一、序章：周一早上，一份名单要花掉多少时间

老陈在宁波卖数控刀具和夹具，客户是模具厂和精密加工厂。他的周一早上通常是这样度过的：打开三四个企业信息网站，按「宁波 + 模具」搜一轮，把看起来对路的公司名复制进表格；再打开地图软件，一家家看厂区像不像一个真的工厂；再去翻招聘网站，看这家最近招不招模具钳工——在招人的厂，通常有活。中午之前，他能整理出二三十家。下午打电话，接通十家，其中七家的号码是前台或者已经离职的人，两家说「我们不用刀具，我们是做贸易的」，剩下一家听完报价说再联系。

这不是老陈能力的问题。制造业销售的获客动作，长期卡在同一个地方：信息不是没有，而是散落在十几个互不相通的地方，需要一个人用一整个上午，手工把它们对上号。而这一整个上午产出的，只是一份「可能有关系」的名单——它还没有被验证，也还没有被排序。

过去两年，很多销售在这个环节引入了 AI。但引入的方式往往是：把某个 AI 助手打开，问一句「帮我找宁波做注塑模具的工厂」。助手会很流畅地回答，列出五到十家公司，看上去像模像样。销售拿着这份名单去打电话，发现有两家已经注销，有一家在东莞，还有一家根本不存在。

问题出在哪里？不在模型，而在于这个模型手上没有一份中国工厂的花名册。它只能凭训练语料里读到过的零星记忆去拼凑，而中国的中小制造企业，恰恰是公开语料里最稀薄的一群——它们没有百科条目，没有新闻稿，很多连一个官网都没有。一家在慈溪做了二十年小家电配件、年营收两三千万的工厂，在互联网上的全部痕迹可能只有一条工商注册记录和一个早已停更的黄页页面。模型读不到它，不是模型不努力，是它确实没被写下来过。

这也解释了一个反复出现的现象：越是成熟的产业带，AI 给出的名单越不可靠。因为产业带里真正干活的那批中小厂，恰恰是最不擅长在互联网上留下声音的。而它们才是销售要找的人。

这篇文章要讲的，是这个缺口被补上之后发生的事。2026 年 7 月起，天下工厂把平台的工厂数据底座通过开放接口与 MCP 服务对外开放，并在 7 月底发布了官方 Agent Skill。对普通读者来说，这些名词的含义可以先放一放；对销售来说，变化可以用一句话概括：从今天起，你的 AI 助手可以直接查中国 480 万家工厂的花名册，而不再是凭印象编。

下面六个工作流，是这件事落到销售日常里的样子。每一个案例里的数字，都是 2026 年 8 月 4 日在天下工厂平台上实际检索得到的真实结果，可以复核。

二、先用一段话说清楚：发布的到底是什么

天下工厂原本是一个网页产品：销售打开浏览器，输入条件，得到一份工厂名单，解锁需要的联系方式。开放平台做的事情，是把同样的能力从「网页上的按钮」变成「程序可以调用的接口」，一共五个：

  • 工厂检索——按产品关键词、省市区县、行业类目找工厂，分页返回；
  • 工厂详情——一家工厂的完整档案：工商注册信息、注册资本、成立时间、经营状态、经营范围、产品与服务、标签、地址；
  • 联系方式——一家工厂的联系方式记录，含持有人姓名与职务；
  • AI 深挖——针对一家工厂做一次深度核实：它到底在做什么，能力信号如何；
  • 自然语言检索——把一句口语化的需求整段交给内置的检索智能体，由它自己拆解条件、检索、核实，返回一份筛过的名单。

接入方式有两种。一种是 MCP，即模型上下文协议，可以粗略理解为「AI 助手的通用插头」：助手支持这个协议，就能把上面五个能力当成自己的五个工具直接使用，不需要开发。另一种是普通的 REST 接口，给不支持 MCP 的老系统和自研程序用，同样的五个能力，同样的入参与返回。

在这之上，还有一层 Agent Skill。它是发给 AI 助手的一份说明书，告诉助手：这五个工具分别在什么时候该用、怎么用、返回值怎么读、常见的错误意味着什么。销售不需要理解这份说明书，只需要在助手里装一次，之后用中文提要求就可以。

关于开放平台与 MCP 对制造业整体意味着什么，本院此前已有一篇专门的长文讨论——《把 480 万家工厂接入 AI：开放平台与 MCP 对未来制造业意味着什么》，这里不再重复。本文只回答一个更窄、也更实的问题：销售拿到它，具体怎么用。

