智能体应用

Relevance AI

面向销售与 GTM 团队的多智能体自动化平台。

Relevance AI 是一款面向销售与 GTM（Go-To-Market）团队的 AI 智能体平台，核心思路不是只做一个会聊天的机器人，而是把“研究、筛选、跟进、路由、支持、复盘”这些可流程化工作交给单个智能体或多智能体团队持续执行。它提供无代码 Agent Builder、可视化 Workforce Builder、市场模板、两千多个集成，以及从协作副驾驶到自动运行的多级落地路径。对想把 AI 真正嵌入销售运营流程的企业来说，它更像一套可部署的工作系统，而不是单点玩具。

这是什么产品

从官网定位看，Relevance AI 目前主打“AI Agents for Sales & GTM Teams”，强调帮助团队在不同比例上用 AI 替代重复性工作、放大销售动作，而不是单纯提供一个通用大模型入口。首页把产品路线拆成 Assisted、Copilot、Autopilot、Self-Driving 四个阶段：先让 AI 帮人做研究、写草稿、更新 CRM，再逐步承担端到端流程，最后发展为能够持续优化的 AI Workforce。这说明它的产品核心不是问答，而是把组织中本来由 SDR、AE、运营、研究员、客服等角色承担的可标准化任务，改造成由智能体执行、由人类做审核和升级处理的协作模式。

进一步看官方 Agents 与 Workforces 文档，Relevance AI 将“Agent”定义为由大模型驱动、可调用工具、可根据目标自主规划并执行任务的执行单元；而“Workforce”则是多个专门化 Agent 在可视化画布上连接起来，按顺序或条件分流完成多步骤任务的团队化编排方式。也就是说，它不是把所有能力塞进一个超大提示词里，而是鼓励把复杂业务拆成多个明确职责的智能体节点，再用连接关系、工具链和触发器把这些节点串起来。

从适用面判断，Relevance AI 明显更偏企业生产力平台，尤其适合已经有 CRM、邮箱、日历、知识库、工单系统、消息系统等现成业务堆栈的团队。官网还单独强调 SOC 2 Type II、GDPR、SSO、RBAC、数据驻留、版本控制、监控与评估等企业能力，说明它并非只瞄准个人创作者，而是想进入对权限、合规和治理要求更高的组织场景。

核心功能与工作流

Relevance AI 的第一层能力是 Agent Builder。官方文档给出三种建法：一是 Invent，直接用自然语言描述需求，让系统生成一个初始可用的智能体；二是从 Marketplace 克隆现成模板；三是从零搭建，自行定义提示词、工具、知识和触发方式。对于没有工程背景但知道业务目标的人来说，Invent 和模板克隆可以显著降低第一版上线门槛；而对运营、增长、销售工程或 AI 负责人来说，从零搭建则提供了更细的控制能力。

第二层能力是 Workforce Builder。官方把它定义为一个可视化画布，用来设计、连接、监控多个专门化 Agent 的协作。每个 Agent 可以只负责一个环节，例如线索研究、客户画像补全、外呼邮件生成、线索分派、会前准备、客服升级处理等。连接方式既可以是固定“下一步”，也可以是带判断的 AI connection。这样一来，复杂流程就不必依赖单一提示词硬撑，而是被拆解为多个小而清晰的职责模块，整体更利于调试、复用和持续优化。

第三层是工具、知识与触发。官方 Agents 文档明确提到，Agent 可以通过预建集成、API 或平台界面被触发执行；还可以调用 Gmail、Outlook、Salesforce、HubSpot、Slack、WhatsApp、Telegram、Google Calendar、Google Sheets、Notion、Confluence 等外部系统。知识侧则支持把业务资料作为 Agent 的上下文来源，本质上是让 Agent 在回答或执行前检索组织内信息。这样就形成了一个较完整的工作回路：接到事件或信号 → 调用知识与工具 → 生成动作或结果 → 必要时升级给人工 → 记录与复盘。

