Vercel 的 COO Jeanne DeWitt Grosser 在一次访谈中拆解了公司 inbound 销售 agent 的构建过程。起点并不宏大：一个 go-to-market 工程师，花大约 20% 的时间，写了一个 125 行 的 prompt。这个 prompt 由团队里最好的 SDR 执笔，把 Vercel 的资格认定规则直接编码进去。6 月启动，人留在回路里，8 月撤掉人。第一阶段，agent 做研究、资格审核和起草，唯独不发送消息。

她把这套管理方式类比成带新人：经理会读完新员工前 100 封邮件，教他怎么做；之后默认这个人已经合格，只随机抽 1/100 检查。六周后，agent 积累的数据足够多，监督就从全量检查变成抽样。

业务在增长，prompt 也在膨胀，后来长到了 1000 行。问题随之而来：模型并不总是会遵守 prompt 里内嵌的规则。而销售资格认定里，有很多事情其实是确定的。于是团队把 prompt 拆成两部分：规则和判断。工程师把所有确定性规则写成代码，模型只负责需要人类思考的地方。现在 inbound 就是 14 条规则。比如一个 lead 进来，先查 Salesforce 看这个客户有没有开放的机会；有，就直接路由给 account executive。模型不做这个决定。

这个模式并非孤例。作者在另一篇文章 ‘Is AI Doing Less & Less?’ 里分析了 14 个生产环境中的 agent 工作流，其中 65% 的节点是纯代码，只有 14% 是完全 agentic。Vercel 还专门跑了第二个 agent，监控系统是否违反那 14 条规则：违规时，它会判断这个违规是否合理，合理就放行，不合理就修复。

团队的组成也变了。因为 agent 接管了邮件营销的活，整个 SDR 团队都晋升去做出站销售，跳过了往常的一年。Jeanne 认为人的价值在于和人交谈，把人力从邮件里解放出来，回到对话中去，才是 BDR 这个职能的真正价值。最终，这套系统以每年大约 1000 美元 的推理和基础设施成本，支撑了一家独角兽公司的整个 inbound 漏斗。