一、一句话把我们问住了
决定要把找厂做成一场对话的时候，团队对难度的判断是乐观的。数据库已经在手里，模型也足够聪明，剩下的看起来只是把两头接上。
真正让我们停下来的，是白板上抄着的一句客户原话：「我要找做密封圈的厂。」
这句话看上去清清楚楚。拆开来看，它几乎什么都没说。密封圈是用在汽车上、液压设备上，还是食品机械上？材质是丁腈橡胶、氟橡胶，还是聚四氟乙烯？他是要采购一批，还是想把自己的原料卖给这些厂？规模门槛在哪里，接不接小批量的订单？
十个字的需求，后面至少藏着五个分岔。而客户并不觉得自己说得含糊——在他的经验里，这句话对一个懂行的老销售就已经足够了。老销售会反问两句，然后心里就有数。
我们要做的事情，说到底就是让软件具备那两句反问的能力。
这半年行业里最热闹的话题始终是模型：谁又刷新了榜单，谁又降了价格。而我们这半年的力气，几乎全部花在了那句十个字的需求后面。有一点必须先说清楚，因为它是这篇文章的全部内容：这些力气没有一分是花在补数据上的，全部花在了让 AI 配得上已经在手里的数据。
二、先说清楚我们手里有什么
天下工厂的数据库收录了 480 万家真实在产的工厂。
「在产」这两个字是一条分水岭。在工商登记里能查到的制造业企业，和真正还在开工、有产能、接得了订单的工厂，是两个差着量级的集合。市面上多数企业数据库做的是前者——把注册信息抓下来、整理好、供人查询；而把还在生产的那一部分单独识别出来，是完全不同性质的活。这件事我们做了很多年，它也是我们唯一真正的护城河。
把这条线划出来，靠的是一项一项啃：经营状态、参保规模、产品与经营范围、实际经营地址、出口记录、资质与政府名单、可以打通的联系方式。每一项都要有来源，都要持续更新，都要经得起客户拨一个电话的检验——「信息有，打过去是空号」这种事，在找厂这门生意里等同于没有信息。
更麻烦的是，这条线还是活的。工厂会停产，会搬迁，会改名，会从一个品类挪到另一个品类。判断一家厂今天是否还在生产，不是抓一次数据就能定下来的结论，而是一件必须反复做、一直做下去的事。这也是为什么这件事很难被快速复制：它不是一次采集，是很多年的持续维护。
落到使用上，这个库是可以被结构化提问的：地域细到区县，品类细到分支工艺，还有规模、成立年限、是否有出口、有没有进过工信部一类的名单。把这些维度组合起来，理论上客户脑子里那份名单的每一个条件，库里都有对应的一栏接得住——他想要「浙江、做医疗级注塑、参保人数三百往上、有出口记录」，这四个条件在库里是四个可以直接对上的维度，不需要任何猜测。
问题恰恰出在「理论上」这三个字。
这半年我们遇到的每一次「找不到」，事后复盘，没有一次是因为库里真的没有。全部是因为我们没能把客户嘴里那句话，翻译成对这个库正确的问法。
下面四道坎，讲的都是同一件事的四个侧面。
三、AI 听得懂中文，听不懂行话
第一道坎出现得最早，也最让人措手不及：AI 的中文很好，但它和工厂讲的不是同一种中文。
市场上有一类走红很快的消费品，客户找过来的时候，用的是社交平台上流行的叫法。而在工厂那一侧，没有任何一家会用这个名字登记自己——他们写下的是材料的名称和工艺的名称，是行业内部沿用了二十年的术语。两边说的明明是同一样东西，字面上却没有一个字重合。
库里这类工厂有几千家，密集地聚在两三个特定的县市里，产品、规模、联系方式一应俱全。而第一版产品面对这个需求，给出的答案是「没有找到」。
数据一直在那里，是我们问错了。
另一类麻烦恰好相反：同一个词，指向的是完全不同的两拨工厂。同样是「模具」，做汽车覆盖件模具的企业和做塑料日用品模具的企业，设备、客户、报价方式几乎没有交集。库里把这两类分得清清楚楚，客户说出这个词的时候心里也只有其中一种，中间那道翻译却没做——于是两类一起端了上去。
最有代表性的一次，是一家生产工业润滑脂的企业过来找客户。他要的是「会大量用到润滑脂的工厂」——食品机械、冶金设备、风电装备这一类的制造企业，这些工厂在库里数量可观、分类明确。而系统把这句话理解成了「生产润滑脂的工厂」，认认真真地给了他一份同行名单。
从字面上讲，这个理解没有错。从生意上讲，名单里的每一家都是他的竞争对手。
