上线三个月实现盈利，月入百万：AI 销售 Agent 如何颠覆 B2B 营销？｜对谈光年触达创始人潘一鸣
AI 的终极魅力，是让不懂营销的实干家也能站在世界舞台上。
AI 的终极魅力，是让不懂营销的实干家也能站在世界舞台上。
👦🏻 采访：Koji
🥷 整理编辑：Bella
🧑🎨 排版: NCon
想象一下，一家位于东莞的五金厂老板，他不懂复杂的营销理论，手下也只有两三个经验有限的业务员。
但现在，他的 AI 销售 Agent 正一天 24 小时地在全球互联网上，与成百上千个潜在的德国、巴西买家进行着个性化的初步沟通。
当他第二天醒来，邮箱里已经躺着几封表示"对报价感兴趣"的高意向邮件。
这是**「光年触达」**正在做的事情。
创始人潘一鸣——这位曾在滴滴用算法盘活一个业务、在字节用代码决定数千万美元投放的前核心成员——是一个典型的"算法信徒"。
他相信，AI 的终极魅力，是让那些不懂营销却有好产品的实干家们，也能公平地站在世界的舞台上。
带着这份愿景，他和他的 30 人团队，在公司上线 3 个月内就实现了盈利。
潘一鸣的观点源于一个现实问题：再好的 SaaS 软件，都需要一个懂行的"聪明人"来操作。绝大多数中小企业没有这样的人。所以，光年触达从第一天起就致力于让 AI 成为那个"聪明人"。
下面是十字路口对潘一鸣的访谈。
快问快答
👦🏻 Koji
年龄？
👦🏻 潘一鸣
33 岁。
👦🏻 Koji
毕业院校？
👦🏻 潘一鸣
2015 年清华本科毕业。
👦🏻 Koji
MBTI 和星座？
👦🏻 潘一鸣
INTJ-A，天秤座。
👦🏻 Koji
一句话介绍现在的公司和产品？
👦🏻 潘一鸣
光年触达希望通过 AI 技术，为每个公司提供全面而普惠的营销能力，希望提高产品生产设计环节的利润占比，让更多的企业专注于产品本身，而非营销。
我们当前在推广中的产品是 iSales。该产品致力于打造 AI 驱动的个性化、定制化和持续进化的销售 AI agent，帮助 ToB 企业实现个性化、规模化和自动化在线获客。
👦🏻 Koji
融资情况？
👦🏻 潘一鸣
推进中，这个月敲定。
👦🏻 Koji
收入和利润？
👦🏻 潘一鸣
月收入 100 万人民币以上，企业现金流回正。
👦🏻 Koji
团队规模？
👦🏻 潘一鸣
30 人团队。
👦🏻 Koji
创业前在做什么？
👦🏻 潘一鸣
我曾在北京的互联网公司（滴滴和字节）里面做产品和算法，19 年也出了一本算法应用的书《产品逻辑之美》。
我自己比较有成就感的项目是在滴滴里面解决了预约订单的分单问题，帮助豪华车模式跑通，且扭亏为盈。
投资人比较喜欢的项目是在字节里面设计了自动化投放算法，花掉了每天 3000 万美金海外投放预算里的 80%。
我去年开始创业，在另一家 AI ToB 应用创业公司当产研的合伙人，定义了产品也跑通了商业模式，算是这次创业的一个实习期。
（图：2025 年 8 月底，潘一鸣在十字路口开放麦进行现场分享）
从 0 到 1，三个月盈利
👦🏻 Koji
我们了解到，光年触达上线 3 个月就现金流回正，增长很快。你们提供给客户的核心价值是什么？
👦🏻 潘一鸣
首先我们在做的事情是用 AI 拓客，我们的产品是在帮企业增加收入。 即使在中国的 SaaS 环境下，老板也很愿意为我们的产品买单。
👦🏻 Koji
"帮企业增收"，听起来是所有 ToB 公司的目标。你们做对了什么呢？
👦🏻 潘一鸣
我们不需要客户公司有特别聪明的年轻员工，产品就能用起来。
SaaS 软件这么多年，大家陷入了堆功能的内卷中。
功能越来越多，但是一直没有解决一个核心问题——这么复杂的功能，很多中小企业里面找不到人来用这些软件，或者用的效果很差。
