阿在 · 新故事 · 客户旅程地图

从一次豆包外链点击 到一条高质量 MQL 阿在带高校客户走完的一程 · 6 阶段 / 5 个 AHA / 6 层能力

Protagonist · 主角
王主任，某本科高校信息化建设负责人，筹建在线实训中心
Trigger · 触发
豆包查询高校云桌面智能运维 / 在线实训方案，点击进入官网
Shift · 价值升级
从"用户自己找答案" → "阿在懂、找、补、配、转"
一句话主线 · One-line storyline
懂用户→ 找资料→ 补需求→ 配方案→ 转线索
From "user finds the answer" — to "Azai understands, locates, completes, matches and converts."
01 — 客户旅程

6 个阶段 · 以客户视角讲述

每个阶段都对应一段客户感知，5 个 AHA 在 ②—⑥ 阶段次第展开。横向是用户行为 → 用户心声 → 旧路径 → 阿在能力。

Stage 01 · 旅程起点 Trigger

我带着问题，走进来

用户行为

在豆包问"高校云桌面如何智能化运维？在线实训方案？"豆包推荐锐捷"高校云桌面一朵云 2.0"，点击进入官网。

用户心声
看看锐捷有没有针对高校在线实训的方案。
旧 / 新 官网无法识别用户从哪来、关心什么 → 阿在已识别来源链路与页面主题
阿在能力 · 上下文识别（后台准备）
三件套就位：来源 · 页面 · 业务配置
  • 来源链路识别：豆包外链 + 用户原始 query 关键词
  • Landing 页面主题识别：当前页/上下游内容/可关联场景
  • 业务配置加载：高校 / 在线实训 / 一朵云 2.0 关键词权重
Stage 02 · 第一个 AHA AHA 1

我要找的内容，这里刚好都有

用户行为

落地"一朵云 2.0"页面，侧边窗口轻轻浮出 3-5 个热门问题——在线实训方案 / 统一运维 / 产品组合 / 高校案例 / 方案清单。

用户心声
我要找的内容，这里刚好都有。
旧 / 新 自己浏览方案 / 场景 / 产品组合 / 彩页找内容 → 阿在基于上下文主动呈现相关问题
阿在能力 · 智能问题推荐
轻量浮窗，不打扰、不索取
  • 页面 + 来源 + 业务配置 三件套匹配
  • 3-5 个高相关热门问题，按场景排序
  • 侧边窗口轻量呈现，不弹屏、不强制注意
Stage 03 · 回答 + 联动 AHA 2

它答了我，还带我看官网

用户行为

点击"在线实训适合哪种云桌面方案"。阿在给出整理后的回答；同时官网自动滚动到对应模块，方案架构与案例卡片高亮浮现。

用户心声
它不只在聊天框答我，而是把我带到了官网对应位置。
旧 / 新 AI 客服只在聊天框给一段话 → 聊天 + 官网内容联动，回答带资料出处
阿在能力 · 资料检索 + 官网联动
聊天 + 页面，双通道呈现
  • 站内方案 / 场景 / 彩页 / 案例库检索
  • "结论 + 关键能力 + 资料出处" 结构化回答
  • 相关页面与内容锚点回传，官网联动跳转 / 滚动
Stage 04 · 结构化采集 AHA 3

点几下，我把需求说清楚

用户行为

阿在打开智能采集窗口，王主任点选学校类型 / 建设方式 / 应用场景 / 终端规模 / 项目阶段 / 关注重点，跳过暂不确定字段后提交。

用户心声
不用一句一句解释，点几下就把需求说清楚了。
旧 / 新 聊天里连环追问像审问 / 一次性表单只索要联系方式 → 结构化采集窗口，点选为主、可跳过
阿在能力 · 结构化采集
把"对话"留给问答，把"采集"交给表单
  • 非聊天追问，独立采集窗口，按业务配置动态生成字段
  • 点选为主、可跳过不确定字段，不强制阻断
  • 信息自动回写到对话上下文，后续问答与匹配自动使用
Stage 05 · 转译 + 匹配 AHA 4

