Apollo 如何用 Deep Agents 和 LangSmith 重构 GTM AI 助手

Apollo 是一家覆盖销售全周期的 GTM 平台，从客户挖掘、联系人丰富、外呼序列、交易管理到分析，功能一应俱全。然而，产品广度也带来了问题：用户需要手动在多个模块间切换，才能完成一个简单的目标。例如，启动一个新客户外呼活动，用户得先进入挖掘模块找线索，再到丰富模块补充数据，然后创建序列，最后切换到另一个仪表盘查看结果。这种碎片化体验让用户感到产品过于复杂。

为了简化流程，Apollo 推出了 AI 助手：一个基于聊天的界面，用户只需用自然语言描述 GTM 目标，助手就能自动执行从挖掘到分析的全链路操作。最初，团队使用 LangGraph 构建了监督式多代理架构，由主代理将任务分发给专门的子代理。虽然可行，但 LangGraph 的确定性图结构限制了灵活性，每新增一个用例就需要编写新的子代理并集成到监督流程中，导致开发效率低下。

经过评估，Apollo 选择了 Deep Agents 作为新架构基础，而非 Anthropic 的 Claude Agent SDK。原因是 Deep Agents 支持多模型供应商，避免了被单一模型锁定。新架构采用技能驱动的方式：助手根据用户目标动态选择技能库中的技能，自主规划并执行，无需工程师预先指定路径。当前技能包括客户挖掘、序列创建、账户研究、可送达性分析、评分和意图信号检测等。新架构显著降低了延迟和确认提示次数，用户体验更加自然。

开发效率也大幅提升。在旧架构下，搭建一个新代理需要编写子代理、集成监督代理，再经过漫长的评估阶段，才能将准确率从 20-30% 提升到 80% 的上线标准。而新架构中，团队构建了一个内部元技能：给定问题描述，代理自动生成架构方案，高级工程师审核后，另一个代理执行构建。从开发到上线的工作量减少了约 80-85%。

在质量保障方面，Apollo 使用 LangSmith 构建了名为 AI Watchtower 的六层评估框架。该框架覆盖质量维度定义、端到端测试、实时追踪、聚合指标、周报和用户反馈。例如，每次代码变更前，团队会定义 3-5 个质量维度（如准确性、语气、相关性），并评分 1-5 分；上线前需通过 50-200 个样本的独立评审。用户反馈中的差评率超过 8% 会被视为 P1 事件，立即处理。

AI 助手最初是 UI 原生产品，但技能驱动架构使其得以解耦为无头代理。现在，Apollo 通过 API 和 MCP 服务器将同一助手集成到 Claude、ChatGPT、Perplexity 等平台，并推出了 CLI 工具以降低 MCP 交互的上下文成本。目前已有超过 4 万团队使用 Apollo MCP，接近 API 的 50 万团队规模。团队正进一步投资于自主 GTM 代理，探索更智能的销售自动化。

要点

• Apollo 通过 Deep Agents 将 AI 助手从监督式层级架构重构为技能驱动的扁平架构，显著提升了灵活性和开发效率。
• 新架构使开发到上线的工作量减少 80-85%，同时降低了延迟和用户确认提示次数。
• Apollo 使用 LangSmith 构建了六层评估框架 AI Watchtower，覆盖从质量定义到用户反馈的全链路监控。
• AI 助手已扩展为无头代理，通过 API 和 MCP 服务器集成到多个第三方平台，吸引了超过 4 万团队使用。
• Deep Agents 的模型中立性让 Apollo 能够灵活切换 LLM 供应商，避免了被单一模型锁定。