我们的产品设计原则就是把算法细节藏起来，交互足够简单，让不同层次的用户都可以用。
当然，帮客户定制模型这个模式本身就极具吸引力。我们的产品可以帮客户实现了轻量级的模型定制，产品流程足够简化。客户只需要简单地和产品交互，就可以实现效果的持续提升。
而且这种开发能力的提升是以算法参数的形态积累下来的，不会随着员工离职就归零。
几个因素的叠加下，让我们服务的企业没有增长太多额外工作量的情况下，实现了十倍以上的客户开发转化率提升。
（图：一个企业首页宏观数据）
👦🏻 Koji
能用一个客户的例子，讲讲光年触达的完整转化过程吗？
👦🏻 潘一鸣
我们现在还是帮助我们的客户，找他的精准客户，并且获取关键联系的方式，并且发邮件和 WhatsApp。
市面上 AI 创业公司，在做这类产品的时候，还是按照固定的工作流在处理。比如 clay、11x 和 artisan 和一系列类似的产品。
用户属于一个搜索的关键词和搜索渠道（比如 Google、地图、社交媒体），系统搜索分析，获取联系人，并且最终按照编排的规则发送营销内容。
而我们在这些环节，都分别做了自己的算法系统，来做到更好的效果。
（图：企业模型：自动化执行，不需要额外操作）
👦🏻 Koji
可以展开讲讲你们的算法系统是什么吗？
👦🏻 潘一鸣
在找精准客户环节，我们不需要用户自己输入搜索关键词。而是在一开始维护了用户自己的客户画像的需求，并根据客户画像和我们自己的分析引擎，生成上万个可能的搜索指令。
我们也用了一套自动化规划算法在搜索和分析的信息闭环中，持续规划最优路径。这样一来，不需要用户自己去分析和思考应该用什么方式、什么渠道做客户，就能找到大量的客户。
我们会把找到的客户们维护在一个图算法结构里，用户在使用的过程中会表达一部分对客户的偏好，这些数据就会通过图结构扩散到其他的没有标注的客户里，我们就会形成针对所有客户的相关度评分。
我们一开始也会维护用户的联系人偏好，比如有些人希望邮件发给 CEO、有些希望是采购、有些希望是 CTO。
获取到的联系人信息我们会根据用户的偏好，去给这些职位打分排序，在做营销任务编排的时候，这些权重就会影响营销任务的优先级。
👦🏻 Koji
你的经历很亮眼，从滴滴到字节，都在做核心算法系统。这些经历给了你什么别人没有的优势？
👦🏻 潘一鸣
把业务问题转化为算法问题的意识与经验。
对于创业团队，在新的业务场景下，设计有效的算法系统，并且给业务带来新的模式突破，这是一个很难的问题。
很多创业团队合伙人里虽然有算法背景的人，但实际没用到过去的算法经验。还是因为当前面临的都是新技术创造的新业务场景，首先需要把业务问题转化为算法问题，这是大部分算法工程师不擅长的。
移动时代有传统新闻门户，也有今日头条，有小咖秀，也有抖音。
在新技术红利的今天，用新技术确实可以实现产品的开发，但打造算法体系却可以实现更有竞争力的产品形态。
👦🏻 Koji
为什么你这么强调算法？
👦🏻 潘一鸣
因为只用大模型的技术，没办法帮我们的客户实现自主业务规划，长期准确记忆，和自我迭代进化。
带着这些问题做的产品当然也有用户买单，只要做好 fancy 的算法外化呈现和产品营销就行了，这就会让很多公司忽略大模型本身的很多问题。
但现在毕竟不是移动互联网早期，没有巨大的流量红利，却因为编程能力的泛化带来了更懂的竞争对手。
我们选择在一开始就加入算法体系，做长期正确的事情，做出更好的效果和更高的留存率，也是在提高我们的竞争力和竞争壁垒。比如我们的记忆系统就是基于图算法构建，而非常规的 RAG。
如果一个产品在功能上就是两三个人配合着 AI Coding 一两周就能实现，即使短期可以靠营销增长，也很难讲在长期有什么壁垒。