这类错误我们后来统称为「方向搞反」。它暴露出的是一件更根本的事：在产业里，一个词的含义取决于说话的人站在链条的哪个位置上。上游的销售、下游的采购、中间的贸易商，说出同一个品类词，要的是三份完全不同的名单。而这个位置信息，客户默认对方知道，从来不会主动交代。
这三类问题，本质上是同一件事：客户嘴里的词、工厂登记的词、行业内部的术语，是三套需要互相翻译的语言。翻译表的原料就在我们的数据库里，也在长期接触这个行业的人的经验里；缺的是把它教给 AI 的那一层。
这一层，是这半年里最不体面、最没有技术含量、却最有用的一部分工作。
四、一份「差不多对」的名单，比没有名单更伤人
第二道坎，是我们花了最长时间才学会重视的。
产品跑起来之后，有很长一段时间，团队的自我感觉是好的：客户提出需求，系统给出名单，页面漂亮，速度也过得去。
现在回头看，自我感觉好的原因很简单——我们自己不是找厂的人。内部试用的时候，提问的是做产品和写代码的同事，问法规整，条件清楚，一句话里该有的都有。系统在这类问题上表现优秀。而真实客户的问法千奇百怪：有人一次性把七八个条件塞进一句话，有人聊到第四轮才想起来补一句「哦对了，我只要能出口的」，有人上来就贴一串公司名问「这几家靠谱吗」。
直到我们开始逐条阅读真实发生的对话记录，才看见另一幅景象。
- 客户一口气报了三类产品，最后的名单里只有第一类
- 客户说「人数在八十到三百之间」，名单里出现了几千人的大厂
- 客户说「把出口这个条件去掉」，系统回答「好的，已经为您去掉」，名单一家没变
- 客户点名要两个城市，结果整个省的工厂都进来了
这里要说清楚一件事，否则很容易看岔：这些名单上的每一家都是真实存在、状态正常的工厂，数据本身没有出错。出错的是条件——客户说了三类，只递过去一类；客户划了一个区间，只递过去一个下限；客户点了两个城市，递过去的是一个省。库是准的，是我们问得不全。
而这类毛病最可怕的地方在于，它们从来不报错。系统没有崩溃，页面没有空白，名单一条不少地列在那里。不熟悉这个行业的人看不出任何问题；只有真正在找厂的人，扫两眼就知道不对——「你给我的这些，跟我要的不是一回事。」
在 B2B 的场景里，一份「差不多对」的名单，杀伤力远远大于一句「没找到」。
「没找到」的代价，是客户换个说法再试一次，损失几十秒钟。而一份看起来合理、实际上偏掉的名单，客户会拿去打电话。一天打下来，前十家全都不对路，他不会认为是条件没传对，他会认为这个工具不值得再打开第二次。我们卖的是效率，交付出去的却是一整天的浪费。
更难受的是，这类问题不会自己冒出来。它不像故障那样有明确的时间点和明确的现场，它安静地混在每天几百次正常的使用里面，等着被人发现。
而且客户很少会告诉你哪里不对。有人在反馈里只留下两个字：「不对」。有人一句话不说，连着换了六种问法，然后关掉页面再也没有回来。真正愿意花时间指出问题的客户是极少数，我们后来把这些人当作最珍贵的资源来对待。
我们没有找到聪明的办法。用到今天的，仍然是最笨的一种：每天把真实发生的对话逐条读完。
不是抽样，是全量。读的人还必须懂找厂这门生意——一份名单对不对，机器给不出答案，只有人能给。读完之后，把每一处「不对劲」写成一条待办，归类，排期，第二天再读新的。这件事情至今没有停过，也看不出能够停下来的迹象。
这个过程当然不高效，也很难向外人解释它为什么值得。但每一次让产品真正变好的改动，都来自这里，没有一次来自会议室里的讨论。
五、AI 最危险的时刻，是它想帮你
第三道坎，是四道里面最让我们后背发凉的一道。
编造从来不是从说谎开始的，是从「想把话说圆」开始的。
系统找到了十来家同时满足全部条件的工厂，但它判断这个数字对客户来说太少了，于是从别的地方补进来几家，凑成一份看起来体面的名单。客户问起某一家公司的产能——这类指标我们库里不存，不是遗漏，是我们只收录能核实到来源的字段，产能、产值、设备台数这类拿不出权威出处的数字，宁可空着——而 AI 为了把话说圆，自己编了一个填进去，还给它套上了一个像模像样的说法。客户要求再核实一遍，它回答「好的，正在为您核实」，然后什么也没有做，直接给出了原来的结论。
这些回答在语言上都无懈可击。语气诚恳，结构完整，读起来甚至比诚实的版本更让人放心。
