Before（自动化前）
每周一早上，团队的一名成员面对着数十封电子邮件。
「这位采购商是新客户吗？」、「有过去的交易记录吗？」、「询问内容够具体吗？」、「看起来有支付能力吗？」
所有这些判断都得手动完成。每月超过 300 件询问中，光是确定优先级、选择回复模板、寻找风险信号（打字错误、不明确的信息需求），就需花费 30 小时。许多潜在采购商最后没有得到回复。
小实验的开始
团队开始思考。「如果 Claude Code 能读取谷歌表格中的询问内容，并自动给采购商信誉度评分呢？」
第一次尝试很简单。
• 询问信息（询问者电子邮件）
• 过去交易记录（谷歌表格中的现有数据）
• 系统提示词：「请将采购商信誉度评为 1~10 分」
After（自动化后）
现在每周一早上，当团队打开主要 Windows 设备时，谷歌表格已经准备好了。
自动判断项目
• 信誉度分数（1~10 分）
• 采购商类型分类（新客户 / 回头客 / 高风险）
• 注意信号（存在哪些风险因素）
• 推荐回复模板（可立即使用）
• 优先级别（高 / 中 / 低）
结果一目了然。团队现在优先处理高分采购商，低分采购商则用自动回复模板快速应对。
数据变化
• 手动分析时间：月 30 小时 → 月 4 小时（仅管理 + 例外处理）
• 回复时间：平均 2 天 → 平均 4 小时
• 询问遗漏率：约 15% → 0%
• 团队心理状态：「现在星期一不再那么可怕了」
意外的发现
1. Claude Code 的「直觉」相当准确
当 Claude 判断「这位采购商询问了具体的 MOQ，因此信誉度 7 分」时，实际交易转换率确实较高。虽然非开发者的团队成员起初持怀疑态度，但在收集了 3 个月的数据后，Claude 的「直觉」几乎与团队经验相符。
2. 开始看到模式
随着自动分析的累积，团队发现「高信誉度采购商通常会问这类问题」的规律。他们据此微调了下一个月的营业策略。
3. 有时会出错（这很正常）
Claude 判断为「有风险信号」的采购商，后来却下了大订单的情况确实发生过几次。但团队接受了这点。「不需要完美，」他们说。自动化的目标是把 30 小时变成 4 小时，而不是达到 100 分。
一句领悟
「自动化不是给出完美答案，而是把时间还给团队。」
那失而复得的 30 小时，现在用在真正重要的事上：新市场调研、与采购商的深入对话、团队的疲劳恢复。讽刺的是，「少做一些」反而带来了更好的成果。