在 AI 的无人区，自建地图
👦🏻 Koji
和市面上同样能帮助外贸客户的其他 AI 工具相比，光年触达的优势是什么？
👦🏻 潘一鸣
定制化企业模型，不需要招懂营销的人就可以快速开始使用。
个性化效果，会达成更好的客户准确率和回复率。
模型算法持续自我迭代进化，效果越来越好，也带来更高的粘性。
（图：销售客户回访和询盘案例）
👦🏻 Koji
ToB 获客很难，你们选择的获客模式是什么？未来如何实现规模化增长？
👦🏻 潘一鸣
我们目前主要还是依赖销售团队线下推广，比如在展会上找老板聊，找招聘外贸业务员的公司聊。
我们也接入了一些渠道公司，他们认识很多企业，通过这些渠道公司也可以快速推广。
当然，ToB 获客很难，但是 ROI 并不低，比如销售工资 + 提成如果占比 30%，ROI 其实是 3.3，这是做 C 端产品梦幻中的 ROI 数字。
未来一方面是接入更多的渠道商，同时也要走产品驱动增长的链路。
比如用户在使用前可以直接通过我们的产品交互做一个简单版本的模型定制，给用户找一些他的客户，让用户有一个体感之后再走后续的销售流程，甚至直接自主购买。
未来我们还会做全链路的 AI 营销，比如 AI 代运营社媒、自动化投放，AI 自动 SEO。
相比于其他公司的工具类做法，我们会保证每个功能模块都会有一套自迭代的算法机制，越用越好用。
同时每个模块收集到数据，也会影响其他模块的算法参数，让整个线上营销模块成为一个有机的整体。
给企业提供更多营销通道的选择，也会提高规模化增长的速度。
👦🏻 Koji
你们为什么用"图算法"而不是主流的 RAG 来做 Agent 的记忆系统？它好在哪？
👦🏻 潘一鸣
打个比方：RAG 像一个笨拙的搜索引擎，你问它问题，它给你一堆可能相关的文档；而图算法像一个聪明的图书管理员，它不仅知道每本书的内容，还知道书与书之间的关系，哪本是经典，哪本是入门。
图算法可以很好的保留业务信息的权重。 比如说一个公司有 1000 个人，另一个公司有 10 个人，如果这个信息被压缩在公司的语意向量的长文本中，这个信息几乎没有区别。但在商业场景中，这是一个非常重要的信息。
业务信息在压缩为语意向量中会有大量的信息丢失，而图结构可以通过标签和权重计算，保留这样的业务权重。
（图：企业的图算法外部呈现，只保留了客群和公司、用户对公司的操作）
👦🏻 Koji
RAG 的问题是什么呢？
👦🏻 潘一鸣
RAG 没有规模效应。就以客服为例，如果一个小领域内的问题下维护了多个答案，那么造成的不是效果的提升，而是更多的混淆。图算法就不存在这个问题，随着数据的扩展，效果就会越来越好。
当然，我们当前的图算法也是依赖大模型能力存在的。
transformer 架构出来之后，图算法也基于 attention 机制做了大量的升级，这样的算法论文上五六年前表现就很好，实际在工业界没有推广，因为没有那么多斯坦福和清华学生帮你做基础的图信息标注了。
而我们现在就是用大模型构建了一套图标注的方法，本质上就是让大模型做了优秀的标注员。
👦🏻 Koji
为什么你坚持 Agent 的"规划系统"必须自研，而不是依赖大模型？这个壁垒有多高？
👦🏻 潘一鸣
因为大模型天生就不擅长做战略规划。
这就得回到 attention 机制。如果一个模型任务，我们提供的长上下文中，大部分信息对这个任务没用，少部分信息有用，那么 attention 机制能够帮我们从中提取到关键信息，总结出合理的答案。
如果一个任务，我们提供的大量上下文中，信息文本已经压缩过了，甚至信息都是等权重的，需要做全局的理解计算能形成下一部分的任务，那么当前的大模型就无法执行，或形成大量的幻觉。比如我们做找客户规划任务阶段。
