leads-reactivation

name	leads-reactivation
description	激活沉睡线索（超过 30 天未联系的客户），通过个性化 WhatsApp 首触消息引导回复， 识别高意向线索并转交人工跟进。当用户提到激活沉睡客户、唤醒老线索、沉睡线索跟进、 老线索回访、线索重新联系、WhatsApp 批量触达、线索激活、外展营销、客户唤醒、 导入联系人、生成触达计划、起草首次消息、查看激活效果、复盘触达数据时， 必须使用此 skill。也适用于用户想做 A/B 测试不同话术和发送时段、分析线索回复率、 优化外展策略的场景。如果用户说"联系之前那些没回复的客户""把那些旧线索盘活一下" "做个 WhatsApp 外展"“冷线索激活”等类似表达，都要用这个 skill。

Skill: 沉睡线索激活 (Leads Reactivation)

目标

系统化激活沉睡线索（超过 30 天未联系），通过个性化首次触达消息，引导对方回复，识别高意向线索并转交人工跟进。

核心思路：把"群发垃圾消息"变成"小规模探测 → 分析信号 → 优化策略"的迭代循环。每批 10 人是一轮信号探测，不是批量轰炸。

工作流

导入线索 → 门控检查 → 生成计划（自动起草话术） → 批量人工审批 → WhatsApp 直发 → 复盘

关键约束

• 所有数据操作必须通过 scripts/leads_cli.py 执行，LLM 严禁直接读写 CSV 文件 — 这是为了保证去重、门控、状态转换的一致性。data 目录下的所有 .csv 文件已设置为只读权限（444），直接写入会失败。
• 所有写操作（import / plan / release）默认 dry-run，只预览不执行。必须加 --yes 标志才会真正修改数据。LLM 不得在未经人工确认的情况下执行任何数据写入操作。
• 人工确认流程：LLM 生成 plan 或执行操作时 → 输出预览 → 人工确认 → 人工加 --yes 执行 → LLM 继续后续步骤。
• 消息起草由 DeepSeek v4-flash 完成，用 Agent 真实风格生成，不要直接套用模板 — 客户能分辨机器味
• 首次激活消息审批后由 dispatch cron 自动发送，禁止用 openclaw agent --deliver — 后者会让 Agent 二次改写已审批话术，且消耗 ~9 万 token
• 未回复的线索不重复跟进，只记录数据用于策略复盘 — 避免骚扰
• 回复由 operator 在 WhatsApp 界面直接观察判断，不需要自动化回复检测
• 数据文件的任何新增、修改、删除都必须经过人工确认，没有例外。
• 所有操作必须通过 leads_cli.py CLI 执行，LLM 严禁编写临时脚本、Python 代码或任何其他方式直接操作数据文件。需要特殊调度或批量操作时，通过 CLI 参数实现，不写旁路逻辑。

使用方式

1. 导入线索

python scripts/leads_cli.py import <csv_path> --source <来源> --owner <负责人> --yes

导入 CSV 线索，自动去重、手机号标准化、门控检查（缺来源/授权的联系人会被隔离）。

2. 生成今日计划

python scripts/leads_cli.py plan --limit 10 --yes

存量优先：如果已有 planned 状态的任务未执行，plan 命令会复用这些任务，重新分配四维变量（话术版本、发送时段、调度时间），而不是追加新行。只有当 planned 任务数不足 --limit 时，才从联系人中补充新任务。

防重复保护：生成新任务时，已联系人的联系人（last_contact_at 有值）和已有 approved/sent/planned 任务的联系人不会被重复计划，避免同一联系人被多次触达。

从尚未触达的联系人中生成今日触达任务（gated 阶段和 do_not_contact 被排除）。系统自动分配四维测试变量：

变量	值	为什么
话术版本	V1-V4	测试哪种开场最有效
发送时段	早/中/晚（10/15/20点当地时间）	找到最佳打开率时段
国家	客户所在国	不同市场响应习惯不同
来源	线索来源（展会/阿里/官网等）	来源影响信任基线

发送时段会自动转换为客户当地时间 → 北京时间调度。同一北京小时内的任务自动错开 5-10 分钟，避免整点发送触发 WhatsApp 风控。

返回结果包含 variable_breakdown，列出每个联系人的变量分配。

3. 起草消息（自动完成）

plan 命令已自动为每个任务调用 DeepSeek v4-flash 生成话术，返回结果中 messages 数组即为草稿。LLM 自动将草稿汇总为表格呈现给人工确认，无需手动调用 draft-prompt。

默认行为：plan --limit N --yes 一次性完成「生成计划 + DeepSeek 起草话术」。

逐条起草（仅在需要针对某条任务单独重新生成话术时使用）：

python scripts/leads_cli.py draft-prompt --task-id <task_id> <agent_dir>

返回结果示例：

{
  "tasks_created": 10,
  "messages": [
    {"task_id": 72, "contact_id": "44", "contact_phone": "+61...", "contact_name": "Alonso", "message": "Hi Alonso 👋"},
    ...
  ]
}

LLM 汇总为表格呈现：

序号	联系人	国家	话术版本	草稿内容
1	Bradley	AU	V3	Hi Bradley 👋
2	Karan	US	V4	Hi Karan 👋 we met at...

