清華90后用Agent幫企業全球“搶單”，Raas創業成新趨勢

作者丨馮汝梅

編輯丨關雎

圖源丨Midjourney

2025年4月，潘一鳴在上海創立了光年觸達。這家公司做的事很簡單：讓AI智能體替企業主動找海外客戶。

不到一年，公司跑出了成績。據潘一鳴介紹，公司的AI銷售Agent產品iSales上線1個月實現現金流轉正，截至2026年1月月營收達200萬元，預計全年可達5000萬元。服務客戶的獲客效率平均提升10倍，營銷轉化率達到8%。

2026年3月，光年觸達完成百萬美元天使輪融資，由海外投資機構Impa Ventures獨家投資。

在不少投資人和創業者眼里，國內ToB是一條擁擠且艱難的賽道。尤其是面向中小企業的標準化SaaS產品，普遍面臨企業付費意愿不強、續費率低的問題。因為傳統SaaS模式的核心邏輯在于交付工具，企業購買軟件后需自行配置人員使用。但現實往往是，軟件買回去后缺乏專人持續運營，難以產生實際價值。

光年觸達換了個邏輯。“我們交付的不是工具，是結果。”潘一鳴說。在該邏輯下，客戶無需額外招人、學系統操作，iSales自動完成客戶開發、郵件觸達、意向篩選等工作，企業只需跟進最終篩選出的有效線索，并按實際效果付費。

這個邏輯之所以成立，是因為需求足夠大。中國有數以百萬計的貨物貿易B2B企業，但大部分仍依賴線下展會或平臺競價獲客。在潘一鳴看來，上一代SaaS產品在這個市場的滲透率幾乎不到20%。

他看到了機會。

01一個算法驅動的創業者

潘一鳴1992年出生，2015年從清華大學工業工程系畢業后，先后在聚美優品、滴滴、字節跳動工作，從推薦系統、流量調度到自動化投放，踩中了算法落地的幾個關鍵場景。

在滴滴，他解決了一個算法團隊沒解決的問題：預約訂單分配。通過優化訂單分配與派單策略，讓豪華車分單系統從0到1運轉起來。在字節，他主導海外廣告自動化投放系統的開發，每天支撐超3000萬美元投放預算，讓70%—80%的預算通過算法自動運行，整體效率超過人工投放。

“我更喜歡做有挑戰性的項目。”潘一鳴說。2024年初，他開始考慮創業。當時大模型剛火，他認為TO B有創業機會。但他也清楚自己的短板：對行業尚不了解、缺乏融資經驗、沒有銷售能力。后來，他辭職去了上海一家ToB公司，從0搭建產品、組建團隊。一年后公司走上正軌，但他覺得“創始團隊沒辦法持續往前走”，最終離開。

光年觸達創始人潘一鳴

后來面對其他的合伙人工作邀約，他也拒絕了。“我的職業生涯分兩部分，前半部分做有挑戰性的項目，后半部分在磨性子。”他不想繼續“磨性子”。

這聽起來像典型的技術理工男敘事。但在投資人眼里，潘一鳴不止于此。

“他是一個算法驅動的創始人。”光年觸達投資方Impa Ventures合伙人Jingwen說，“他會把商業流程抽象成算法再優化。我看過不少AI+ToB營銷項目，大多直接調用大模型加付費數據庫，但光年觸達選了一條更難的路——實現門檻更高，但效果更好，對客戶更有價值。”

Impa Ventures是一家2024年底成立的投資機構，主要投資前沿科技項目，偏好做海外市場的華人團隊。Jingwen是在一個活動上認識潘一鳴，“活動結束我們聊了一個多小時，后面又去到上海辦公室，一直聊到晚上，很快就決定投了。”

這些之外，潘一鳴還有另一個身份：作者。

2017年，他工作之余在知乎寫算法干貨，后被出版社編輯發現，整理成《產品邏輯之美：打造復雜的產品系統》出版，賣了近一萬冊。創業后他發現，不少投資人、客戶、甚至后來的公司成員都看過這本書。最近他又出了本新書《自迭代：硅基生命的寒武紀與智能進化的未來》，針對市場上AI信息碎片化、販賣焦慮的問題做體系化拆解。

02能自動獲客、自我迭代的Agent

在開發iSales之前，潘一鳴調研了上百家出海企業。他發現，傳統的海外獲客方式主要有兩類：一是線下展會，“綜合成本平均在一二十萬元左右”。二是B2B平臺，競價排名模式下，頭部企業花錢買流量，中小工廠很難養活一個專業運營團隊。結果真正接到訂單的往往是營銷公司，訂單層層分包，價格被卷到極致。

