OpenOutreach：让 AI 为你跑 B2B 销售线索挖掘

图1：OpenOutreach 项目 Logo

想象一下：你是做 B2B SaaS 的销售，客单价高、客户决策周期长，传统做法是在 LinkedIn 上手动搜索"VP of Engineering""Series B""100-500 人规模"——大海捞针，效率低下。

OpenOutreach 就是来解决这个问题的：你描述产品和市场，AI 自动去 LinkedIn 挖人、筛选、发消息、全程跟进。 不是机械群发，是真正的智能销售代理。

背景：为什么需要 AI 来做 LinkedIn 外联

LinkedIn 是 B2B 高端客户触达的主战场，但痛点非常明显：手工搜索效率低、海量不相关候选人、群发消息石沉大海。更关键的是，传统自动化工具只是"批量发送"，没有真正的智能筛选和对话式跟进。

OpenOutreach 的作者（eracle）从这一真实痛点出发，设计了一套端到端的自动化流程：AI 生成搜索策略 → 贝叶斯机器学习筛选最优候选人 → LLM 判断是否值得联系 → 自动发起多轮对话跟进。整个系统像一支不知疲倦的销售团队，越用越聪明。

核心原理：三层 AI 协同

第一层：LLM 生成搜索 Query

用户只需输入"我要找什么样的客户"（如"做数据分析 SaaS，目标 VP of Engineering 或 CTO，公司在 B2B 阶段"），LLM 自动生成多条 LinkedIn 搜索关键词组合，覆盖不同变体和表述方式。这是整个流程的入口——搜索词的质量直接决定候选人的广度。

第二层：贝叶斯主动学习（Gaussian Process + BALD）

这是项目的技术核心。系统不是简单地根据关键词抓取候选人，而是用**高斯过程回归（Gaussian Process Regressor）**对候选人 Profile 嵌入向量进行建模，配合 **BALD（Bayesian Active Learning by Disagreement）**策略来决定"接下来应该评估哪个候选人"。

简单类比：GP 就像一个有经验的老销售，它记得之前见过的候选人，知道"什么样的简历大概率是好客户"。BALD 策略决定"我应该去问老销售哪个候选人不确定、值得重点评估"——这样每次评估都最大化信息增益。探索（explore）和利用（exploit）自动平衡，系统在每个决策中持续学习，越跑越精准。

第三层：LLM Profile 分类 + 跟进对话

经过 GP 模型筛选出的候选人，再由 LLM 做最终质量判断：是否匹配目标市场画像。确认为优质线索后，系统自动发起 LinkedIn 连接请求，并启动多轮跟进对话代理——根据对方回复动态调整话术，模拟真人销售的多轮沟通节奏。

技术架构：Django + Playwright + pydantic-ai

项目基于 Django 构建（manage.py 是统一入口，直接 python manage.py 默认启动 rundaemon），采用多 App 分层架构：

• openoutreach/core/：引擎层，包含任务调度（scheduler）、LLM 调用封装（llm.py）、Onboarding 向导、CRM 模型（Lead/Deal）和邮件跟进 Agent
• openoutreach/linkedin/：LinkedIn 渠道实现，含 Playwright 浏览器自动化（browser/）、ML 模块（ml/，含 GP qualifier、Fastembed 嵌入）和 Pipeline
• openoutreach/emails/：邮件外联渠道（Layer 1 开发中）
• openoutreach/crm/：CRM 模块，管理线索和交易

ML 层使用 Fastembed 做 Profile 文本嵌入（embeddings.py），SciPy 实现 GP 回归（qualifier.py），NumPy 做数值计算。LLM 调用统一封装在 core/llm.py，支持 pydantic-ai 框架，对接 OpenAI、Anthropic、Google、Groq、Mistral、Cohere、Bedrock 等多服务商——用户可在 Onboarding 时选择或自由切换。

浏览器自动化基于 Playwright（版本 ≥1.59），以有头模式（headed）运行，通过 Xvfb 虚拟显示 + VNC 支持远程可视化调试。这在 LinkedIn 自动化工具中很常见，因为 LinkedIn 的反爬机制需要真实浏览器环境来绕过。

图2：OpenOutreach 运行界面（通过 VNC 访问）

部署体验：Docker 一键启动

项目提供完整的多阶段 Dockerfile（Python 3.12-slim-bookworm + uv 包管理）和 local.yml docker-compose 配置，启动后自动配置 Xvfb 虚拟显示和 VNC 服务，默认端口 6080 可直接用浏览器访问"远程桌面"，观察 AI 代理在 LinkedIn 上的实际操作全过程。

整个部署流程无需手动安装 Playwright 浏览器——Dockerfile 构建阶段自动完成。硬件要求低（4GB RAM + 5GB 磁盘），无需 GPU，这是纯 CPU 运行的工作负载。

上手门槛

安装配置需要一定技术背景：需要准备 LLM API Key（OpenAI 或 Anthropic 等）、LinkedIn 账号，以及基本的 Docker 操作能力。项目提供了 onboard 命令引导交互式配置，但整体文档以英文为主，对中文用户有一定门槛。

局限与风险

法律合规风险是首要考量：LinkedIn 的服务条款明确禁止自动化数据抓取和批量外联。OpenOutreach 作为自托管工具，账号封禁风险由用户自行承担。项目提供了 LEGAL_NOTICE.md 和 GDPR_ROADMAP.md 文档，体现出作者对合规性的重视，但这不改变 LinkedIn 的政策约束。

技术上，Playwright 有头模式对资源消耗较高，长时间运行稳定性依赖浏览器进程管理。此外，系统依赖 LLM API 调用，每次 Profile 评估都有成本——随着候选人群扩大，费用会显著增长。

行业意义

OpenOutreach 代表了 AI Agent 在 B2B 销售领域的最新实践：将 LLM 的自然语言理解能力 + 贝叶斯机器学习的主动学习 + Agent 多轮对话 三者融合，实现了从"关键词搜索"到"智能决策"的跃迁。其 GP/BALD 方法论也值得 ML 工程师关注——在标注数据稀缺的场景下，这种主动学习策略可以显著提升模型效率。

随着 LinkedIn API 政策逐步收紧和 AI Agent 能力的持续增强，这类自托管自动化工具的需求只会增长，但如何在自动化效率与平台合规之间找到平衡，将是所有类似项目面临的长期挑战。