三、动手之前：两种检索的分工

六个案例里反复出现两个能力，先把它们的分工讲清楚，后面就不用再解释了。

工厂检索是结构化的：你给出确定的关键词、确定的地域、确定的行业类目，它返回确定的名单和确定的总数。它快、便宜、可分页、结果可复现——同样的条件今天问和明天问，拿到的是同一批公司。它适合的场景是：你已经知道自己要什么。

自然语言检索是模糊的：你把一整句话交给它，比如「浙江一带做注塑模具、有出口经验、规模别太小的厂」，它自己去判断「规模别太小」应该翻译成什么条件，「有出口经验」该怎么卡，然后检索、核实、返回。它慢一些、贵一点，但能接住那些你说不清楚的需求。它适合的场景是：你知道自己要解决什么问题，但说不出精确条件。

一个经验判断：当你的需求能写进一张表格的表头，用工厂检索；当你的需求只能说给人听，用自然语言检索。大多数销售的真实工作流里，两者是接力的——先用自然语言问一轮，把模糊的想法收敛成明确的条件，再用工厂检索把这个条件下的全量名单翻出来。

还有三个免费的辅助接口值得一提：地区树、行业类目树、以及机器可读的接口规格。前两个决定了你能填进检索条件里的合法取值——中国有 1,965 个细分行业类目，猜一个代码填进去只会得到一个明确的报错，而不是一份看似正常实则跑偏的名单。这个设计细节在案例二里会救人一命。

四、案例一：一条区域拓客线，从 430 家收敛到 34 家

回到开头的老陈。他要的是宁波做注塑模具的工厂，并且希望这份名单是可打的——有电话，且对方有一定规模。

他在助手里说了一句话：「帮我找宁波做注塑模具的厂，有一定规模的，最好能拿到负责人的联系方式。」

助手调用自然语言检索，返回的结果里带着这样一组数字：

  • 宁波市，产品与经营范围命中「注塑模具」的工厂：430 家；
  • 其中带决策人直连联系方式的：299 家；
  • 其中社保参保人数在 50 人以上的：72 家；
  • 两个条件同时满足的：34 家。

这四个数字本身就是一次业务判断。430 是宁波这条赛道的总盘子，它告诉老陈：这个市场的天花板在哪里，值不值得投入一整年。299 意味着七成的目标厂是可以直接触达的，这个比例决定了这条线的转化效率是否可接受。72 是「有量的厂」，也就是真正值得他派车过去拜访的那批。而 34，是他这个季度真正的作战名单。

如果他想把范围再收紧，可以继续往下切。北仑区一个区，命中 89 家——一个下午跑三家，一周能把这个区跑完一半。这种颗粒度对区域销售是有意义的：拜访路线是按区县排的，不是按城市排的。而如果他想反过来放大，注塑模具这条赛道在全国一共命中 4,921 家，宁波的 430 家占了将近百分之九。这个集中度不是偶然，它就是产业带的形状。

对比一下老陈原来的做法，差别不只在时间。他花一个上午手工整理出的二三十家，本质上是这 430 家里被搜索引擎排在前面的那些——排在前面的原因通常是它们做过推广，而做过推广的厂往往已经被同行拜访过很多轮了。手工检索的名单不是随机样本，而是被竞争最激烈的那一段。全量名单的价值，恰恰在于它包含了那些不做推广、也就没被同行打扰过的厂。这批厂对第一个认真找上门的销售，往往格外客气。

拿到 34 家之后，老陈的动作也变了。过去他手上只有二三十家的时候，是按顺序往下打，打到哪算哪；现在他有了排序的依据——参保人数、注册资本、成立年限、是不是专精特新，这些字段都在详情里。他把 34 家按规模降序排，先打前十家，因为大厂的刀具年用量足以覆盖一次专门的技术拜访；中间十几家排到第二周；剩下的放进培育池，季度末再触达一次。

这套排序在过去不是不能做，而是做它的成本太高：要给二十家公司一家家去查参保人数，本身就是又一个上午。当排序依据随名单一起到手时，「先打谁」这个决定才第一次有了成本可接受的依据。

还有一个细节值得说。老陈原来最怕的是打到贸易公司——听起来像工厂，聊到一半发现对方只是转手。在这套数据里，工厂与贸易商的识别是数据底座本身就在做的事，这也是天下工厂这个平台最初存在的理由。对一个卖刀具的销售来说，这一条直接决定了他每天有多少通电话是白打的。