另一種方式是SaaS工具，但潘一鳴認為，SaaS的本質是功能疊加，無論數據搜索還是郵件群發，都隱含一個前提：企業需要有人花時間學習使用工具。“再好的SaaS軟件，也需要一個懂行的‘聰明人’來操作。你不可能讓一家工廠為了一款軟件調整松散的組織結構。”在他看來，SaaS滲透率低不是因為沒需求，而是產品形態與企業現實錯位。

iSales就是要讓AI成為那個“聰明人”——把一個外貿業務員從找客戶、查信息、寫郵件、跟進、篩選意向的全套動作，變成一個7×24小時運行、越用越準的AI銷售Agent。

iSales的使用流程是：企業先與算法優化師梳理客戶畫像，而后Agent啟動，自動完成全網信息抓取、潛在客戶篩選、聯系人獲取、個性化郵件生成發送。之后，企業銷售團隊只需跟進AI篩選出的高意向詢盤。

“員工只需在初期畫像溝通和中間反饋環節做業務知識對齊。”潘一鳴說。

iSales使用界面示例

但真正讓iSales區別于普通自動化工具的，是它的自我迭代能力。這個能力，靠的是三層反饋機制：

第一層，AI自我判斷。在篩選和生成過程中，大模型對自己每一步決策打分（如線索匹配度、郵件轉化概率），這些分數作為初始信號進入系統。

第二層，人的直接糾偏。銷售團隊每天跟進詢盤，對AI找到的客戶做“是/不是”標注。這個動作看似簡單，卻是把業務經驗轉化為算法可理解的數據。

第三層，真實世界反饋。郵件是否被打開、回復？回復是積極還是拒絕？這些真實的市場反應，是最有力的訓練信號。

三層數據匯合后，算法不斷迭代：哪些畫像特征更容易帶來回復？什么時間發送打開率更高？什么標題更能引起興趣？每一次發件、標注、回復，都讓模型變得更聰明。久而久之，系統會沉淀出一套“專屬”于這家企業的營銷模型，知道產品適合什么客戶、用什么方式溝通更容易成單。

支撐這一切的是光年觸達自研的技術框架，由馬爾可夫狀態機、強化學習、圖神經網絡三部分構成。三層疊加，構成一個穩定執行、持續優化且有洞察力的系統。

這里有一個關鍵的技術選擇：光年觸達沒有采用行業常見的RAG（檢索增強生成）技術，而是用圖神經網絡來構建記憶系統。二者的區別在于：傳統RAG框架中，檢索往往以單次任務為主，對長期交互關系的建模能力有限；而圖神經網絡會把每一次交互的結果沉淀下來，形成一個持續增長的知識網絡。

潘一鳴進一步解釋：“RAG像一個笨拙的搜索引擎，你問它問題，它給你一堆可能相關的文檔；而圖算法像一個聰明的圖書管理員，它不僅知道每本書的內容，還知道書與書之間的關系。”

這個區別在商業場景中至關重要，因為業務信息在被壓縮為語義向量時，往往會丟失大量細節。他舉例說：“比如一個公司有1000個人，另一個公司有10個人，如果這個信息被壓縮在公司的語義向量的長文本中，這個信息幾乎沒有區別。但在商業場景中，這是一個非常重要的信息。圖結構可以通過標簽和權重計算，保留這樣的業務權重。”

另一個關鍵區別是數據來源。與其他依賴單一付費數據庫的AI銷售產品不同，光年觸達是自己建立數據來源和匹配邏輯。

它整合了搜索引擎數據、海關數據、社交媒體信息、地圖數據、展會數據等多維度數據源。搜索引擎數據用來找公開信息，海關數據驗證交易真實性，社交媒體判斷活躍度，地圖數據確認地理位置。這些數據經過自研算法深度清洗、關聯、驗證、推理，挖掘出傳統數據庫里沒有、但真實存在采購需求的潛在客戶。

這套數據策略的背后，是潘一鳴對“主動獲客”本質的理解：真正有價值的客戶，往往不在現成的數據庫里。它們散落在互聯網的各個角落——某個行業論壇的參會名單、某條推文里提及的公司、某個領英主頁的關聯企業。靠人力去翻找，效率太低；靠現成的付費數據庫，覆蓋太窄。只有用算法去全網抓取、交叉驗證、持續挖掘，才有可能找到那些“隱藏的買家”。

03已服務上百家客戶企業獲客效率提高10倍

在商業模式上，光年觸達采用按效果付費（RaaS，Results-as-a-Service）。在低額基礎費用上，客戶按實際獲得的線索數量、發送的定制化消息數量付費。企業不為軟件買單，只為效果買單。

目前，光年觸達主要服務中小制造出口企業、外貿工廠、貿易商等，覆蓋機電、五金、建材、包裝、家居、消費電子等多個出海賽道，付費簽約客戶已有上百家，包括浙江、廣東地區的外貿工廠和跨境貿易公司等。

其中工業配件領域效果尤為突出。這類產品中國制造的替代效應強，成本優勢顯著，但傳統獲客方式難以觸達全球中小買家。潘一鳴透露，部分客戶使用iSales后，能在不增加人力的情況下，在1-2個月內觸達上千家目標客戶，獲客效率提升十倍以上。

