原始标题: 264 | AI That Sells: How to Automate Lead Gen, Sales Calls & Newsletters Without Losing Your Voice with Sabahudin Murtic

发布日期: 2026-02-03 | 来源频道: @leveraging-ai

📝 深度摘要

1. 播客概览与访谈元数据

嘉宾画像与 AI 背景：Sabahuddin Murtik | Nomad Visionaries Group 联合创始人。这是一家帮助创始人在 LinkedIn 上触达目标受众、推动业务增长的机构。Sabahuddin 同时也是 Relay（领先的工作流自动化平台）的认证合作伙伴，在 AI 驱动的内容创作和销售自动化领域拥有两年多的实战经验。他强调自己并非 AI 专家，而是持续学习者，通过与 AI 反复对话来构建适合自己的自动化系统。

主题与行业坐标：本期节目聚焦于 AI 销售自动化全链路实战，涵盖三个核心场景——利用 AI 节省内容创作时间、通过意图识别获取精准销售线索、以及构建智能化销售话术准备系统。内容直接冲击 B2B 销售自动化、LinkedIn 获客优化、以及个人品牌内容生产效率等具体领域。

深层结构性痛点：传统销售和内容生产流程中存在三大效率瓶颈：第一，内容创作者难以将个人故事与商业内容自然连接，导致新闻简报打开率低；第二，销售团队无法高效识别和跟进高意向潜在客户，浪费大量人工筛选时间；第三，销售人员在电话前缺乏针对每个客户的个性化准备，导致转化率受限。Sabahuddin 在节目中展示了自己如何用 AI 工作流系统性解决这三个问题。

核心结论 (TL;DR)：AI 自动化价值的衡量标准只有三个维度——时间（Time）、金钱（Money）和专注力（Focus）。通过 Relay 平台构建的三个真实工作流——视频转新闻简报自动生成系统、基于意图的潜在客户挖掘系统、以及表单驱动的销售话术自动生成系统——可以分别实现内容生产效率提升、销售线索质量优化、以及销售转化率提高。Sabahuddin 在节目中公开分享了所有模板和提示词，听众可以直接导入 Relay 并根据自身业务定制使用。

2. 核心工作流拆解

2.1 工作流一：视频转新闻简报自动生成系统（节省时间）

痛点与背景：Sabahuddin 每周需要录制一到两个业务相关视频，并将其转化为新闻简报发布。他的新闻简报有一个核心特色——每期开头必须讲述一个真实的个人故事，通过故事情感连接来提高打开率和转化率。传统做法是手动在个人故事库中搜索、挑选、然后硬性拼接，这极其耗时且效果不佳。他的核心痛点是：如何将个人故事与业务主题自然桥接，这是他以前花费最多时间的环节。

AI 解决方案与架构：

组件 工具选择 作用
视频录制 Tela（类 Loom 工具，功能更丰富） 录制业务视频，生成转录稿
触发机制 Tela Playlist 当视频放入特定播放列表时触发自动化
故事库 Google Docs（Story Doc） 存储个人故事（童年、高中、DJ 经历等）
故事匹配 Claude（配合定制提示词） 分析转录稿，从故事库中匹配最佳故事角度
内容生成 Cloud（API 直连） 生成新闻简报正文和标题
人性化处理 自定义提示词 去除 AI 浮夸用语、套话、hashtag 等
图片生成 Gemini Nano Banana（API） 生成与内容匹配的信息图

工作流对比地图：

  • 传统模式：人工录制视频 → 手动在 Google Doc 中浏览过去写的故事 → 凭感觉挑选一个 → 手动复制粘贴到新闻简报开头 → 调整衔接句 → 通读全文修改 AI 痕迹 → 手动配图 → 发布。反馈周期长，每次都需要 1-2 小时手动操作，且故事与内容连接往往生硬。

  • AI 赋能模式：视频放入 Tela 播放列表（触发）→ Claude 自动分析转录稿内容 → 在 Story Doc 中搜索匹配度最高的个人故事 → 生成故事与业务内容的桥接文案 → Cloud 模型生成完整新闻简报 → 人性化提示词去除 AI 痕迹 → Nano Banana 生成配图 → 自动推送到 Notion 发布。人工介入仅在最终审核环节，全流程可控制在 15 分钟内。

像素级执行步骤：

步骤 1：设置触发条件

  • 在 Tela 中创建特定播放列表（如「Newsletter Trigger」）
  • 将「自动触发」设置为：当视频被放入该播放列表时启动 Relay 工作流
  • 设计原理：Sabahuddin 不希望每个视频都触发自动化（避免浪费积分），而是完全掌控何时需要生成新闻简报

