场景痛点
客户流失往往来得猝不及防——明明上周还在正常续约，下周就收到了退订邮件。传统的客户健康度管理依赖客户成功经理的记忆和直觉：谁登录少了、谁最近没回复邮件、谁的费用拖欠了……全靠人盯人。
问题不是不知道客户可能流失，而是没有系统能把散落在各处的信号自动聚合、统一评估、提前预警。等人工发现的时候，最佳干预窗口已经关闭。
本文介绍一套基于 OpenClaw 的多Agent客户健康度追踪流，把客户健康度评估从「人工巡检」升级为「系统全天候自转」。
场景演示
案例背景：某 SaaS 公司服务 200+ 中小企业客户，客户成功团队 3 人。传统模式下，团队每周手动翻查 CRM 记录、邮件往来、工单系统，评估每个客户的风险等级——每周至少花费 6 小时，且主观性强、容易遗漏。
引入多Agent健康度追踪流之后：
- 每周一早上 9 点，自动触发健康度巡检
- Agent A 并行采集：CRM 登录频次 / 工单响应时长 / 账单支付记录 / 邮件互动频率
- Agent B 综合评估：按权重模型计算健康分，输出高/中/低风险名单
- Agent C 针对高风险客户：自动生成干预建议草稿、写入飞书 Bitable 并 @ 对应客户成功经理
- 全流程耗时：4 分钟，人工只需处理干预建议即可
Step by Step
Step 0：准备工作——创建飞书 Bitable 表
在飞书多维表格中新建一张「客户健康度追踪表」，包含以下字段：
| 字段名 | 类型 | 说明 |
|---|---|---|
| 客户名称 | 文本 | |
| 最近登录天数 | 数字 | |
| 工单平均响应时长（小时） | 数字 | |
| 账单逾期天数 | 数字 | |
| 最近邮件互动距今天数 | 数字 | |
| 健康分 | 数字 | 0-100 |
| 风险等级 | 单选 | 🟢低 / 🟡中 / 🔴高 |
| 干预建议 | 文本 | |
| 负责人 | 人员 | 客户成功经理 |
| 更新时间 | 日期 |
Step 1：配置数据采集 Agent
使用 akshare-stock 或直接通过 API 采集以下数据源：
CRM 登录日志（通过 CRM 系统 API）：
- 最近 30 天活跃天数
- 最近 7 天 vs 上周登录次数对比
工单系统（通过飞书 Bitable 工单表）：
- 开放工单数量
- 工单平均响应时长（小时）
账单系统（通过飞书 Bitable 账单表）：
- 当前账单状态（正常/逾期/拖欠）
- 逾期天数
邮件系统（通过 Gmail API）：
- 最近 30 天邮件往来次数
- 最近一次主动外发邮件距今天数
Step 2：配置健康度评估 Agent
评分模型示例（可自定义权重）：
健康分 =
登录活跃度得分 × 30%
+ 工单响应得分 × 20%
+ 账单支付得分 × 25%
+ 邮件互动得分 × 25%
分级阈值：
- 🟢 低风险：健康分 ≥ 75
- 🟡 中风险：健康分 50-74
- 🔴 高风险：健康分 < 50 或任一单项 = 0
Step 3：配置干预建议生成 Agent
针对每个 🔴 高风险客户，自动生成干预建议：
客户：[客户名称]
风险点：[具体风险描述，如"连续14天未登录"或"账单逾期30天以上"]
建议措施：
1. [具体行动项]
2. [具体行动项]
负责人：[对应客户成功经理]
建议处理时间：[建议在X天内完成]
Step 4：定时触发配置
通过 OpenClaw 的 Cron 定时任务，每天或每周一早 9 点自动执行：
# 每周一早 9 点执行健康度巡检
0 9 * * 1 openclaw run customer-health-check --agents="crm-agent,ticket-agent,billing-agent,eval-agent"
可复制提示词
主调度提示词：
请执行客户健康度巡检，输出完整报告：
1. 采集以下 200 个客户的最新数据（从飞书 Bitable 客户台账读取）：
- CRM 登录天数（最近 7 天）
- 工单响应时长
- 账单状态与逾期天数
- 邮件互动频率
2. 对每个客户按以下模型计算健康分（满分 100）：
- 登录活跃度（权重 30%）：7天内有登录=100，4-6天=70，1-3天=40，0天=0
- 工单响应（权重 20%）：<4小时=100，4-24小时=70，>24小时=40，超时未响应=0
- 账单支付（权重 25%）：正常=100，逾期1-15天=60，逾期16-30天=30，>30天=0
- 邮件互动（权重 25%）：7天内=100，8-14天=70，15-30天=40，>30天=0
3. 风险分级：
- 🟢 低风险：≥75分
- 🟡 中风险：50-74分
- 🔴 高风险：<50分，或任意单项=0
4. 对每个 🔴 高风险客户生成干预建议
5. 将结果写入飞书 Bitable，并 @ 对应客户成功经理
输出格式：
- 高风险客户名单（表格）
- 中风险客户名单（表格）
- 干预建议汇总
使用的 Skills
| Skill | 用途 |
|---|---|
feishu-bitable | 读取客户数据、写入健康度评估结果 |
gog（Google Workspace） | Gmail 邮件互动数据采集 |
browser-automation | 登录 CRM 系统采集登录日志 |
tavily-search / multi-search-engine | 客户公司新闻/舆情补充研判 |
| 飞书消息通知 | 预警推送 |
价值与注意事项
核心价值
- 零漏检：系统全天候巡检，人工只需处理高风险预警，不再依赖记忆和自觉
- 响应前置：将干预窗口从「客户已流失」提前到「风险刚显现」阶段
- 量化客观：用统一模型替代主观判断，团队内评估标准一致
- 时间节省：200 客户人工巡检 6 小时 → 系统自动 4 分钟
注意事项
- 权重模型需持续校准：不同行业、不同产品线的权重可能不同，建议每季度review一次评分模型
- 数据源覆盖度：若某个数据源（如邮件 API）无法接入，对应权重应适当下调，避免评分失真
- 干预建议需人工审核：系统生成的是草稿，客户成功经理应根据实际关系情况调整后再执行
- 隐私合规：采集客户行为数据需符合数据合规要求，建议仅使用聚合指标而非个人行为明细
- 防止告警疲劳：若高风险客户数量过多（如超过 20%），需检查是否阈值设置过严或模型失效
延伸场景
- 续约预警：将合同到期日前 60/30/7 天纳入评分，主动触发续约沟通
- 增购机会识别：高频使用某功能但未购买增值模块的客户 → 高价值增购信号
- 客户分群健康度基准：不同行业/规模客户健康度基准不同，可按分群建立独立模型
本文由 OpenClaw 多Agent工作流自动编排生成，方案可按需调整。