Clay AI负责人谈增长团队像工程团队一样运行Agent

"没有任何创意优势会永远存在。"
"赢的人，是迭代最快的人。"
"增长从根本上已经变成一个工程挑战。"

Clay AI 负责人 Jeff Barg 讲了一件增长团队很难绕开的事：当 AI 已经能写出像人写的邮件，主动触达的胜负就不再押在一句文案上。Clay 每月运行超过 3.5 亿个增长 Agent，背后连着 4000 多万家公司、9 亿联系人，以及每周数以万亿计的模型词元。这个规模把增长从文案活，推成了工程活。

增长、销售、产品商业化团队看这场分享，最该带走的不是某个提示词。Clay 给出的路径更硬：先把名单、信号、触达、反馈接成一条可运行的链路，再让 Agent 在链路里承担研究、打分、排序和复盘。邮件写得更顺只是最后一步，前面的市场选择才决定大多数回信会不会发生。

Jeff 这 12 分钟没有演示怎样生成邮件。他按生产事故的顺序往下讲：Lambda 为什么贵，ECS 迁移后为什么要补恢复能力，限流怎样吃掉吞吐，缓存怎样影响 Anthropic 账单，评估又怎样决定 Agent 该停在第几步。增长团队如果要把 Agent 放到真实业务里，这些账迟早都会出现。

冷邮件先输在找错人

冷邮件过去还能靠巧思赢一点。标题更像真人，开头更贴对方公司，语气少一点模板感，都能拉开距离。GPT-4 之后，这条路越来越窄。收件箱里已经塞满了看起来定制、读起来也不差的主动触达邮件，收件人真正关心的是：你为什么现在找我，你凭什么知道我可能需要这个东西。

"你可以写出最好的主动触达邮件。但如果某个人不想买你的产品或服务，一封有创意的邮件不会改变那件事。"

Clay 把更高杠杆的位置放在目标客户选择上。谁刚完成融资，谁在招聘工程负责人，哪家公司有工程师标星过某个 AI 编程产品的 GitHub 仓库，哪些账号已经露出购买意图，这些信号比一句漂亮开场更靠近交易。增长团队如果仍把 AI 当作邮件润色器，很容易在最不该用力的地方用力。

金融里用 alpha 形容相对市场的超额表现。Clay 借这个词谈增长：更好的人群、更好的时机、更好的定位，叠在一起，才会变成竞争对手难以照抄的触达机会。AI 编程公司去找“正在招工程负责人、团队里有人关注过自家 GitHub 仓库”的公司，就是一个例子。名单本身已经带着理由，邮件才不必硬编理由。

Clay 把增长动作接成闭环

Clay 的产品位置很清楚：帮团队从增长数据集里建公司和联系人列表，用 150 多个数据集成提供方和 AI Agent 做补全，再把名单送进客户资料补全、主动触达活动等环节。增长工作里那几个老问题，找谁、什么时候找、用什么理由找，被拆成可以批量运行的步骤。

"你可以把 Clay 理解成运行这些工作流的增长基础设施。"

一名销售研究 50 个账号，还能靠经验补洞。团队要扫几万家公司、几百万联系人，经验就得变成数据接口、执行记录和可复盘的规则。Clay 的 150 多个数据源在这里派上用场：Agent 不只生成一段话，还要拿到足够细的事实，知道一家公司为什么现在可能进入购买窗口。

Clay 最好的客户会按一套循环做事：扫描整个可触达市场，叠加新闻、融资公告、GitHub 标星等信号，让 Agent 给账号打分，在合适的时点触达，再把回信和转化带回下一轮。每次活动结束后，团队看的不只是回复率，还会追问哪组信号有效、哪类人群偏差大、哪套触达剧本该留下。

3.5 亿次月调用就来自这种循环。Clay 会把整个可触达市场过一遍筛子，而不是只挑几个看起来漂亮的账号做研究：先粗扫，再叠新闻、融资、招聘和代码社区信号，最后把更像机会的账号交给销售。Agent 在这里像一组永不疲惫的研究员，但研究员必须按同一套规则工作。

三层 AI 落地，差距在自有信号

Jeff 把增长 AI 拆成三层。第一层是个人会用 ChatGPT 或 Claude，让销售分析通话、写触达文案。第二层是集中部署，例如工作区里的 Claude 技能、每次电话后的自动纪要。第三层才进入 Clay 关心的区域：把公司自己的数据、客户理解和业务节奏压进一套可复制的触达机器里。

"第三层是创造竞争对手无法复制的优势。"

第一层最容易启动，也最容易在周会上展示。一个销售拿 Claude 分析电话，另一个销售让 ChatGPT 写邮件，团队很快就能看到效率提升。麻烦在于，竞争对手也能买同样的模型。个人使用越普及，单点技巧越难留下长期优势。

第三层的门槛来自不可复制的组合：你的客户数据、你观察到的市场信号、你从历史活动里学到的反应，以及你对自家产品购买触发点的理解。竞争对手可以照着买工具，却很难照着拿走这些材料。增长团队该沉淀的，是能持续变准的市场雷达，不是一批通用提示词。

3.5 亿次调用先考验工程底座

Claygent 每月跑 3.5 亿次后，麻烦先出现在工程底座。Jeff 的描述很具体：大多数 Agent 并不一直在“思考”，很多时间花在等浏览器、等 API、等模型返回。Clay 早期把 Claygent 跑在 Lambda 上，等待时间也要付钱，费用很快变得不可接受。