五、案例二：把「客户画像」翻译成一份可导入 CRM 的名单

第二个案例的主角是一家工业软件公司的销售负责人，产品是面向离散制造的生产管理系统。他手上有一份很典型的客户画像：江苏省的通用设备制造企业，一百人以上，有一定注册资本。这份画像是市场部根据已成交客户的共性总结出来的，写在幻灯片里，看上去很清晰。

但它一直没能变成一份名单。原因很朴素：没有人知道江苏省符合这个画像的企业到底有多少家，也没有人有办法把它们一次性列出来。销售团队实际在做的，是从展会名录、行业协会名单、以及各自的人脉里，零散地捞。捞上来的这些线索有一个共同特点——它们都是「能被捞到的」，而能被捞到本身就是一种筛选，筛掉的恰恰是那些不参展、不入会、也不在谁的通讯录里的企业。

现在这份画像可以被直接翻译成检索条件。行业类目树里有「通用设备制造业」这一档，把它连同下面所有的子类一起展开，加上江苏省的地域限定，得到的第一个数字是：39,747 家。

这个数字是个坏消息，也是个好消息。坏消息是它太大了——三万九千家，一个二十人的销售团队按每人每天联系十家算，需要将近两年才能打完一遍。好消息是它给出了一个可靠的分母：市场部说的这个「画像」，对应的真实市场规模就是这么大，此前所有关于市场容量的估算都可以拿它来校准。很多制造业软件公司的年度目标是拍出来的，不是算出来的，原因就是从来没有过这个分母。

接下来是收敛。加上「社保参保一百人以上」，剩下 2,014 家；再加上「注册资本一千万元以上」，剩下 1,707 家。两步筛掉了 95.7%，剩下的 1,707 家才是那份幻灯片上的画像在现实中的真身。

一千七百家是一个可执行的数字。二十个销售分下去，每人 85 家，一个季度做完一轮触达是现实的。而在此之前，这个团队从来没有拿到过这份名单的完整版本——他们只是在这一千七百家的某个随机子集里，反复碰面。销售之间抢单、同一家企业被三个人先后打过、而隔壁整个县城没人碰过，这类内耗的根源不是管理不善，是没有全集。

接下来是这个案例里最有价值的一段：怎么把它导出来。

工厂检索的分页有一个明确的上限：每页最多 50 条，最多翻到第 100 页，也就是单个检索条件最多能取出 5,000 行。这不是限制，而是一个必须被正视的事实——1,707 家在上限之内，可以直接翻页取完；但如果这位负责人想把范围放宽到整个江苏省的三万九千家，或者只做苏州一个市，他就会撞上这堵墙。

苏州市的通用设备制造企业是 12,290 家，超过上限两倍多。正确的做法不是硬翻，而是切片——把苏州按区县拆开，分别检索再合并去重：

  • 昆山市 3,316 家
  • 吴中区 1,680 家
  • 吴江区 1,472 家
  • 张家港市 1,369 家
  • 常熟市 1,061 家
  • 太仓市 1,025 家
  • 相城区 978 家
  • 姑苏区 702 家
  • 虎丘区 494 家

九个区县加起来 12,097 家，与全市的 12,290 家相差不到 200 家（少数辖区未单列），而每一片都远在 5,000 行的上限之内。切片之后按公司编号去重，就得到了完整的苏州名单。

这个操作听起来琐碎，但它是整篇文章里最能体现「工程化」与「手工」之差别的地方。手工做这件事，需要一个人记住已经导过哪些区、每个区导到第几页、哪些公司重复了；交给助手做，它会自己按区县排队、自己记录进度、自己去重。销售关心的是那份名单，不是分页游标。

这里也是前面提到的「行业类目树」救人的地方。行业代码不能猜——猜错一个字符，得到的不是报错而是另一个行业的名单，而这份名单看上去同样整齐、同样有几千家、同样可以导进 CRM，只是全都不是你的客户。开放平台在这一点上的处理是：未知的行业代码直接返回明确的错误，绝不静默地忽略掉这个条件。一个静默失效的筛选条件，比一次明确的失败危险得多，因为它把参数错误伪装成了数据事实。