它真的懂我的场景

用户行为

阿在把王主任的话翻译成产品语言并匹配方案，输出"适配度 / 能解决 / 对应能力 / 匹配依据"四维推荐。王主任继续追问产品组合与实施周期。

用户心声
不是硬推产品，而是真的判断了能不能解决、解决什么、为什么。
旧 / 新 推荐只回"推荐 XX 方案"一句话 → 四维结构化推荐，每条匹配可溯源
阿在能力 · 自然语言 → 产品语言 → 方案匹配
把"想统一运维"翻译成产品话，再判断匹配
  • 意图转译："想统一运维" → "资源交付 / 多课程管理 / 统一运维 / 环境恢复 / 成本控制"
  • 配置驱动的方案检索与匹配
  • 四维推荐：适配度 · 能解决 · 对应能力 · 匹配依据（可溯源到官网资料）
Stage 06 · 自然引导留资 AHA 5

留资是为了拿到更多

用户行为

问题基本解决，阿在自然引导留资。王主任确认后，系统自动生成"项目需求概述"——他小幅编辑后提交至 CRM 销售线索系统。

用户心声
留资不是打断我，而是为了拿到更详细方案；它已经帮我整理好了需求。
旧 / 新 姓名 + 电话的普通 ML，销售还要回访问询基础 → 带完整上下文的高质量 MQL，可直接跟进
阿在能力 · 意向判断 + MQL 生成
问题解决之后，留资才自然
  • 购买意向规则判断（场景 + 规模 + 阶段 + 关注重点）
  • 自然引导留资话术，不强弹、不打断
  • 项目需求概述自动生成 → 用户可编辑 → 推送 CRM
02 — 5 个 AHA 的弧线

从「这里有我要的」到「线索自动整理好」

AHA 1 刚好有我要的 AHA 2 答 + 带我看 AHA 3 点几下说清楚 AHA 4 懂我的场景 AHA 5 留资拿更多 起点 · 豆包外链 MQL
5 个 AHA 不是平铺，而是一条上扬曲线 —— 用户感知从"被理解"逐步走到"被尊重 + 被代办"。
03 — 阿在 6 层能力

能力贯穿全旅程

从识别用户、理解内容、联动交互，到采集需求、智能匹配，再到完成转化生成——阿在的能力不是一个对话框，而是一个分层架构。

01
CONTEXT

上下文识别层

  • 来源链路
  • 页面主题
  • 业务配置
02
CONTENT

内容理解层

  • 站内资料检索
  • 回答整理
  • 资料溯源
03
INTERACT

交互联动层

  • 官网页面联动
  • 内容锚点回传
  • 聊天 + 页面双通道
04
CAPTURE

需求采集层

  • 结构化采集
  • 上下文回写
  • 跳过友好
05
MATCH

智能匹配层

  • 自然语言转译
  • 配置驱动匹配
  • 多维推荐解释
06
CONVERT

转化生成层

  • 购买意向判断
  • 自然引导留资
  • 需求概述 + CRM 推送
06 · CONVERT 转化生成层 05 · MATCH 智能匹配层 04 · CAPTURE 需求采集层 03 · INTERACT 交互联动层 02 · CONTENT 内容理解层 01 · CONTEXT 上下文识别层 向上 · 越靠近转化
由下到上 · 上下文 → 内容 → 交互 → 采集 → 匹配 → 转化。每一层都能独立加固，整体才能稳。
04 — 旧路径 vs 新路径

同样的客户，不同的结局

用户找内容
自己浏览方案 / 场景 / 资源页
阿在基于上下文主动呈现相关问题与内容
AI 回答
只在聊天框给一段话
聊天 + 官网内容联动，回答带资料出处
信息采集
连环追问 / 简单表单
结构化采集窗口，点选为主、可跳过
方案推荐
"推荐 XX 方案"一句话
适配度 / 能解决 / 能力 / 依据 四维呈现
留资体验
早弹表单、强索取
问题解决后自然引导，需求自动整理
销售拿到
姓名 + 电话的普通 ML
带完整上下文的高质量 MQL
最终成果 · The Outcome

用户从"豆包外链点击"到"完成 MQL 提交"，全程被阿在 懂、被资料支撑、被场景理解、被尊重；销售拿到的不再是姓名 + 电话，而是一条 带原始问题、场景、规模、关注点、推荐方案与引用资料的高质量 MQL——可直接基于上下文跟进，无需回访问询基础需求。

懂用户·找资料·补需求·配方案·转线索

从"用户自己找答案"，升级为：
阿在理解意图 · 定位内容 · 补全需求 · 匹配方案 · 生成高质量线索。