為什么是幫中國企業找海外客戶，而不是幫海外企業找中國客戶，或是做國內市場？潘一鳴的解釋是：“中國供應鏈已經極度強大，但企業尋找海外客戶的方式仍然高度‘散裝’：靠展會、在B2B平臺上等詢盤、靠人工搜索和老客戶轉介紹。這些方法并非完全無效，但它們有一個缺陷：不可規模化，且無法持續優化。”

換句話說，供給側（中國制造）已經足夠強大，需求側（海外買家）也一直存在，但真正的瓶頸在于連接能力。

至于為什么不做國內市場？潘一鳴的判斷是：國內B2B貿易已經形成相對固化的供應鏈網絡，一家工廠想找到另一家工廠的采購負責人，難度沒那么高；但要把產品賣到德國、巴西、東南亞等海外地區，面對的是一套完全陌生的商業環境和信息渠道。跨文化的獲客鴻溝，是真正需要算法去填平的信息差。

現在，光年觸達還在開發AI自動化投放、AI自動運營社媒、AI自動運營官網等產品線，AI自動運營社媒和AI自動化投放已經上線，AI自動運營官網預計在今年二季度推向市場。

再下一步，是對部分標品做深度的自動談判功能。潘一鳴設想：“一旦完成閉環，從獲客到談判，你只需把預算給他，他就能自動分配預算、做訂單談判，直接交付訂單。”

在此基礎上，光年觸達還將推出專注于提升采購方效率的“采購Agent”，實現銷售Agent與采購Agent直接對話的“A2A”模式。當買賣雙方都用AI系統完成信息交換和初步磋商，人類只需做最終確認。

04“有人能賺錢，說明行業存在真實需求”

在AI營銷方向上，國內外已有不同形態的玩家。

硅谷的AI SDR公司如11x、Artisan、AiSDR等，近期獲得大量融資。AI SDR的核心是用AI替代人類完成潛在客戶挖掘、初步觸達、意向篩選等銷售前端工作。但Jingwen觀察到的是：“所有使用同一數據源的AI SDR工具，拿到的是同一批線索，發出的是同質化的營銷郵件，最終制造的是更多噪音而非更精準的連接。”

這些產品存在一個結構性問題：底層線索高度依賴ZoomInfo、Apollo等付費數據庫，大模型主要負責郵件生成和對話交互。但AI的效能高度依賴底層數據的質量，數據重復、錯誤、碎片化等問題制約了AI Agent的發揮。

對于中國出海企業來說，問題更復雜，海外付費數據庫對中國供應鏈行業的覆蓋本身就不夠深入，海外SaaS工具的邏輯也與中國外貿企業的實際工作流程存在錯配。

國內市場中，也有公司沿著相似方向探索。PureblueAI清藍是較具代表性的一家，其由清華、字節、阿里系團隊創立，自研“異構模型協同迭代引擎”，采用RaaS按效果付費模式，主要服務B2B出海企業。

與上述玩家相比，光年觸達選擇了B2B貨物貿易出口這個細分切口。潘一鳴的判斷邏輯是：有人能賺錢，說明行業存在真實需求；當能力不算突出的團隊也能盈利時，就意味著好的團隊進入后有機會取得更大效果。

市場數據也在印證這一判斷。據Frost Sullivan預測，中國AI營銷應用市場規模將從2024年的206億元增長至2029年的976億元，五年復合增長率達36.5%。一個千億級市場正在形成。

而據IDC預測，全球活躍AI Agent數量將從2025年的2860萬飆升至2030年的22億，五年增長近80倍；執行任務次數將從440億次暴漲至415萬億次。

數量增長之外，Agent正在開始承擔更復雜的業務決策。當用戶通過AI入口完成從競品分析到下單的全過程，AI不再只是提供信息，而開始替用戶完成篩選、比較甚至決策。商業競爭的關鍵，也從“誰更容易被看見”，轉向“誰更容易被AI選中”。

在越來越多場景中，做出第一輪選擇的已經不是人，而是AI。

這意味著，AI Agent本身正在成為一種新的“消費代理”。企業不僅需要說服人，也需要進入AI的篩選與決策邏輯之中。誰能夠持續提供更高質量的數據與反饋，誰就更有可能在這套體系中獲得優勢。

在這一變化下，未來銷售人員可能從尋找客戶的人，變成訓練Agent的人，通過持續提供數據和反饋，優化AI對客戶與產品的匹配能力。

在收費模式上，按效果付費的RaaS模式正成為行業共識。無論是Pureblue AI還是光年觸達，都選擇了這一路徑。客戶為成交的可能性付費，而不是為軟件的使用權付費。因為在To B領域，真正的壁壘從來不是概念，而是能不能穩定、持續、可規模化地為客戶賺到錢。

當AI營銷賽道從概念炒作走向落地競爭，那些真正能為客戶創造可量化價值的產品，才有機會穿越周期。

本文為創業邦原創，未經授權不得轉載，否則創業邦將保留向其追究法律責任的權利。如需轉載或有任何疑問，請聯系editor@cyzone.cn。