迁到 ECS 后，账单压力缓下来，可靠性又冒出来。随机主机故障、任务中断、恢复重跑，都不能靠人工盯着处理。Jeff 给出的架构像持久化工作流执行：队列负责排队，检查点保存中间状态，LangGraph 或 LangSmith 部署这类工具负责让任务从失败处继续。

"正确的架构看起来更像持久化工作流执行。"

增长团队做 Agent 原型时，经常低估这一层。演示里只跑十几个账号，浏览器偶发失败、API 变慢、模型限流，都像小瑕疵。市场一放大，瑕疵会变成中断、延迟和错过触达窗口。Agent 进入生产环境后，占用的不只是模型额度，还有队列、浏览器、外部接口和数据库连接。

等待尤其容易被误判。一个 Agent 查网页、等 API、等模型返回时，人眼看到的是“还在跑”。账单看到的是墙上时间，客户看到的是任务迟迟没结束。Clay 从 Lambda 迁走的经历提醒了一个朴素事实：Agent 越像后台劳动力，调度和恢复就越像核心产品能力。

吞吐、账单和准确性要一起算

Clay 的工作负载很尖峰，即便有专用推理容量，也要尽量把可用容量吃满。团队做了带背压的调度，根据下游模型服务商的状态自适应节流。它的行为接近 TCP/IP 拥塞算法：先尽量发送请求，一旦碰到限流，就逐步把流量降下来。

"在我们内部的一些实验里，它能带来比朴素做法高 4 到 10 倍的吞吐。"

调度还要照顾公平。一个大客户可能正在全市场跑数百万个 Agent，新注册客户只跑前 10 个 Agent，Clay 不能让前者把后者挤掉。到了这个层级，增长产品已经不像一个简单 SaaS 功能，更像一条公共道路：车流要快，也要让小车能上路。

账单侧也有清晰教训。Clay 自建 Agent 运行框架后发现，缓存策略会显著影响花费。围绕 Anthropic 等模型服务商的缓存特性设计 Agent，最高可以省下 70%。团队还会限制重试和工具调用的蔓延；某些场景里，强制 Agent 在一定步骤或研究量后返回，输出反而更好。

限制步数听起来像砍功能，Clay 的经验更接近剪枝。Agent 多跑几轮，可能只是反复查同一类网页、把低置信度材料塞进回答里。用评估卡住边界，反而能让它在合适的地方停下，把计算留给下一批账号。

少跑几步不能只看省钱。Clay 会把花费和评估放在一起：Agent 是否更准地找到了账号，是否减少无效研究，是否带来更好的回信和转化。一个 Agent 多查三次网页，在小样本里不明显；乘以 3.5 亿次月调用，延迟、账单和错误都会被放大。

好 Agent 先吃到可靠材料

Claygent 的准确性没有靠神奇提示词解决。Clay 给它高质量网络数据、专有增长数据集，还安排专门团队，让这些数据以 Agent 能访问、能理解、能调用的形式存在。一个账号是否适合触达，往往取决于几个字段、几条网页信息和几个业务信号能不能被正确读到。

"质量也是一个产品问题。"

Clay 同时做离线评估和线上评估。离线评估在发布前拦退化，线上评估贴近用户在产品里真正做的任务：查公司、比对信号、给账号排序、写入当天触达名单。LangSmith 这类工具的用处，也落在“到底优化什么”：更快返回研究、更少浪费工具调用，还是更准地排出该联系的账号。

产品层面的设计同样重要。Clay 做了 Agent 构建器，让用户先测试和迭代自己的 Agent，再放到全市场规模上运行。增长团队不敢一键覆盖全市场，通常怕两件事：错在哪里看不见，错了以后改不快。先测试、再放量，解决的正是这个心理门槛。

Audiences 把反馈变成记忆

Clay 最近六个月在做 Audiences。它把 Snowflake、Salesforce、Gong、通话记录、融资公告、新闻等增长数据聚到一个地方，再交给 Clay agents 跑主动触达。过去分散在数据仓库、客户关系系统、通话工具和新闻里的材料，被拉到同一个事实层里。

Audiences 也是 Agent 记忆的底座。下一步的增长智能，会让 Agent 根据过去试过的剧本和已有材料，主动推荐新的触达动作。一次活动留下的回信、失败、误判和转化，不再只是报表里的几列数字，而会参与下一轮名单选择和时机排序。

Snowflake 里的产品使用数据，Salesforce 里的商机阶段，Gong 里的通话内容，新闻里的融资信号，过去常常由不同团队各看各的。Agent 能在同一套材料上工作后，增长活动就从一次性 campaign 变成可累积的资产。团队每多跑一轮，就多留下能被下一轮调用的经验。

这条路也会带来新工程题。虚拟文件系统、沙盒、大量材料里的推理路径，都要被设计出来。客户数据不能只堆在仓库里，还要能被 Agent 安全读取、分层使用、持续更新，并在出错时留下可追踪的痕迹。

写在最后

准备把 Agent 放进增长工作的团队，可以先从一个小闭环开始：选一个细分市场，明确三类信号，限制研究步数，记录每次触达后的回信和误判。别急着自动化所有销售动作。先把名单、触达和复盘跑稳，Agent 才能从个人提效工具，长成团队自己的增长引擎。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Clay AI负责人谈增长团队像工程团队一样运行Agent要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题