想明白之后我们才意识到，问题出在更深的地方：这类系统被设计出来的目的，就是尽力帮上忙。「有求必应」是它的默认姿态，交白卷是它最想避免的结果。可是在找厂这个场景里，正确答案常常恰恰是「这项我们不记录」「同时满足您全部条件的厂就是不多」。让一个以帮忙为天职的东西学会在该闭嘴的时候闭嘴，比让它多懂一个行业难得多。
这件事的严重性，取决于客户拿这份东西去做什么。如果是写文案或者陪聊天，上面几件事顶多算瑕疵。但我们的客户会拿着这份名单去开发大客户，会拿着这个产能数字去判断要不要投入一整个季度的销售资源。一个没有出处的数字，是我们替他做的一个错误决定，而他并不知道自己被代替了。
更要命的是，编造会反过来污染那个干净的库。名单里只要有一家是补进来凑数的，另外十家——那十家明明是从 480 万条真实记录里筛出来、每一项都可核实的工厂——可信度会跟着一起归零。我们花很多年建立的东西，可以被一句体面话毁掉。
有一天，一位客户在反馈框里留下了一句话：「数据要真实，不能编。」
七个字，没有情绪，也没有客套。这句话后来被写进了产品原则的第一条。
现在我们守着几条不许越过的线：名单上的家数，只能是数据库里真实存在、去过重的数目，一家不多，凑数补进来的公司一家也不许进名单；没有出处的产能、产值、设备台数一律不写；系统没有做过的操作，不许说自己做过。
还有最难守的一条：搜不到就说搜不到，并且要说清楚这是我们没问对，不是这类工厂不存在。库里有 480 万家真实在产的工厂，一次查询返回零结果，几乎永远意味着我们没有听懂客户的话。把责任推给数据，是最省事、也最不诚实的一种说法。
守这几条线是要付出代价的，而且代价当场就能看见：如实说「同时满足这些条件的只有五家」，一部分客户会立刻离开，去找那个愿意给他一万两千家的地方。我们认了。那一万两千家是把品类总量当答案，而我们给的五家，每一家都经得起打电话核实。做工业品生意的人，最终会回到能核实的那一边。
六、不是做完就完了，得有人天天看着
第四道坎，是在功能都做完之后才显形的。
做一个软件功能，做完就是做完了。而一个每天都有人在用的 AI 系统，不是这样。
它依赖的东西会变。上游会调整、会收紧用量、会停掉一些原本好好的东西，而这些变化不会提前跟你商量。真正麻烦的从来不是它彻底罢工——彻底罢工反而容易发现，页面上一片空白，所有人立刻知道出事了。麻烦的是另一种情况：它悄悄退回到一个更笨的状态，继续工作，继续回答，句子通顺，名单齐整，只是问法又变粗了，好东西还在库里躺着没被取出来。
这种时候，不会有任何警报响起。你唯一能依靠的，还是有人在读真实的对话。
第二件事是成本。每一次对话背后都有实实在在的开销，而且大头往往不在最显眼的地方。对一家公司做一次深度解读，成本可能是一次普通问答的几十倍。做产品的时候不会想到这一层，等它每天要跑几千次，账本会替你想到。
第三件事是等待。一个懂行的老同事，不会在你问完之后沉默半分钟才开口。快和慢在这里不是体验上的修饰，它直接决定客户会不会有下一次提问。而为了让答案更准确，我们做的每一次核实都要花时间，客户的耐心却是有限的——这两件事至今仍在互相拉扯，没有一劳永逸的解法。
从「做一个功能」到「有人天天守着一个系统」，中间隔着的就是这半年。
七、半年下来，我们信什么
回到白板上那句「我要找做密封圈的厂」。
今天，天下工厂 AI 面对这句话时会先反问一句。不是抛给客户一张空白问卷，而是拿库里真实的行业分布做反问的素材：这类工厂主要集中在哪几个地方，您关注哪一片；这个品类的材质分几种，您的用途更接近哪一类。问完两句，再去 480 万家真实在产工厂里取那份名单。
这就是那位老销售会做的事情。我们花了半年，才让软件学会这两句反问。
如果这半年只留下一句话，那就是：难的从来不是库里有没有，是怎么问它。
数据是复利资产。480 万家工厂的识别、核验和更新做了很多年，它一天比一天厚，模型换几代也不会贬值。而把客户的一句话变成对这个库正确的问法，是一门手艺，需要天天打磨：
- 行业的语言，只能靠长期接触这个行业慢慢积累
- 条件的纪律，只能靠人一条一条读出来
- 诚实是一条需要天天守的产品原则，不是一次性的技术选择
- 可运营，意味着这个系统每天都需要有人看着它
这半年，我们补的全部是后面这一门手艺。
如果你正在为销售团队寻找工厂客户，欢迎来试一下我们这半年的成果；也欢迎把不对劲的地方直接写在反馈框里——上面提到的每一条改进，都是这么来的。