话术版本的风格指引见下方「话术版本」。

4. 审批与发送

当用户确认计划通过时（如说"通过"、"OK"、"可以发"），你必须执行批量审批，将所有 planned 任务转为 approved。

批量审批（默认方式）：

python scripts/leads_cli.py batch-approve --yes

重要：batch-approve 会在审批前强制从 CSV 回读实际 approved_message，逐条展示给操作者确认。这不是形式化步骤——它确保你看到的和 CSV 里的一致，消除 LLM 声称修改但实际未写入的验证真空。如果回读的消息与之前讨论的不一致，不要批准，先用 approve <id> "<正确消息>" 修正。

• 不带 --yes：交互式确认 [y/N]，非交互终端拒绝执行
• --dry-run：仅预览 CSV 实际内容，不修改
• --yes：跳过确认直接批准（用于已验证无误的批量审批）

逐个审批（仅在用户明确要求修改某条话术时使用）：

python scripts/leads_cli.py approve <task_id> "<最终消息>"

此命令会同时修改 approved_message 并批准该条任务。修改多条消息时，先逐条 approve，再 batch-approve --yes 批掉剩余。

审批后消息交由 dispatch cron（每分钟）自动在 scheduled_at 时间发送，LLM 不得自行发送。dispatch 会同时完成：WhatsApp 发送 + Agent session 注入 + 联系人状态更新。

5. 回复判断

Operator 在 WhatsApp 界面直接观察客户是否回复。有意向线索手动转交人工跟进。

6. 复盘

python scripts/leads_cli.py recap

获取数据后用自然语言总结。复盘数据包含四维变量分解（国家/来源/话术/时段的回复率），找出当前最优组合。

话术版本

版本	策略	风格	适用
V1	identity_confirm	身份唤起：提及来源+不确定对方状态	展会名片、官网表单
V2	casual_checkin	轻松问候：No pressure	软性市场
V3	hi_name	极简：Hi + 名字	优先投放（占 30-50%）
V4	short_intro	Hi + 名字 + 一句话来源+问候	平衡版

测试策略：V3 权重最高，优先探测。若回复率高则放大；若回复率低但对话质量高，则增加 V1/V4 权重。

数据层命令速查

命令	用途
import	导入线索（去重+门控）
plan	生成触达计划 + 自动 DeepSeek 起草话术（批量默认操作）
draft-prompt	逐条重新生成话术（仅在需要针对单条任务调整时使用）
approve	逐条审批（仅在需要修改话术时使用）
batch-approve	批量审批当日所有 planned 任务（默认审批方式）
sent	标记已发送（内部状态）
progress	查看进度
recap	复盘数据（含四维变量分解）
gated	查看隔离线索
release	释放隔离线索
context	Agent 上下文摘要

环境依赖

系统 Python (/usr/bin/python3) 必须安装 openai 包，否则 DeepSeek 消息起草会全部静默失败：

/usr/bin/python3 -m pip install openai

OpenClaw exec 沙箱走 /usr/bin/python3，不是 Homebrew 的 /opt/homebrew/bin/python3。执行 plan 前验证：

/usr/bin/python3 -c "from openai import OpenAI; print('OK')"

ModuleNotFoundError 被 call_deepseek() 的 except Exception 静默吞掉，不会报错到终端。唯一能发现的方法是检查 plan 返回的 messages[].fallback 字段——如果 fallback: true 说明 DeepSeek 调用失败，不要审批这批任务。

配置

配置文件位于 data/config.json。

参数	说明	默认
daily_limit	每日触达上限	10
strategies	启用的策略类型	identity_confirm, source_callback, value_hook
gating.require_source	是否检查来源	true
gating.require_consent	是否检查授权	true

与其他系统的集成

• CRM cron: patrol.py 每 30 分钟巡检外勤会话（本地 crontab），将活跃会话数据回写到 CRM
• 消息发送: dispatch cron 每分钟巡检 approved 任务，调 openclaw message send + session 注入，不依赖 LLM
• Agent context: 从外勤 Agent workspace（~/.openclaw/workspace-external）读取 SOUL.md / IDENTITY.md / AGENTS.md

参考文档

• 操作指南
• 门控检查需求