顺带一提，江苏五个主要城市的分布是这样的：苏州 12,290 家、无锡 8,449 家、常州 4,736 家、南通 2,321 家、南京 1,422 家；把「一百人以上」这个条件加进去之后，分别是 680、327、251、149、135 家。苏州和无锡两个城市合计 1,007 家，正好占了全省 2,014 家规模客户的一半——如果这家软件公司只有资源在一个城市设办事处，答案已经在数字里了。

如果还想再锐利一点：江苏省的通用设备制造企业里，带专精特新小巨人标签的有 556 家。这批企业有政策资金、有技术升级预算、且大多正处在数字化改造的窗口期，是这类软件产品最典型的早期客户。平台上带这个标签的企业全国共 14,535 家，江苏一省就占了 2,604 家，接近全国的百分之十八；标注为制造业单项冠军的全国 1,141 家，是更小也更硬的一层。

对一家刚要在江苏铺开的软件公司来说，这 556 家就是它第一年的全部战场。这个数字小到可以给每一家建立独立的跟进档案，也小到可以让老板自己记住其中一半的名字——而这，才是一个销售组织真正能形成打法的规模。

六、案例三：展会前的两百家邀约，以及一次必要的核实

第三个案例发生在展会之前。一家做包装机械配套件的企业，每年参加两到三个食品加工与包装类的展会，展位不便宜，而展会的转化高度依赖会前邀约——临时路过展位的观众，成交周期通常长得看不到头。

会前邀约的名单，过去来自展会主办方提供的观众名录和往年的客户名单。前者的问题是它属于所有参展商，同一份名录，几十家同行同时在打；后者的问题是它太小，且都是老客户。真正想要的那批人——今年可能换设备、但还没和任何一家参展商说过话的企业——从来不在名单上。

现在这份名单可以自己做。以食品包装机械为例，全国命中 7,364 家；其中带决策人直连联系方式的 3,979 家，占比五成四；参保人数一百人以上的 577 家。按省份看：山东 970 家、浙江 614 家、江苏 608 家、广东 596 家——山东的密度明显高出一档，这与鲁中一带的食品加工产业带是对得上的。

如果这家企业今年的展会在山东，那么「山东省 + 食品包装机械 + 一百人以上」就是最贴的一层：47 家。四十七家是一个可以逐一手写邀请函、逐一打电话确认的数量，而不是群发。

但这里必须插入一段诚实的说明。

我们把这 47 家的名单调出来看了一眼，里面确实有青岛的包装机械制造企业，但也混进了食品加工企业、制药企业和特种纸企业。原因不难理解：关键词检索命中的是「经营范围与产品描述里出现过食品包装机械」的企业，而买设备的人、用设备的人、给设备做配套的人，在工商登记的措辞里往往长得一样。一家食品厂把「食品包装机械」写进经营范围，可能只是因为它自己有一条包装线。

纯关键词检索永远会带进这样一批噪声，这是它的结构性特征，不是偶发的错误。任何声称自己的工厂名单百分之百干净的说法，都值得多问一句是怎么做到的。

处理方式有两种。

一种是换用自然语言检索：把「找造食品包装机械的厂，不要用这类设备的食品厂」整句交出去，由检索智能体去做这个区分——它能理解「造」和「用」的差别，也支持把不想要的品类明确排除掉。这是自然语言这条路相对结构化检索最实在的优势：否定条件很难塞进筛选面板，但一句话里说它是最自然的。

另一种是对入围名单逐家做一次 AI 深挖。深挖会围绕一家具体企业去回答「它究竟在做什么、这条产品线的能力信号如何」，并对照公开信息做核实。它慢，单次要三十秒到一分半钟，也是五个能力里单价最高的一个，但它解决的是最贵的问题：把一个销售派出去拜访一家不对路的企业，成本远高于一次核实。

47 家里挑 20 家做深挖，按公开价目算是五元钱。这五元钱换回来的是二十份「这家到底做不做我们这行」的判断——而在没有这一层的时候，这个判断是靠销售打完电话之后自己得出的，代价是二十通电话和二十次失望。更重要的是，失望是有累积效应的：一个销售连续打空十通电话之后，第十一通的状态一定不如第一通。名单的干净程度，最终影响的是人的士气。

七、案例四：找到那批做出口的工厂

第四个案例的主角，卖的不是给工厂用的设备，而是给工厂用的服务——跨境物流、海外仓、出口合规认证。这类销售的目标客户有一个共同特征：它得真的在做出口。一家只做内销的工厂，无论规模多大，都不是客户。