假如历史上搜索分析了一万家公司，这些公司的分析过程打分结果，对下一次的任务执行都有帮助，但显然需要一个全局的计算，而非部分信息的提取。这就是基于 attention 机制的 LLM 不擅长的。
AlphaGo 在八年前就已经在围棋上胜过人类了，而目前参数规模大了好几个数量级的 LLM 还是不太会下棋，也是因为下棋需要全局规划，甚至多步的全局规划。大模型并不擅长。
这个事情不是壁垒的问题，更多是认知问题。这也不只有我们这个事儿需要规划系统，很多 Agent 也都需要。现在可以做的方向太多了，这又是一个难啃的问题，所以大家选择简单的绕过去了。
我觉得随着早期 ARR 的数字狂欢撞上更多的用户效果质疑，会有更多想明白的公司回来做规划的算法机制。
👦🏻 Koji
Agent 的"自迭代"很关键。你们的系统是如何通过一次任务的结果，来优化下一次任务的？
👦🏻 潘一鸣
比如找客户的任务。对于每一个潜在可以执行的搜索指令，我们都会有一个参数权重。在一次任务执行中，我们找到的每一个客户，大模型都会进行多维度的相关度打分，我们根据这个打分结果对全局的搜索指令进行参数调整。
如果这次任务表现的好，那么这个指令以及相关指令的权重就会提升，如果这次表现差，那么这个指令以及相关指令权重就会下降。而我们下一次任务的执行就根据这些参数计算得到，以此循环往复。
这类似强化学习的算法机制。搜索指令的参数就是强化学习的状态，大模型的分析结果就是环境反馈，执行的指令就是动作，执行后的权重调整就是奖励机制。
当然没有直接用强化学习的算法，更像是强化学习这个高纬算法的一个低维展开。
👦🏻 Koji
你们是靠单一算法，还是一个算法体系？在 Agent 时代，这是否是真正的壁垒？
👦🏻 潘一鸣
我们是在构建一整套的算法体系，从而形成新的产品模式，形成自迭代能力。
当前我们有阶段性的壁垒。大公司具体部门里没有创新的土壤，只能讲概念和老功能套壳。小公司难以搭建创新性的算法管线，无法构成体系化的算法。
另外，目前我们毕竟做的是一个资本市场不那么共识性看好的方向，用了一个投资人看不太明白的算法模式，短期内我们取得结果之前，也不会有资本加注，形成高烈度内卷竞争。
但长期来看，算法体系不太会是绝对的壁垒，毕竟 ChatGPT 一时领先很远的身位，国内也就不到一年的时间做出了对应的模型。
但我们在服务的过程中会积累数据，我们会依赖这些数据做我们的算法升级。规划算法的很多超参可以解冻，用强化学习去做更进一步的算法迭代。图算法可以抽象行业模型，可以增加动态情报网络，可以图神经网络算法进一步提升效果。
我们也会升级我们的组织，升级我们的服务流程。
最终真正的壁垒还是一个可以持续自我迭代的公司。我也在努力像设计算法系统一样设计公司。
（图：5 月底内部月会，CEO 面对面）
终局，让商业回归产品
👦🏻 Koji
为什么敢在中国做 ToB 创业？很多 ToB 创业者都失败了，你为什么"逆行"？
👦🏻 潘一鸣
首先做 ToB 是我在决定创业之后做排除法的结果。大模型出来之后，我就在考虑自己创业的方向选择。
24 年观察了一年多之后，我自己的想法是，ToC 的机会要么属于个人开发者，要么最终属于有模型能力训练能力的公司，不适合创业。那么就应该做 ToB 的事情。
当然，大模型对 ToB 领域也的确有颠覆式的变化。极低成本的企业级个性化极大提高了 ToB 服务的性价比；能够帮助客户增加收入，带来了企业更高的付费意愿；广大中小企业内部组织不够完善，但是现在AI可以直接提供代理服务直接交付结果，跳过了内部改造和定制的冗长流程。
ToB 服务直接进入 AI 时代，就和电车技术直接绕过了发动机的一系列问题，有了新的爆发时机会。