第四层是市场与复用。官方 Marketplace 页面显示，平台允许浏览和克隆现成的 Agent / Tool，也允许经过验证的社区 Builder 提交作品。对于企业来说，这意味着可以先从行业常见模板起步，再按内部流程定制，而不是每次从空白页重新设计。官网示例也很集中：BDR Agent、Research Agent、Inbound Qualification Agent、Customer Support Agent 等，几乎都围绕 GTM 与运营执行展开。

最后是治理与监控。首页与订阅文档都提到版本历史、监控面板、评估、Activity Center、并发限制、任务历史、信用与消耗可见性。这些能力决定了 Relevance AI 不只是“能跑”，而是试图让团队知道 Agent 做了什么、花了多少、哪里卡住、是否需要扩容或调整。对于真正要把 AI 接到业务流程里的团队，这种可观察性通常比“会不会生成一段文字”更重要。

如何开始使用

根据官方“Create an Agent”文档，新用户的上手路径相对直接。最省事的方法是进入 Agents 页面，点击“+ Create Agent”，再选择 Invent。随后用自然语言写清楚目标任务、希望产出的格式、需要连接的系统，例如“在销售拜访前自动研究目标公司，整理成一页简报，并从 CRM 和邮箱中补足上下文”。系统会先帮你生成提示词与工具建议，你再补充或修正即可。

如果你更希望少走弯路，可以从 Marketplace 直接搜索相近模板，克隆后接入自己的账号与数据源。若你对流程有清晰想法，也能选择 Start from scratch：先写 Prompt，后加 Tools，再选是否挂载 Knowledge。官方还把后续能力拆成 Triggers、Alerts、Memory 等模块，意味着一个最小可用 Agent 做出来之后，可以继续加调度、告警、记忆和人工升级规则。

当单个 Agent 已经能稳定完成一个环节后，就可以进入 Workforce 画布，把多个专职 Agent 连起来，形成完整业务链路。典型做法是先用一个研究 Agent 拉取背景信息，再让写作或外联 Agent 输出邮件、摘要、任务建议，最后交给审核 Agent 或人工审批。对于团队试点，比较稳妥的顺序通常是：先让 AI 参与但不自动发送，再放开到部分自动执行，最后再根据监控结果把更多任务转入自动运行。

价格与开源状态

从官方 Pricing 页面可确认，Relevance AI 提供 Free、Pro、Team、Enterprise 四档，并支持年付与月付切换。页面默认展示的年付口径中，Pro 标价为每月 19 美元，Team 标价为每月 234 美元，Enterprise 为定制方案，Free 为 0 美元。与此同时，官方订阅文档说明，自 2025 年 9 月起，平台的计费结构拆分为 Actions 与 Vendor Credits：前者对应工具或任务执行次数，后者对应模型和外部工具成本。对企业采购来说，这意味着不能只看月费，还要理解动作量、模型消耗、并发能力和是否需要加购。

官方“Plans and credits”文档还写明，付费计划可以额外购买额度，当前文档给出的加购参考是每 1000 个 Actions 收费 80 美元、每 10000 个 Vendor Credits 收费 10 美元；并支持在付费计划中自带 API Key，以绕过 Vendor Credits 部分消耗。由于 Pricing 页面有年付/月付切换，而文档也提示部分老用户仍在旧版计费体系中，因此具体包含多少 Actions、多少 Credits、是否按月还是按年展示，实际以官方价格页与账户内账单页为准。

开源状态方面，至少在本次查阅到的官网、产品页、文档页和定价页中，Relevance AI 展现的是一套商业化 SaaS 平台，而不是以开源仓库和开放许可证为主的项目。官方页面没有把它作为开源产品进行介绍，也未在这些核心页面上给出开源许可证说明。因此，如果你对源代码可审计、自部署、许可证兼容性有硬要求，应视其为商业服务优先的方案，并以官方页面后续披露为准。