「有没有出口业务」这个条件，在任何一个通用的企业信息网站上都很难筛。它不写在营业执照上，通常要靠海关记录、外贸资质、或者企业自己披露的信息去拼。销售实际的做法往往是猜：看公司名里有没有「进出口」，看官网有没有英文版，看产品图上有没有认证标志。猜的准确率可想而知。

以浙江慈溪为例，这是中国最密集的小家电产业带之一，从取暖器、吸尘器到咖啡机，整条配套链在一个县级市里基本闭环。平台上慈溪市命中「家用电器」的工厂是 4,564 家；其中标注有外贸业务的是 1,201 家，占比约四分之一。

这个四分之一很重要。它意味着如果这位销售按「慈溪 + 家电」去做名单，四分之三的电话是白打的；而先卡住外贸这一条，同样的通话时长，命中率直接翻了四倍。对一个按周计算产出的销售来说，这不是效率优化，这是能不能完成指标的区别。

继续收敛：1,201 家里带决策人直连联系方式的有 686 家；把参保人数五十人以上也加上，剩下 260 家。260 家是这条产业带上「有出口、有规模、能找到人」的全部，一个销售用两到三个月可以完整覆盖一遍。覆盖一遍之后，他对慈溪这个市场的了解会超过绝大多数同行，因为同行手上永远只有随机的一部分。

全国范围内，天下工厂平台上有外贸业务的工厂是 108 万家。这个数字对做外向型服务的销售意味着一件事：目标客户池是明确可数的，不是一个抽象的「中国制造业」。有了分母，配额、人力、投放预算就都有了计算的依据；没有分母的时候，这些数字全是拍出来的。

这个案例还顺带说明了一件事：结构化检索的条件里没有「是否做出口」这一项——它属于那种「说得清但填不进表头」的条件，正是自然语言检索存在的理由。一句「慈溪做家电、有出口业务、五十人以上的厂」，比在筛选面板里找一个不存在的复选框要快得多。这也是我们建议销售先用自然语言问一轮的原因：你不需要事先知道系统支持哪些筛选项。

八、案例五：没有 MCP 的老系统，怎么把线索池补全

前四个案例的主角都是人。第五个案例的主角是一套系统。

很多制造业销售团队用的客户管理系统是好几年前上的，有的甚至是自研的。这类系统里通常躺着几千到几万条线索，来源五花八门：展会扫码、网站表单、销售自己录的、买来的名录。它们的共同问题是信息残缺——只有一个公司名和一个座机号，没有规模、没有行业、没有决策人，因此也没法排序，只能按录入时间倒序，谁新打谁。

按录入时间排序，等价于随机排序。一个销售团队最宝贵的资产就这样以随机顺序被消耗掉。

这类系统接不了 MCP，它们没有 AI 助手，也不打算有。但它们能发 HTTP 请求。

开放平台的五个能力同时提供普通的 REST 接口，入参和返回与 MCP 完全一致。一段几十行的脚本就能做完这件事：读出系统里的公司名，逐条调用工厂检索匹配，命中之后取详情补齐档案，把规模、行业、地域、经营状态写回去。原来无法排序的线索池，一夜之间有了排序依据。

这里有三条节奏上的规矩值得记住，它们决定了这类批量作业能不能跑得完：

  • 联系方式对同一家企业重复解锁是免费的。这条规则的实际意义不是省钱，而是断点续跑安全——脚本跑到一半挂了，重跑不会被重复计费，因此可以放心地写成可重入的。
  • 联系方式接口有每秒一次、每天五百次的节奏限制。五百次一天听上去不多，但它对应的是一天五百家新企业的决策人触达能力，任何一个销售团队都消化不完。
  • 批量作业要串行，不要并发。配额是按应用算的，并发只会让限流更早出现，总时长并不会变短。

对一个技术资源有限的销售团队来说，这一段的价值在于：它不需要换系统。不用把客户管理系统换成新的，不用等信息部门排期做集成，一段脚本、一把密钥，存量线索池就能被盘活。很多公司在讨论「AI 转型」的时候，想的是换一套新系统；而这个案例说明，第一步其实是把手上已有的数据补全。

