2：增强（3-4 周）— 提升效率

```
✅ AI 每日批量处理（定时任务）
✅ 看板拖拽
✅ 画像知识库可编辑
✅ 产品目录管理后台
✅ 销售验证反馈收集
✅ 数据导出（Excel）
```

### Phase 3：智能化（4-6 周）— AI 深度能力

```
✅ AI 深度调研报告（官网抓取 + 分析）
✅ 产品语义匹配（向量搜索）
✅ 销售话术自动生成
✅ 基于反馈的模型优化
✅ 平台 API 对接（阿里国际站等）
```

---

## 六、结论

### 整体评价

| 维度 | 评分 | 说明 |
|------|------|------|
| **业务逻辑设计** | ⭐⭐⭐⭐⭐ | 画像体系、分类流程、跟进阶段设计专业且完整 |
| **数据模型** | ⭐⭐⭐⭐⭐ | Lead / Email / Product / Persona 模型覆盖全面 |
| **UI/UX 质量** | ⭐⭐⭐⭐ | Material Design 风格统一，交互流畅 |
| **AI 功能真实性** | ⭐⭐ | 核心 AI 全部是模拟，需要替换为真实 LLM |
| **数据持久化** | ⭐ | 无后端，刷新全丢 |
| **生产就绪度** | ⭐⭐ | 优秀的原型，但距离生产还需 Phase 1 的全部工作 |

### 一句话总结

> **这是一个业务逻辑设计极其优秀的原型系统。** 画像体系（P1-P6）、分类流程、产品匹配规则都经过深思熟虑，可直接指导生产开发。当前最大的差距是**缺少后端和真实 AI 能力**，但所有设计的功能在 2026 年的技术条件下**均可实现**，核心 AI 分类功能使用 GPT-4o-mini 即可达到 85%+ 准确率，成本可控（日均 $1-3）。建议按 Phase 1 → 2 → 3 的路线图推进，4-6 周即可交付可用的 MVP。