步骤 2：构建个人故事库（Story Doc）

  • 准备一个 Google Doc，持续记录个人故事
  • Sabahuddin 的做法：每天写一个故事（关于童年、高中、当 DJ 的经历等）
  • 故事类型应多元化，确保 AI 有足够素材匹配不同业务主题
  • 建议库存：至少 10 个故事可覆盖一周左右的更新需求

步骤 3：开发故事匹配提示词（核心难点）

  • 目标：让 AI 分析视频转录稿，然后在 Story Doc 中找到最佳匹配故事
  • 匹配标准包括五个维度：
    • 情感共鸣：故事是否能传递 lesson（教训/感悟）
    • 主题对齐：故事与业务内容是否共享核心原则
    • 意外连接：能否用令人惊讶的方式桥接故事与主题
    • 真实性：该故事是否符合讲述者的自然风格
    • 新鲜度：避免重复使用同样的三四个故事
  • Sabahuddin 的做法：与 Claude 进行多轮对话，充分输入个人背景和故事内容，让 Claude 帮他写出这个提示词。最终产出是一个四页长的超级详细的提示词。关键洞察：最好的提示词工程师是 AI 本身，你需要做的只是给它足够的上下文，然后反复迭代优化。

步骤 4：生成新闻简报正文

  • 输入材料：Story Doc 示例、Newsletter 框架、Tone of Voice 文档、视频转录稿、匹配到的故事
  • 使用模型：Cloud Summit 4.5（Sabahuddin 推荐用于写作任务）
  • 成本优化技巧：在 Relay 中连接自己的 API Key（而非使用平台积分），可节省约 30% 成本。例如平台可能收取 30 美分/百万 token，自己接入 API 只需 20 美分
  • 核心提示词设定：要求 AI 保留原始说话风格，不重新发明语调，因为转录稿本身已经是最真实的人声表达

步骤 5：人性化处理（去 AI 痕迹）

  • 设计专门的「人性化提示词」，列出 7 条「必须做」和 10 条「禁止做」
  • 必须做：使用主动语态、保持简洁、加入具体例子等
  • 禁止做：避免套话（如「首先」「最后」）、避免陈词滥调、避免 hashtag、避免 markdown 格式等
  • 这一步可将审核时间缩短 80%

步骤 6：自动生成配图

  • 将新闻简报主题和内容摘要发送给 Nano Banana（或其他图像生成 API）
  • Nano Banana 会返回图片链接
  • Relay 自动抓取链接并将图片插入到 Notion 中的新闻简报页面

实际案例展示：Sabahuddin 展示了两个成功案例。第一个故事关于他高中时做建筑绘图兼职——同学请他画图，他不追求艺术设计，而是追求快速、清晰、干净。这个故事桥接到「你的最佳内容已经写好了（LinkedIn 帖子、DM 对话），但如果读者无法在 0.3 秒内扫视完，你就失去了他们」这个主题。第二个故事更有创意——用他年轻时当 DJ 的经历，桥接到 LinkedIn DM 写作技巧。主题句是「那个拯救了我派对的 DJ 技巧，修复了我的 DM」，开头写道：「我们在派对上试图让夜晚嗨起来，学东西太快。你不能强行营造氛围。如果观众累了，你不该放硬核 techno。如果他们正在嗨，别放慢节奏。你要观察、倾听，然后移动。」然后桥接到「大多数人的 LinkedIn DM 写得就像一个差劲的 DJ」。这类意外连接正是 AI 擅长的能力。

2.2 工作流二：基于意图的潜在客户挖掘系统（创造收入）

痛点与背景：传统销售漏斗的起点是无差别外展——在 LinkedIn 上随机给人发消息，期待有人回复。这种方式回复率极低，浪费大量时间。Sabahuddin 的核心洞察是：AI 无法帮你发现意图，发现意图必须依靠你对业务的深刻理解。你需要主动识别哪些人已经对你的服务领域表现出兴趣（评论了你的帖子、参加了你的 LinkedIn 活动、在竞争对手的内容下活跃），然后再用 AI 来规模化处理这些高意向线索。