九、案例六：把这套能力装进销售自己的助手

最后一个案例最短，但它是前面五个的前提。

天下工厂在 2026 年 7 月底发布了官方 Agent Skill，仓库公开在 GitHub 上。对于支持 Skill 机制的 AI 助手，安装是一行命令的事：

npx skills add InequalTech/china-factory-search

装完之后，助手就知道这五个工具分别在什么时候用、参数怎么填、返回怎么读、报错怎么处理。销售侧要做的只剩下一件事：用中文把需求说清楚。

同期，这个 MCP 服务已经登记在 MCP 官方 Registry 上，主流的 MCP 目录会从那里同步。也就是说，用户不需要事先知道天下工厂这个名字，也可能在自己的助手里发现这个工具——这是开放生态的常规路径，也是这类基础设施与传统软件最不一样的地方：分发不再依赖销售，依赖的是被别的 AI 找到。

有两条使用上的注意事项，写在这里省得踩坑。

第一，检索关键词要用简体中文。底层的工厂档案是中文的，把英文词直接扔进去，召回会差很远；正确的做法是先译成中文再检索，结果再按用户的语言呈现回去。这条对海外用户尤其关键——事实上这也是这个 Skill 优先做英文版的原因：海外买家和贸易商找中国供应商时，最缺的正是这一层翻译，他们知道自己要什么，但不知道这个东西在中国的工商语汇里叫什么。

第二，先用沙箱密钥把链路跑通。平台提供一把公开的沙箱密钥，调用零扣费、返回固定的样例数据。它的用途是在真正花钱之前确认「助手确实调通了」——链路问题和数据问题是两类问题，混在一起排查会浪费很多时间。当然，沙箱返回的样例数据绝不能当成真实工厂数据拿去用。

十、六个案例的共同结构：三次位移

把六个案例并排看，会发现它们描述的是同一件事的六个侧面。销售获客这个动作，发生了三次位移。

第一次位移，入口从「网站」移到了「对话」。

老陈原来的工作起点是打开浏览器，现在是在助手里说一句话。这个变化看起来只是省了几次点击，实际改变的是注意力的归属。当找客户这件事不再需要离开当前的工作环境，它就从一个「需要专门抽时间做的任务」，变成了「随时可以插一句的动作」。写方案写到一半想确认一下这个区域还有多少目标客户——过去这个念头会因为切换成本太高而被放弃，现在它值一句话。

这一点对工具厂商是有含义的：当能力可以被任意一个 AI 助手调用时，「用户在哪个界面里」就不再是护城河了。留得住用户的只剩下数据本身的质量。这对做数据的公司是压力，也是解脱。

第二次位移，成本从「人天」移到了「按次计价」。

这是六个案例里最硬的一条。老陈的一个上午，按销售的人力成本折算，是一个三位数的数字；而同样一份名单，按公开价目算是几毛到几块钱。这不是「便宜了一点」，这是量级的改变，而量级的改变会带来行为的改变：当一份名单只值几块钱的时候，销售会为了一个还不确定的想法去拉一份名单，而不是像过去那样，非得等到很确定了才肯投入一个上午。

试错成本降下来之后，销售的动作会自然地从「精挑细选之后重仓一次」变成「多试几个方向再收敛」。后者在大多数市场里都是更优的策略，因为制造业的细分赛道太多，没有人能靠先验判断准确地挑中一条。

第三次位移，分工从「人做全部」移到了「人做判断」。

这一条最容易被误读，所以要说得准确一点。六个案例里，AI 做完的部分是：检索、翻页、去重、补全、初步核实。没有做的部分是：决定要打哪个市场、决定这 34 家里先打哪一家、决定第一通电话怎么开口、以及最后把单子谈下来。

案例二里那份 1,707 家的名单是机器给的，但「我们应该先做苏州和无锡」这个判断是人做的——机器只是把苏州 680 家、无锡 327 家这两个数字摆在了桌上。案例三里的 47 家是机器筛的，但「今年展会去山东」这个决策是人做的。

AI 接管的是「把可能性穷举出来」，人保留的是「在可能性里下注」。这个分工线是清晰的，而且短期内不会移动。

值得补一句的是，这三次位移里，第二次是因，另外两次是果。入口之所以能迁移到对话里，是因为一次检索便宜到不值得为它专门打开一个网站；分工之所以能重排，是因为穷举可能性的成本降到了可以随手做的程度。所有关于 AI 改变工作方式的讨论，最后都会落回单位成本这一个变量上。

