用AI自动给B2B线索打分：Tally表单+Webhook实战拆解

一个会给线索打分的表单

普通的在线表单只是收集联系方式，而这套方案把表单变成了自动化的线索评分引擎。核心逻辑很简单：当潜在客户（lead）通过 Tally 表单提交信息后，Webhook 会立刻接收这些数据，交给后续流程处理。

据这位 YouTube 创作者的演示，整个流程实现了从数据采集、清洗、AI 评分到实时通知的全链路自动化。对于做 B2B 获客的团队来说，这意味着销售不用再手动翻看每一条线索，系统会自动把高价值客户推到眼前。

AI为线索分配1到100的评分

数据流转：从Tally到数据库

整条链路的第一步是数据规范化。表单提交后，数据先经过标准化处理（视频中提到用 Notion 相关工具做 normalization），再传给 AI 模型。这一步看似不起眼，却决定了后续评分的质量——字段格式混乱的数据会直接拖垮模型判断。

AI 会给每条线索打出 1 到 100 分的评分。只有当输出有效时，线索才会被保存进数据库。换句话说，数据库里存的都是经过校验的高质量记录，而不是一堆原始噪声。

不盲目信任AI输出

创作者特别强调了一个关键细节：不会盲目相信 AI 的输出。在把结果写入数据库之前，流程会先验证 JSON 结构是否正确。

这是实际工程里非常重要的一环。大语言模型偶尔会返回格式错误或字段缺失的结果，如果不做校验直接入库，轻则污染数据，重则让整个自动化流程崩溃。先校验结构、确认合法再落库，是生产环境中必要的防护。

在写入数据库前验证JSON结构

大语言模型在被要求返回结构化数据时，常见的失败模式包括：在 JSON 前后混入多余的自然语言解释、键名大小写与约定不一致、数值字段返回字符串类型，以及嵌套层级出错等。工程上的常见应对手段包括：在 Prompt 中强制指定输出格式并给出示例（few-shot）、使用支持 Structured Output 或 Function Calling 的 API（如 OpenAI 的 response_format: json_object），以及在接收端用 JSON Schema 做二次校验。如果校验失败，可以选择丢弃该条记录并记录日志，或者将原始响应重新投喂给模型要求修正，视业务对延迟的容忍度而定。

Tally 是一款以"无代码"为卖点的在线表单工具，界面类似 Notion，支持条件逻辑、文件上传和多步骤表单，并内置 Webhook 功能——表单每次提交后会立即向指定 URL 发送一个 HTTP POST 请求，携带所有字段的原始值。相比 Typeform 或 Google Forms，Tally 的免费套餐已包含 Webhook，这使它在低成本自动化搭建中颇受欢迎。Webhook 本质上是一种"事件推送"机制，与轮询（polling）相对：不需要下游系统定时去问"有没有新数据"，而是有数据时主动通知，延迟通常在秒级以内，非常适合作为实时自动化流程的入口触发器。

AI评分背后的规则

评分并非黑箱。据演示，AI 在评估线索时会遵循一套明确的规则（predefined rules），而不是随意给分。这意味着评分标准是可控、可解释的——比如公司规模、行业匹配度、预算信号等维度，都可以写进规则里。

这种做法把 AI 的灵活性和规则的确定性结合起来：既利用模型理解非结构化信息的能力，又通过规则约束保证评分结果符合业务逻辑。对 B2B 场景来说，可解释的评分远比一个无法追溯的分数更有价值。

AI遵循预设规则评估线索

实时通知与去重处理

线索入库后，系统会立刻通过 Telegram 推送一条告警，内容包含评分、优先级以及线索的主要信息。销售团队无需登录后台，直接在聊天工具里就能看到哪条线索最值得立即跟进。

通过Telegram接收线索评分与优先级告警

用PostgreSQL优雅处理重复提交

自动化流程中最容易被忽视的问题就是重复数据。如果同一个事件被触发两次，系统该怎么办？

这套方案的处理方式是：利用 PostgreSQL 的更新机制，当同一条记录再次到达时，更新原有记录而不是新建一条。这通常通过 upsert（插入或更新）实现，确保数据库里每个线索只有一条最新记录，避免了重复告警和脏数据。

Upsert 是"insert or update"的合成词，指的是：尝试插入一条记录，若主键或唯一约束冲突，则转为更新已有记录而非报错。PostgreSQL 的语法为 INSERT INTO ... ON CONFLICT (唯一字段) DO UPDATE SET ...。在本场景中，可以用提交者的邮箱或表单内置的唯一 ID 作为冲突判断键，这样同一个人无论提交几次，数据库中始终只保留最新的一条记录，Telegram 也不会因重复触发而发送多条相同告警。这一机制同样适用于 Webhook 因网络抖动导致的重试场景——幂等性（idempotency）是生产级自动化流程的基本要求。

这套方案的借鉴价值

整套流程虽然演示简短，但覆盖了一个可靠自动化系统应有的关键环节：

数据规范化保证输入质量
AI 按规则评分兼顾智能与可控
JSON 校验防止脏数据入库
实时通知缩短响应时间
去重机制维护数据一致性

对于正在搭建 B2B 获客自动化的团队，这个思路可以直接复用。它展示的不仅是「用 AI 打分」这个点，更是如何把 AI 嵌入一个健壮的工程流程中——校验、去重、通知这些工程细节，往往才是自动化能不能真正跑起来的分水岭。

（本文基于单一 YouTube 创作者的演示整理，具体实现细节以原视频为准。）