问题：采购商评估的无尽重复
在小团队运营 B2B 业务时，每天都有新采购商询问进来。有些采购商诚实可靠，有些则会造成问题。困难之处在于区分它们所花费的时间。
读邮件、查询过往交易记录、确认回应速度、在脑海中判断信任度。
这个过程对每位采购商平均耗时 15 分钟。若每周收到约 30 名新采购商询问，就会花费 7.5 小时。
开始：在谷歌表格中建立检查清单
一开始很简单。在谷歌表格中增加了栏位。
采购商名称 | 首次回应时间 | 要求明确度 | 过往交易记录 | 信任度评估(手动)
但是「信任度评估」栏位仍然需要手动填写。因此尝试了 Claude Code 自动化。
变化：机器人开始识别模式
在 Windows 环境的主要设备上打开了 Claude Code。要求很简单。
能否读取采购商电邮文本和表格数据，自动将信任度评分为 1 到 10 分？
Claude Code 起初很简单。规则是基于「快速首次回应 +2 分」、「有过往交易 +3 分」之类的。
但大约过了两周后，有趣的事情发生了。机器人开始自发性地发现模式。
例如：
• 特定时间段的邮件信任度较高（上班时间）
• 重复提出相同问题的采购商得分较低
• 正确使用商业术语的采购商信任度较高
• 多次强调急迫性的邮件是信任度警告信号
Claude Code 开始自发性地识别这些模式，并将其反映到评分计算中。
结果：90% 的时间消失了
之前（手动评估）
• 每位采购商 15 分钟
• 每周 30 人基准 450 分钟（7.5 小时）
• 人为错误、疲劳导致判断偏差
之后（Claude Code 自动化）
• 每位采购商 1 分钟（邮件输入后自动计算评分）
• 每周 30 人基准 30 分钟
• 评估标准一致
最令人惊讶的是准确度。在机器人评分较低的采购商中，超过 70% 实际上确实造成了问题。相反，高评分采购商的交易完成率明显更高。
我们学到的东西
1. **自动化不必从一开始就完美。** 从简单规则开始，逐步进化。
2. **模式识别是 AI 的优势。** 机器人发现了我们眼睛忽略的信号。
3. **不仅节省时间，决策品质也提高了。** 因为变成了数据驱动。
4. **非开发者也完全能做到。** 只需 Claude Code 和谷歌表格。
下一步计划
现在已自动化了「信任度」评分。下一步是自动生成推荐回复邮件。根据信任度评分，从「认真详细的回信」到「简单警告消息」自动提案。
如果小团队无法像大企业那样运作，那就与机器人一起运作吧。