十一、一个反例：名单对了，动作没跟上

上面六个案例都是顺着讲的。为了不让这篇文章变成一份广告，这里放一个反例——它在真实的推广过程中出现过不止一次。

一个销售团队拿到了一份质量很高的名单，一千七百家，字段齐全，排序合理。三个月后复盘，转化率比过去没有明显提升。

复盘的结论不在名单上。第一，触达动作没变：还是打电话，还是那套「我们是做某某系统的，想问一下贵司有没有这方面需求」的开场白。名单变准了，但开场白依然让对方在十秒内挂断。第二，跟进节奏没变：打完一轮就算完成任务，没有第二次、第三次触达，而制造业的采购决策周期常常是以季度计的，一次触达的意义几乎为零。第三，反馈没有回流：销售打完之后没有把「这家其实已经上过系统了」这类信息写回去，于是同一批名单第二轮又被完整地打了一遍。

这三件事，没有一件是数据能解决的。

把这个反例写出来，是因为它指向一个更普遍的误判：当一个环节被显著改善之后，人们容易把整条链路的期待都寄托在它身上。 名单质量是获客链路的第一环，它从「糟糕」变成「优秀」，能带来的提升上限，取决于后面几环的水平。如果后面几环仍然是随机的，那么前面做得再准，最终结果也只是「更快地随机」。

反过来说，这也是这套工具真正的用法：它把销售从整理名单里解放出来的那几个小时，应该花在改开场白、设计跟进节奏、以及把反馈写回系统上——这三件事过去没时间做，现在有了。如果省下来的时间只是被用来打更多的电话，那这次升级的收益会被浪费掉一大半。

十二、成本账：一份名单到底多少钱

研究院文章不该回避价格，因为价格本身就是判断这件事能不能规模化的关键变量。按 2026 年 8 月的公开价目（具体数字以文档中心的实时口径为准，此前调整过一次）：

一次工厂检索约两毛钱，一次工厂详情约一毛钱，一次联系方式约两毛钱且同一家企业重复解锁免费，一次 AI 深挖约两毛五，一次自然语言检索约一毛钱。计费按调用次数算，与单页返回多少条无关——所以每页取满 50 条是唯一合理的做法，取 20 条等于为同样的数据多付一倍半的钱。

把前面几个案例的账算出来：

  • 案例一：宁波注塑模具 430 家，全量导出需要 9 次检索，约 1.8 元；最终对 34 家入围企业解锁联系方式，约 6.8 元。这条区域拓客线的数据成本合计不到 9 元。
  • 案例二：江苏省符合画像的 1,707 家，全量导出需要 35 次检索，约 7 元。若要把整个苏州市 12,290 家按区县切片导完，约 247 次检索，约 49 元。
  • 案例三：47 家的邀约名单，检索成本可以忽略；对其中 20 家做深挖核实，约 5 元。
  • 案例四：慈溪 1,201 家出口型家电厂，全量导出 25 次检索，约 5 元。

这些数字放在一起，结论是清楚的：在这个价位上，数据成本已经不是销售获客的主要成本项了。一个销售一个季度的数据开销，可能还不如他一次差旅的高铁票。真正贵的仍然是人的时间——而这恰恰说明，把人的时间从检索和整理里解放出来，是划算的。

需要提醒的是相反的一面：单价低会诱发一种浪费，就是不加思考地拉大名单。把三万九千家全导出来，花掉的钱不多，但导出来之后没人打，它就只是一个更大的表格。案例二里真正创造价值的不是 39,747 这个数，而是收敛到 1,707 的那两步。名单的价值不在长度，在于它被打完的概率。

十三、边界：这套东西做不到的五件事

一篇只讲好处的文章不值得信任。把边界写清楚，比多讲一个案例更有用。

第一，它不判断意向。检索能告诉你哪些企业符合画像，不能告诉你哪家现在正好要买。制造业的采购周期以季度甚至年计，任何声称能预测意向的说法，在这个行业里都需要被审慎对待。名单解决的是「打给谁」，不是「谁会买」。

第二，纯关键词检索一定带噪声。案例三里已经说过：造设备的、用设备的、给设备做配套的，在工商措辞里往往难以区分。这不是可以靠调整某个参数解决的问题，它是语言本身的模糊性。缓解手段是自然语言检索与深挖核实，但不存在百分之百干净的名单。

第三，数据有时间差。工商信息、参保人数、经营状态都有更新周期，一家上个月刚注销的企业可能还在名单里。名单是一份高质量的起点，不是一份实时快照。销售在第一通电话里花十秒确认对方还在正常经营，永远是划算的。