AI 解决方案与架构：

组件 工具选择 作用
意图来源 LinkedIn 帖子/竞争对手帖子/LinkedIn 活动 获取已对特定话题表现出兴趣的用户
线索抓取 Relay LinkedIn 集成 提取评论者、点赞者信息
ICP 筛选 自定义提示词 + Claude 根据理想客户画像筛选潜在客户
去重 Relay 去重逻辑 移除同时评论和点赞的重复用户
线索存储 Google Sheets 存储所有合格线索
personalized DM（可选） 自定义提示词 为每个线索生成个性化消息

工作流对比地图：

  • 传统模式：手动浏览 LinkedIn → 凭印象挑选潜在客户 → 手动查看对方资料 → 手动编写个性化消息 → 手动发送。每天只能处理 10-20 个潜在客户，且质量参差不齐。

  • AI 赋能模式：选择一个你的核心offer相关的高互动帖子（或竞争对手的帖子）→ Relay 自动抓取前 50-100 条评论 → 自动去重 → AI 循环逐个分析每个人是否符合 ICP → 符合的存入 Google Sheets。可在 10 分钟内完成过去一天的工作量。

像素级执行步骤：

步骤 1：定义意图来源

  • 选项 A：你自己发布的内容中涉及核心 offer 的帖子（漏斗底部内容）
  • 选项 B：竞争对手发布的关于你服务领域的帖子
  • 选项 C：LinkedIn 上的行业活动
  • 选项 D：相关公司的页面
  • 核心原则：必须先有人工事先判断哪些帖子代表真实意图，AI 无法替你做这件事

步骤 2：配置 ICP（理想客户画像）筛选条件

  • 基于 LinkedIn 可获取的信息设计 ICP：
    • 职位层级：CEO、COO、VP of Sales 等
    • 行业：与你服务相关的行业
    • 地理位置：Sabahuddin 只选择北美和欧洲（因为时区和语言原因）
    • 公司规模：LinkedIn 可获取
  • 关键限制：LinkedIn API 提供的信息有限（公司规模、地理位置、历史、当前职位），不要设计 AI 无法验证的 ICP 条件

步骤 3：抓取评论和点赞

  • 在 Relay 中设置 LinkedIn 集成
  • 设置抓取数量上限（Relay 限制 50-100 条）
  • 去除同时评论和点赞的重复用户

步骤 4：AI 循环筛选

  • 对每个用户运行一次 ICP 匹配判断
  • 输出结构化结果：是否符合 ICP + 详细解释原因
  • 将所有结果存入 Google Sheets

步骤 5：生成个性化 DM（可选进阶）

  • 如果 ICP 匹配数量不多，Sabahuddin 建议手动跟进每个联系人
  • 如果需要自动化，可在提示词中输入：联系人背景、他们的评论内容、你的个人故事/免费资源库
  • AI 会生成这样的 DM：「我看到你对 XX 话题发表了见解。我有一个关于 XX 的播客系列，已经做了三年，覆盖了 XX、XX 等主题，也许对你有帮助……」
  • 重要提示：Sabahuddin 建议不要在第一条消息中提及具体评论内容（人们会认为是 AI 批量发送的），而是泛泛表达对其内容的欣赏，然后附上价值型资源

避坑指南：

  • LinkedIn 对自动化消息管制严格，违规可能导致封号。Sabahuddin 曾被警告两次，第二次已到「再犯即封」的程度
  • 市场正在快速变化，越来越多的人能识别 AI 生成的套路消息
  • 建议将 AI 用于研究环节（筛选和背景调查），而将消息发送交给人工或半人工操作

2.3 工作流三：表单驱动的销售话术自动生成系统（时间+金钱+专注力三位一体）

痛点与背景：当潜在客户在官网填写表单预约咨询时，销售团队通常只有有限的信息（姓名、邮箱、公司）。在通话前，销售人员需要花大量时间研究这个人的背景、准备针对性问题、设计销售策略。Sabahuddin 的系统可以自动完成这一切，让销售人员在通话前拿到一份完整的个性化准备脚本。

AI 解决方案与架构：

组件 工具选择 作用
表单 自定义表单（官网） 收集潜在客户的关键信息
触发 表单提交 启动 Relay 工作流
线索丰富化 LinkedIn Profile Scraper + 网站抓取 获取客户公开信息
AI 研究 Claude 分析客户背景并生成洞察
话术生成 自定义提示词 结合销售框架和客户洞察生成通话脚本
CRM 同步 HubSpot + 其他销售 CRM 存储线索和通话记录

