AI员工为什么容易有“AI味”
普通AI往往每轮都完整回答、重复礼貌开场、喜欢总结和列表，并在每次结尾都推动下一动作。真人销售更常根据当前阶段只说最重要的一两句，也知道什么时候不推进。
人格可以稳定语气，但无法覆盖所有真实场景；知识库可以提供事实，但也不会自动产生长期销售经验。
Experience Memory保存的不是原话
云小微把经验拆成Scene Signature、Reasoning Pattern、Strategy、Case Memory、Language Pattern、Negative Rules和State Transition。重点是保留“为什么这么判断、下一步是什么、什么时候停”，而不是背诵某个销售员的句子。
原商家的价格、地址、人名、库存、疗效、优惠等不会因为出现在真人资料里就被当成其他商家的事实。
当前Foundry已经形成什么
截至2026-09-21，内部Sales Asset Foundry完成1831份来源账务化，形成1839个销售候选、1825条负面规则、1830条状态迁移和3607个Eval Case，覆盖13类标准行业和10类销售阶段。
这些数字代表审核资产规模，不代表全部已经进入现役AI员工。未审核资产仍保持pending，正式应用需要审核、release、员工绑定和Merchant World重编译。
v4正在验证“经验是否真的有增益”
Sales Experience Memory v4不以“处理完多少条”作为成功标准。我们用同一真实场景分别生成不带经验和带经验的回复，再用独立Judge与人工抽检比较是否更懂客户、更自然、推进更合理，同时不增加事实错误和过度催促。
内部还会比较本地Qwen3.5-4B和DeepSeek在经验抽象、重写和审核上的表现，不预设哪个模型一定更好。
未来运行时怎样使用
客户消息先结合行业、销售阶段和客户信号做场景路由，再分别检索商家事实、少量销售Playbook、相似Case和自然表达示例，最后叠加负面规则与状态迁移。
这样经验层更像“工作记忆”，而不是一个无限增长的大提示词。检索不相关的经验同样可能让回答变差，因此Retriever本身也必须被评测。
用自己的微信和业务问题，先体验。
说明账号数量、接待人员和常见咨询，服务人员协助确认版本与演示范围。