第四，联系方式不等于接通。平台上有超过 300 万家工厂带决策人直连联系方式，但号码存在、号码是本人、本人愿意接、接了愿意聊，是四件不同的事。案例一里 430 家中有 299 家可触达，这个七成是「有号码」的七成，不是「打得通」的七成。任何把前者说成后者的宣传，都应该被打折扣。

第五，也是最重要的一条：它不会替销售把单子谈下来。制造业的采购决策依赖信任，而信任建立在拜访、样品、试用、账期谈判这些具体的动作上。AI 能把销售送到正确的门口，敲门和进门之后的所有事，仍然是人的工作。任何把这一层也承诺出去的说法，都应该被当作营销话术看待。

还有一条不算边界、但值得预告的判断：当采购方的 AI 和销售方的 AI 都接上了同一份工厂花名册，双方的信息不对称会同时下降。这对靠信息差吃饭的中间环节不是好消息，对真正有产品力的工厂和真正懂产品的销售是好消息。这个变化才刚刚开始，值得长期跟踪。

十四、给三类人的行动清单

如果你是销售团队负责人，先做案例二那件事——把你们的客户画像翻译成一次检索，看看分母到底有多大，再看看收敛两步之后剩多少。这个数字会直接告诉你，现在的人员配置是产能不足还是市场不够。它比任何一份第三方行业报告都贴近你的实际业务，因为它算的就是你的客户。算完之后，再对照过去一年的实际触达量，你大概率会发现覆盖率低到出乎意料。

如果你是一线销售，从案例一开始，只做一件事——把你负责的区域和品类，用一句话问一次，把全量数字拿到手。你大概率会发现自己一直在一个远小于真实盘子的子集里打转。先看见全貌，再谈效率。看见全貌这件事本身就有价值：它会改变你对「这个市场做不动了」这句话的判断。

如果你是软件商或者服务商，案例五是给你的。你的产品不需要变成 AI 产品，只需要让它手上的线索池不再残缺。REST 接口意味着这件事不依赖任何前沿技术栈，一段脚本和一把密钥就够了。而如果你的产品本身就是给制造业用的，把工厂检索能力嵌进去，比自己从头攒一份工厂库要现实得多。

十五、结语：花名册终于可以被程序读了

制造业销售这一行，长期以来的难处不在于不够努力，而在于它的工作对象——四百八十万家中国工厂——从来没有以一种机器可读的方式存在过。于是每一个销售都在用自己的方式，重复地、低效地、一家一家地把它手工重建一遍。仅在天下工厂平台上注册的销售就超过十万人，每人每周花掉的那几个上午加起来是一个惊人的数字，而这些劳动产出的东西，彼此之间没有任何复用。

这篇文章里的六个工作流，本质上都在做同一件事：把这份重建工作做一次，然后让所有人调用。

它没有让销售这份工作变得轻松——名单变长之后，要打的电话只会更多。它改变的是努力的落点：从「找到人」的努力，变成「说服人」的努力。前者是可以被程序替代的，后者不是，而且大概永远不会是。

对一个真正懂自己产品的销售来说，这是个好消息。

数据来源与主要参考

本文中所有工厂数量、区域分布与筛选后的收敛结果，均为 2026 年 8 月 4 日在天下工厂平台上的实际检索结果，可在平台上复核；案例中的人物与企业情境为行业典型场景的合成，不指向具体客户。开放平台的能力清单、计费口径、分页与调用频率限制以官方文档中心的实时口径为准。

  • 天下工厂产业平台——中国工厂数据库与产业链数据，本文全部工厂数量与分布数据的来源
  • 天下工厂开放平台文档中心——五项能力的接口规格、计费与调用限制
  • 天下工厂开放平台批量导出最佳实践——案例二中分页上限与切片方法的依据
  • china-factory-search Agent Skill 仓库——案例六中的安装方式与使用规则
  • Model Context Protocol 官方文档与服务登记表（modelcontextprotocol.io）——MCP 协议规范与服务登记
  • 工业和信息化部专精特新「小巨人」企业公示名单——案例二中专精特新企业标签的数据依据
  • 国家统计局国民经济行业分类——案例二中通用设备制造业的类目划分依据
  • 国家企业信用信息公示系统——工商注册、注册资本与经营状态字段的原始口径
  • 封面图：智能制造基地装配线，摄影者 Baitutai，经 Wikimedia Commons 以 CC0 公共领域贡献方式发布