工作流对比地图：

  • 传统模式：客户填表 → 销售收到邮件通知 → 手动搜索客户 LinkedIn → 手动浏览其内容 → 凭记忆准备问题 → 通话。准备时间 30-60 分钟，且信息不完整。

  • AI 赋能模式：客户填表（包含 3 个核心问题 + 预算意愿）→ Relay 自动抓取客户 LinkedIn 和网站 → AI 分析生成 2 页背景报告 + 完整通话脚本 → 销售在通话前 30 分钟阅读 → 高度自信地进入通话。准备时间压缩到 5 分钟，信息完整度提升 10 倍。

像素级执行步骤：

步骤 1：设计高价值表单

  • 传统表单只用选择题和下拉菜单（因为过去只有结构化数据才能处理）
  • AI 时代的表单设计：加入开放式文本字段，让客户用自然语言描述他们的痛点和目标
  • Sabahuddin 的表单字段设计：
    • LinkedIn Profile URL（用于抓取背景）
    • 公司网站（用于补充信息）
    • 三个核心问题（你面临的最大挑战是什么？你期望 90 天后的成功是什么样子？用一句话描述你的产品需求？）
    • 目标受众一句话描述
    • 预算意愿（是/否）——这是一个关键的筛选标准
  • 设计理念：预设选项用于快速筛选（如预算是否准备充分），开放式问题用于获取深度背景（AI 可以理解这些文本）

步骤 2：网站 URL 标准化

  • 客户填写的网站 URL 格式可能不统一（如有/无 HTTPS、有/无 www）
  • 工作流中加入标准化处理：如果没有 HTTPS 自动补充，如果以 www 开头则补充 HTTPS
  • 确保后续抓取不会因为 URL 格式问题失败

步骤 3：自动线索丰富化

  • 使用 LinkedIn Scraper 获取客户的：职位、公司规模、地理位置、工作历史
  • 抓取客户公司网站的公开信息
  • 获取客户近期发布的 LinkedIn 帖子内容
  • 所有信息汇总后输入 AI

步骤 4：生成个性化销售话术

  • 输入材料：
    • 客户填写的表单内容
    • 客户 LinkedIn 背景信息
    • 客户公司信息
    • 销售话术框架模板（Sabahuddin 分享了他的框架）
    • Offer 文档
  • 生成的输出包括：
    • Micro Report：客户背景摘要
    • 开场白：基于客户兴趣点的破冰话术
    • 议程设置：25 分钟通话的流程安排
    • 关键问题列表：基于表单中提到的痛点设计的探询问题
    • 痛点放大问题：间接导致客户承认痛点严重性的问题
    • 目标确认问题：确认客户期望的具体结果
    • 承诺度评估：用 1-10 分量表评估客户解决该问题的意愿强度
    • 信心声明：基于客户情况定制的价值主张
    • 成交问句：引导客户进入下一步的封闭式问题

实际输出示例：Sabahuddin 用主持人 Isar 演示了系统生成的脚本。开场白是：「Hey Isar，很高兴见到你。本周过得怎么样？我看了 Leveraging AI 播客的那一期，你关于『从基础提示词转向实际业务成果』的观点让我很有共鸣。」议程设置是：「接下来的 25 分钟，我会问你几个问题来了解你的业务状况，然后我们会讨论……」。关键问题包括：「你提到外展策略目前进展如何？主要问题是没有回复吗？你之前尝试过哪些解决方案（个人资料调整、内容策略等）？这个问题持续多长时间了？你现在最想解决哪个问题？」

步骤 5：CRM 同步与通知

  • 将完整线索和话术同步到 HubSpot（用于已有通话记录的高价值客户）
  • 同时同步到轻量级销售 CRM（用于教练、顾问等较小规模的客户）
  • 自动发送邮件通知销售联合创始人：有新表单提交，附上完整通话脚本
  • 销售在通话前 30 分钟阅读脚本，即可自信地进入通话

关键洞察：

  • 这个工作流完美结合了「时间」「金钱」「专注力」三个维度
  • 时间：30-60 分钟的准备时间压缩到 5 分钟
  • 金钱：更好的准备带来更高的转化率，直接增加收入
  • 专注力：销售人员可以专注于通话本身，而非一边通话一边临时想问题

3. 关键洞察与商业启示

洞察一：AI 自动化价值的唯一衡量标准是 Time、Money、Focus 三角。Sabahuddin 在销售自己的 AI 服务时，从不用「每小时多少钱」报价，而是计算客户当前任务每年消耗的时间 × 时薪 = 年度损失，然后用这个数字的 10% 作为服务定价。例如客户每年在某项任务上损失 10,000 美元，他就报价 1,000 美元。这个定价方式让客户无法拒绝，因为它直接展示了 ROI。