👦🏻 Koji
这次 AI 浪潮，和过去的企业信息化、SaaS 浪潮有何本质不同？
👦🏻 潘一鸣
ToB 领域一直强调线上化、自动化、智能化。过去的企业信息化的 SaaS 产品更多是在线上化和自动化。
这两项事情都需要公司内部有与之适配的人员和组织，也都是覆盖有一定规模的公司。
我们的很多客户，他们每年营收几千万，两三个业务员，不需要什么 CRM 和各种流程产品。
与此同时，因为国内的很多行业内部组织结构差异度巨大，这类 SaaS 产品，要么需要给客户大量的培训、甚至让客户优化组织结构才能有用，要么就要帮每家客户做定制服务，导致 SaaS 企业没办法规模化甚至难以盈利。
而今天我们则是直接进入了智能化时代，可以直接完成之前企业委托给外部公司去做的任务，比如广告投放代理商的投放任务、外贸公司的找客户谈订单任务，客户公司的客服服务。
不需要让企业和我们的产品互相适应，今天可以用标准化的产品，实现定制化和个性化的服务效果，这完全把 SaaS 产品的效果和市场规模对放大了一个数量级。
👦🏻 Koji
光年触达的终局是什么？
👦🏻 潘一鸣
在 B2B 领域，因为有大量非标准化信息需要沟通，所以消耗了大量销售和采购的时间。
我们觉得这样的前期沟通信息的工作，完全可以在未来 AI 化。 销售 Agent 和采购 Agent 互相沟通，了解清楚采购需求，完成报价，人只需要做最终的决策。
这样的销售 Agent 一定是需要个性化的沟通，定制化了解企业信息，并且在工作中持续进化，不断适应企业的新需求。
同时，当前的信息通道是给人设置的，所以有字数限制、抓眼球的营销类设计。Agent 直接沟通的话，也许就会设计新的信息通道。
因为 Agent 之间近乎无限的注意力带宽，这样的企业 Agent 沟通的双边网络，相比于现在人构成的企业间的沟通网络，会稠密万亿倍。
当然，这样的商业终局很难属于一家公司，我们希望做这样的销售 Agent，也希望做这样的采购 Agent，也希望参与这样的双边网络机制的构建。
👦🏻 Koji
做到什么程度，你就会认为自己这次创业很成功？
👦🏻 潘一鸣
做一个 NPS 达到 60 %的企业，希望客户效果驱动增长，而非概念和营销驱动增长。
我也希望形成一些被广泛采用的行业实践方案，比如大模型的规划和记忆的一些范式，来推动这一波大模型的应用落地。
👦🏻 Koji
最后一个问题：我们认识超过十年了，我一直记得你提过在清华挂科的往事。今天，你是一位构建复杂算法系统的 CEO。回过头看，你最想对当年那个"问题学生"潘一鸣说什么？
👦🏻 潘一鸣
我来自一个二十年没出过清华学生的小县城，自己还是裸考上的清华，当初产生了自己是世界主角的幻觉。
当我发现大学即使努力也无法名列前茅，心态就彻底崩塌，好几个学期我翘掉了全部的课，在宿舍天天打游戏。挂科过多，一度到了退学边缘。
我想告诉那时候的自己：
"其实 80 分就很好，70 分也不错，重要的从来不是和别人的对比，而是你自己的成长。
那些小数据规模的启发式算法，会给你后来的工作诸多启发和灵感；马尔可夫决策过程你会多次使用，成为你构建核心算法基石；预测供应链变化的算法后来你会讲给一个顶尖的行业大牛，给他预测 DAU 提供了新思路。
"今天的看似无用的一切，都是未来重要的伏笔。"
因为挂科太多，所以没有像绝大部分清华学生那样选择了读博，而是本科毕业直接工作。也因此赶上了最后的互联网红利，积累了宝贵的项目经验，也算是另一种收获。
今天我们的公司，也不在 AI 创业浪潮的聚光灯下，就像当年那个刚迈入清华的年轻人一样不起眼。但和十年前不同，今天的我，更加坚定，也更加从容。