适合谁

最适合 Relevance AI 的，是已经在做销售、增长、客户成功、运营自动化的团队，且这些团队手里已有较多标准化流程、消息触点与业务系统。例如 RevOps 团队想把线索分流、会前研究、邮件起草、客户资料补全、售后分派等动作从人工拉成“半自动到全自动”；又或者客户支持团队想做一个先回答、再升级、再沉淀知识的智能体链路，这类场景都很贴合它的设计。

它也适合那些想让非工程角色直接参与 Agent 落地的组织。因为官方提供 Invent、模板克隆、可视化 Workforce 等入口，产品、运营、销售 enablement、客服管理者不一定要自己写代码，也能先把第一版逻辑跑起来。当然，如果你的核心诉求是做通用聊天、个人效率工具、纯内容生成，或者你更看重底层模型实验而不是业务工作流，那么它未必是最优先的选择。

优势与限制

Relevance AI 的最大优势，在于它不是把“AI”停留在一个入口，而是把组织里的工作拆成可执行、可连接、可触发、可观测的单元。对 GTM 团队来说，这种产品思路比单独的聊天机器人更实用：你可以从一个 BDR Agent 或 Research Agent 开始，随后接入 CRM、邮箱、日历、知识库，把本来分散在不同工具里的动作串起来。对于需要快速试点的团队，Marketplace 和 Invent 也能明显降低从想法到原型的时间。

第二个优势是治理能力比较完整。官网公开强调 SOC 2 Type II、GDPR、SSO、RBAC、数据驻留、版本历史、监控与评估，这些都说明它在往企业正式部署场景靠拢，而不是只满足个人用户做演示。对要在多角色协作、权限分层、预算可控的环境里落地 AI 的团队，这一点很关键。

限制也同样明显。第一，产品价值依赖你是否有清晰、可拆分、可量化的业务流程；如果组织本身流程混乱，或者数据分散、权限难打通，再好的 Agent Builder 也难直接变成结果。第二，定价模型对新团队有一定理解门槛，除了订阅本身，还要关注 Actions、Vendor Credits、并发与任务量。第三，当前官方叙事明显偏销售与 GTM，如果你的主战场是研发流程、数据科学实验、自建多智能体底层框架，那么它未必像面向开发者的代码型方案那样灵活。第四，从本次官方材料来看，它并不主打开源和自托管，因此对强内网、强可控部署诉求的团队需要额外评估。

对比与选择

如果你要解决的是“让业务团队尽快把智能体接到真实工作流里”，Relevance AI 的优势在于路径很完整：可以先用自然语言生成 Agent，也可以克隆模板，还能进一步做多智能体编排、接入外部系统、设置触发与人工升级。对于销售和 GTM 组织，这种从试点到规模化的连续性很有吸引力。

但如果你只是想做简单规则自动化，或者只需要几个固定条件触发的通知、同步、表单处理，那么更轻量的自动化工具可能更省钱，也更容易让团队理解。反过来，如果你追求的是底层控制权、完全自定义的代理逻辑、自部署环境、强工程化测试链路，那么代码优先的 Agent 框架或自建方案通常会给你更高自由度，只是搭建和维护成本也会更高。

因此，选择 Relevance AI 的关键不在于“它能不能做智能体”，而在于你的组织是否正好处在这样一个阶段：已经有明确业务流程，愿意让非工程团队参与配置，希望把 AI 从辅助工具推进到可观测、可治理、可扩展的业务执行层。如果答案是肯定的，它会是非常值得试用的一类平台；否则，先从更轻或更底层的方案起步，反而更稳妥。

结论

综合官网、定价页与官方文档来看，Relevance AI 并不是面向所有人的通用 AI 门户，而是一套强调“智能体落地执行”的企业平台，尤其聚焦销售与 GTM 团队。它的强项在于无代码上手、多智能体编排、丰富集成、市场模板和企业治理能力；它的门槛则在于流程梳理、额度理解、系统打通与组织接受度。如果你的目标是把 AI 从“会回答问题”推进到“持续替团队做事”，Relevance AI 值得进入候选名单；如果你更需要开源、自托管或底层自由度，则应把它与其他路线一起评估。