洞察二：构建提示词的最佳方式是让 AI 帮你写提示词。Sabahuddin 反复强调，他花了大量时间与 Claude 反复对话，输入自己的个人背景、故事、写作风格、目标，然后让 AI 产出提示词。人类无法一次性写出完美的复杂提示词，但通过多轮迭代可以。这揭示了一个重要的 AI 使用哲学：给 AI 足够的上下文，然后让它帮你优化工作流程。

洞察三：意图发现必须由人工事先完成，AI 无法替代。在基于意图的潜在客户挖掘中，Sabahuddin 特别强调：你必须自己判断哪些 LinkedIn 帖子代表了真实意图（竞争对手的帖子、你自己的高价值内容、行业活动），然后让 AI 去规模化处理这些已识别的高意向人群。AI 可以帮你筛选和研究，但它无法替你判断「谁真正有需求」。

洞察四：LinkedIn 自动化风险在上升，谨慎使用。Sabahuddin 分享了他被 LinkedIn 警告两次的经历，第二次已经是「再犯即封」的严厉警告。市场对 AI 生成的消息越来越敏感，他建议将 AI 重点用于「研究和筛选」环节，而非「发送」环节。

洞察五：瓶颈思维是构建 AI 工作流的核心方法论。主持人 Isar 在总结时提出了一个通用框架：每个业务流程都有瓶颈，AI 工作流的目的不是一次性解决所有问题，而是逐个拓宽瓶颈。每次拓宽一个瓶颈后，企业的整体吞吐量就会提升，然后下一个瓶颈自然浮现。周而复始，企业可以用相同的资源做更多的业务。

4. 决策者行动指南

切入点战略（Beachhead Strategy）：

对于企业决策者或个人，强烈建议从 工作流三（表单驱动的销售话术生成系统） 入手，理由如下：

  • ROI 最快显现：任何有官网和表单的企业都可以立即部署
  • 摩擦最小：不需要改变现有业务流程，只需在现有表单后增加自动化
  • 效果最直观：从「30 分钟准备时间」到「5 分钟阅读脚本」的效率提升可以直接感受到
  • 数据积累：每次通话后的反馈可以不断优化提示词

资源配置清单：

资源类型 具体需求 推荐优先级
工具订阅 Relay 账户（连接自己 API Key 以节省成本） 必须
工具订阅 Tela 视频录制工具（或 Loom 替代） 推荐（工作流一）
工具订阅 Claude API 或 Cloud API 必须
工具订阅 Nano Banana（图像生成） 可选
技能学习 提示词迭代优化能力（与 AI 反复对话） 必须
技能学习 ICP 定义能力（理解什么样的客户是你的理想客户） 必须
技能学习 销售话术框架设计（Sabahuddin 公开了模板） 推荐
数据准备 建立个人/公司 Story Doc（至少 10 个故事） 必须（工作流一）
数据准备 整理历史新闻简报案例和框架 必须（工作流一）
数据准备 整理销售话术模板和 Offer 文档 必须（工作流三）

执行路线图：

  • 第 1 周：注册 Relay 账户，导入 Sabahuddin 公开的模板，修改为自己的内容
  • 第 2 周：优化表单设计，加入开放式问题
  • 第 3 周：调试提示词，测试完整流程
  • 第 4 周：开始实战，记录转化率变化，持续优化

5. 经典金句

“The best prompt engineer is AI. I never even going to came up with this to be real in all of us.”

「最好的提示词工程师就是 AI。我自己绝对想不出这些复杂的提示词。」—— Sabahuddin 在分享他如何通过与 Claude 多轮对话构建出四页长的精准提示词时如是说。这句话揭示了一个核心洞察：人类不需要成为提示词专家，需要的是给 AI 足够的上下文，然后让它帮你优化工作流程。

“Every business and every process in the business has bottlenecks. These bottlenecks are what slows the business down. So you build a process that maybe doesn’t completely solve the bottleneck, but definitely widens the bottleneck.”

「每个企业的每个流程都有瓶颈。这些瓶颈就是拖慢业务的原因。所以你构建的工作流不需要一次性完全解决瓶颈，只需要拓宽它。」—— Isar 在总结时提出的 AI 实施方法论，强调迭代式优化而非一步到位的完美主义。

📺 播客地址

播客时长: 52分钟