North Star — 这个系统在干什么¶

这是 retaintive 的产品本质 / 长期方向定义。所有 repo / 设计 doc / phase 计划都围绕这一段展开。

如果你只读 1 份 doc,读这份。 其他 system-design doc 是这一份的展开。

Updated: 2026-04-25

一句话¶

retaintive 是给所有用电话 + 短信做客户运营的连锁服务业(健身房、连锁按摩店、连锁警务、任何依赖语音通话+短信跟客户打交道的连锁机构)的 AI 客户运营系统。

把客户在所有通道(电话、短信、网上 lead、未来更多)留下的痕迹全自动汇到一个人身上,AI 看完所有信息后自动决定该让员工做什么 — 该跟进的 lead、该续费的会员、该挽留的流失、该接住的转介绍,全部自动开成任务。

员工不挖数据、不判断、只执行。

这套系统存在的目的 — 两件事,一体两面¶

1. 抓住客户身上每一个赚钱机会¶

每个进系统的客户身上,都有可能转钱的点。靠人工记忆 / 翻通话记录 / 翻短信拼出来这些点 = 大量漏掉。

AI 替老板替员工把这些点全部抓住,不漏:

该跟进的 hot lead(刚问完价格还没决定)
该接住的预约转化(订了试课但没到的)
该提醒的续费(合约快到期的)
该挽留的流失风险(投诉过 / 不来上课 / 提取消的)
该接住的转介绍机会(满意会员说朋友也想来)
该召回的流失会员(之前停了想回来的)
该升级的现有会员(在问更高级套餐的)

2. 把员工的时间、精力、老板的钱用在该用的地方¶

员工 1 小时是有成本的。让员工花时间挖数据、翻记录、判断"这个客户该做啥" = 浪费。这些事 AI 能做。

让员工花时间在只有人能做的事上:打那个电话、聊那次试课、维系那段关系、解决那个投诉。

老板的钱用在 "客户 conversion + retention" 上,不用在养"专门做数据整理判断的人"上。

怎么做到的 — 全自动 AI Pipeline¶

不靠员工录入,不靠员工分类,不靠员工判断。所有信息进系统的瞬间,AI 就开始工作:

客户打电话 ─────► 录音存 S3 ────► AI 转录(Deepgram)─────┐
客户发短信 ─────► RC webhook ────────────────────────────┤
客户填 lead 表 ──► IMAP 邮件抓取 ─────────────────────────┤
                                                          ▼
                                              ┌─────────────────────┐
                                              │   AI 分析层(多个    │
                                              │   analyzer 围着客户 │
                                              │   转)              │
                                              ├─────────────────────┤
                                              │ • 单通电话分析       │
                                              │   (33 个 AI 字段)   │
                                              │ • 客户级综合分析     │
                                              │   (拉客户全部历史)  │
                                              │ • 任务决策          │
                                              │   (9 种 task type)  │
                                              └──────────┬──────────┘
                                                         │
                                                         ▼
                                            ┌──────────────────────┐
                                            │ 自动开/关/改任务清单 │
                                            │  → 员工只看清单执行  │
                                            └──────────────────────┘

核心引擎是多个 AI analyzer,不是单一 Lambda。围着每个客户转:

Analyzer	职责
`transcribe-processor`	录音 → 文字
`ai-analysis-processor`	单通电话 → 33 个 AI 字段(分类 / 情绪 / 意图 / 跟进类型...)
`contacts-analyzer`	一个客户全部历史(通话 + 短信 + lead + 现有任务) → AI 决策(开/关/改任务)
`message-processor`	短信进来 → 关联到客户 + 触发分析
`lead-tracking` poller	lead 邮件 → 解析 → 关联客户 + 触发分析

每个 analyzer 都用 AI(OneRouter 路由 Grok 4.1 Fast Reasoning + DeepSeek V3.2,fallback 到 AWS Bedrock;转录用 Deepgram Nova-2-phonecall)。不是规则引擎,是 AI 决策引擎。

9 种任务类型 — 系统怎么把"赚钱机会"落地¶

AI 看完客户信息后,会做以下 9 种任务决策之一(或组合):

抓机会类(7 种):

任务类型	干啥
`lead_outreach`	新 lead 第一次接触
`lead_follow_up`	跟进还没转化的 lead
`booked_not_converted`	订了试课但没到 / 没转化的接住
`upgrade`	现有会员有升级兴趣
`renewal`	合约快到期续费
`referral`	满意会员转介绍接住
`win_back`	流失会员召回

止损类(2 种):

任务类型	干啥
`cancellation_risk`	有取消意向的会员预警
`retention`	挽留中(投诉 / 不满 / 服务问题处理)

每一种都对应一个具体的赚钱点或止损点。AI 决定哪种 + 优先级(low / medium / high)+ 写出员工该做什么(suggestedActions)。

当前落地¶

现在跑的客户: OrangeTheory(健身房连锁,13 家店 / 8 个 RingCentral 账号 / 78 个电话号码)。

架构是通用的 — 系统 schema / Lambda / API 不绑定健身房。换成连锁按摩店 / 连锁警务,只要客户运营靠"电话+短信+lead 邮件",同一套系统能复用。当前产品的术语(member / class / franchise)是按 OrangeTheory 业务习惯填的,不是架构限制。

未来扩展(笼统提一下,具体方向后续填)¶

还会引入更多 AI 方式深化"抓机会 + 省力气"这两件事。可能的方向:

更精准的 lead scoring(每个 lead 的"赚钱可能性"打分,不只是规则)
更主动的 outbound 建议(AI 写出该说什么,不只是"该打谁")
跨客户群体分析(哪些 cohort 流失风险高 / 哪些行为预示流失)
更多通道接入(WhatsApp / 微信 / web chat / 视频通话 / 上门数据)
客户行为预测(转化概率 / 流失时间窗 / LTV 预测)

具体哪些做、按啥顺序做、为啥做 — 以后填这一段。

Updates — append-only¶

(后续产品本质 / AI 实现方式 / 落地客户有变化时加新段)