蔚来销售大模型工程实践：从样本生产线到GRPO强化学习的进化之路

在汽车销售场景中，一线新人跟进同质化严重、销冠带教精力不足，一直是限制单兵销能提升的长期痛点。大模型技术的成熟，让AI赋能销售从单点提效向Agent智能体演进成为可能。

蔚来汽车在销售大模型Agent上进行了深度的工程落地与优化实践，当前处于Agent1.0阶段，实现了日均渗透率68.4%和核心转化指标+3.8%的业务收益。本文将拆解这组业务数据背后的关键技术实践，重点剖析样本生产、模型训练与效果评估三大工程挑战的解法。

核心问题与挑战

在推进销售大模型Agent落地的过程中，我们面临来自业务与工程的双重挑战：

1. 业务痛点：新人销售缺乏经验与知识储备，跟进动作机械同质，与销冠差异巨大；同时跟进工作量大，销冠带教精力严重不足。
2. 大模型与专有范式偏差：通用大模型的产出往往不符合企业专有的销售行为范式，存在策略偏差。
3. 样本质量与分布困境：自动评估Agent与人类专家一致率低，评估标准迭代慢；评估不通过又导致最终样本分布与真实分布不一致。
4. SFT的能力天花板：监督微调（SFT）存在奖励稀疏问题，且只能模仿专家，难以超越专家。
5. B端AB实验的不可比性：B端销售场景样本量小，传统的随机分流无法保证实验组和对照组的可比性。

方案与实践

智能销售演进路线与Agent1.0架构

面对上述挑战，我们规划了智能销售的三个演进阶段：单点提效工具 → 知识智能体（当前阶段） → 自主执行智能体。

在当前的Agent1.0阶段，系统通过“回忆认知-大脑决策-跟进执行”的流程输出能力，具体生成三样东西：用户总结、跟进策略和执行物料。

关键实践1：构建高效样本生产线

高质量样本是垂类大模型的基础。我们构建了一套闭环的样本生产线：

• 知识萃取与检索：从销售数据库中萃取策略知识，在样本生成时进行检索注入，以此解决大模型的策略偏差问题。同时，知识萃取的结果会反向评估知识库质量，形成双向闭环。
• 优化评估Agent：制定黄金评测集，利用大模型优化评估Agent的提示词，将自动评估与人类专家的一致率提升至90%+，大幅加快标准迭代效率。
• 样本库治理：建立基于大模型标签识别的样本库治理体系，确保样本多样性，解决因评估拦截导致的样本分布失真问题。

关键实践2：目标导向的大模型训练范式

在模型训练侧，我们走出了“从模仿到进化”的两阶段范式：

• 多阶段纠错SFT：针对SFT奖励稀疏的问题，采用多阶段纠错训练范式，逐步提升模型的指令遵循与纠错能力。同时，训练时必须混合通用样本，以保证在提升垂类能力的同时不丧失通用能力。
• 混合奖励GRPO强化学习：SFT只能让模型达到模仿的上限，要超越专家必须引入强化学习。我们采用基于混合奖励的GRPO方法，让模型在真实反馈中进化。实践证明，小参数垂类大模型通过后训练可追赶大参数模型，显著节省推理成本。

关键实践3：小样本场景下的销售AB评估框架

针对B端销售AB实验样本量小、随机分流不可比的痛点，我们构建了基于销售能力模型的AB实验框架。

通过对样本对象（销售顾问）进行多维度的模型构建与匹配，确保实验组和对照组在基础能力上无系统性偏差。数据验证表明，该框架下实验组和对照组在多个指标差异不显著，有效支撑了模型迭代效果的科学归因。

原则/方法论沉淀

在工程落地过程中，我们沉淀了以下几条可复用的方法论原则：

1. 内容输出三原则：销售Agent的内容输出必须遵循使用者视角、可阅读性、层层递进，缺一不可，否则会导致一线弃用。
2. 后训练场景选择：不要盲目做后训练。只有当提示词和RAG优化后仍不满足业务需求，且该场景的知识变化频次较低时，才应投入后训练。
3. 奖励函数设计：GRPO的奖励函数设计需与任务目标严格对齐，多维度精细化拆解，并重点增强稳定与鲁棒性，防止奖励黑客现象。
4. SFT样本混合：垂类SFT切忌只用垂直数据，必须混合通用样本，以维持模型的基础通用能力。

总结与行动建议

蔚来销售大模型Agent的实践证明，大模型在B端业务落地绝非调取API那么简单，核心壁垒在于数据飞轮与工程闭环。

对于正在推进类似业务的工程团队，建议行动如下：

• 优先打通样本生产线：没有高一致率的评估Agent和多样化的样本库，模型训练就是无源之水。
• 敢于用RL替代SFT：在复杂决策场景，SFT只是起点，基于混合奖励的GRPO才是突破天花板的关键。
• 重构评估体系：B端场景不能照搬C端AB实验，基于能力模型的匹配评估是验证业务收益的前提。

未来，销售Agent将向执行能力升级（Skill驱动、闭环长时环境）与表达风格匹配方向演进，进一步逼近甚至超越真人销冠。

---

开放问题与延伸方向

1. 混合奖励GRPO中的“混合”具体包含哪些维度的奖励信号，各维度的权重是如何量化标定的？
   （关联正文训练范式部分，探讨奖励函数设计的具体拆解与工程量化细节。）
2. 若GRPO的奖励函数仅对齐短期跟进动作而未对齐长期成单转化，是否会导致模型优化方向偏离甚至产生欺骗性输出？
   （关联奖励设计原则，警示短期指标与长期目标错位带来的对齐风险。）
3. 自动评估Agent与人类专家一致率达90%+，这种“大模型评大模型”的机制是否潜藏着“左脚踩右脚”的系统性偏差与幻觉风险？
   （关联样本生产线，反思评估闭环中可能隐含的偏差放大问题。）
4. 在B端销售AB实验中，除了基于销售能力模型的匹配，是否探索过合成控制法或因果推断树来进一步缓解小样本下的不可比性？
   （关联AB评估框架，探讨引入更前沿因果推断方法的可能性。）
5. 多阶段纠错SFT与GRPO的组合范式，若迁移至蔚来售后或客服场景，预期能带来多大的边际收益与成本节约？
   （关联训练范式，评估当前技术栈跨业务线复用的价值空间。）
6. 基于大模型标签识别的样本库治理体系，其标签体系是否会固化销售策略，导致模型在面对突发市场行情或全新竞品时失去泛化能力？
   （关联样本库治理，反思静态标签体系对模型动态泛化能力的潜在限制。）
7. 多阶段纠错SFT中的“纠错”数据是如何构造的，其错误分布是来源于真实业务日志还是人工与模型刻意构造的负样本？
   （关联SFT训练，深挖纠错数据的生产机制与分布真实性。）
8. 在“样本生成-模型训练-AB评估”的闭环飞轮中，当前制约迭代效率与模型性能进一步提升的最大工程瓶颈在哪一环？
   （关联全局工程闭环，反思当前系统的短板与下一步优化重心。）
9. 面对销冠带教精力不足且销冠风格各异的问题，是否考虑过引入多智能体辩论或风格解耦机制，让模型输出千人千面的跟进策略？
   （关联Agent1.0架构，展望未来风格匹配的技术实现路径。）
10. 知识萃取不仅用于样本生成，还反向评估知识库质量，这一双向闭环机制在降低人工知识库维护成本上的实际收益有多大？
    （关联知识萃取方案，量化评估数据反哺知识库的工程效率提升。）