Agent, który czyta komentarze na LinkedIn i wyławia ludzi z realną potrzebą

Kto to był i co go bolało

Klient to software house B2B, który robi automatyzacje i wdrożenia systemów CRM. Jego klienci siedzą na LinkedIn, a najlepszy moment na kontakt to chwila, w której ktoś pod postem lidera branży pisze, że ma dokładnie ten problem. Handlowiec klienta wiedział to doskonale i dlatego codziennie przeglądał LinkedIn ręcznie: czytał setki komentarzy, kopiował profile, pisał wiadomości. Schodziło na to od dziesięciu do piętnastu godzin tygodniowo.

Zwrot z tej pracy był kiepski z trzech powodów. Po pierwsze zdecydowana większość komentarzy pod dużymi postami to szum - spam, konta automatyczne, konkurencja i ludzie, którzy po prostu chcieli się pokazać w komentarzach. Po drugie, żeby w ogóle wyrobić się z liczbą kontaktów, handlowiec wysyłał ten sam szablon do wszystkich, a odzew przy takim podejściu utrzymywał się w okolicach kilku procent. Po trzecie masowa wysyłka zaproszeń kończyła się blokadą konta na tydzień lub dwa, co zatrzymywało cały kanał.

To był więc problem, w którym trzeba było jednocześnie zwiększyć zasięg, poprawić jakość wiadomości i zmniejszyć ryzyko. Trzy rzeczy, które zwykle stoją ze sobą w sprzeczności.

Co zrobiliśmy

Zbudowaliśmy agenta w TypeScripcie na Node.js, który pracuje w tle bez udziału człowieka. Obserwowanie serwisu i zbieranie treści działa na Puppeteerze, z uwierzytelnieniem opartym o sesję zalogowanego konta. Agent śledzi listę wybranych profili liderów branży, wykrywa ich nowe posty i wybiera te, pod którymi faktycznie coś się dzieje, czyli z zaangażowaniem powyżej pięćdziesięciu komentarzy.

Z takiego posta zbierane są wszystkie komentarze razem z profilami autorów. Dopiero potem wchodzi ocena. Każdy komentarz idzie do modelu językowego przez OpenRouter, który sprawdza, czy autor sygnalizuje realną potrzebę zakupową, czy tylko zabiera głos. Spam, konta automatyczne i konkurencja lecą do odrzuconych.

Kontakty, które przeszły filtr, dostają zaproszenie, a po jego przyjęciu krótką wiadomość zbudowaną na trzech elementach: treści posta, konkretnym komentarzu tej osoby i jej opisie profilu. Dzięki temu żadna wiadomość nie brzmi jak szablon, bo w praktyce nią nie jest. Nad wszystkim czuwają twarde limity dzienne, ustawione tak, żeby nie ściągnąć na konto blokady. Stan pracy agenta, dziennik działań, sygnał życia procesu i zużycie tokenów zapisują się w Supabase, a sam proces trzyma przy życiu PM2.

Jak to działa dzisiaj

Agent chodzi non stop, dwadzieścia cztery godziny na dobę. Sam znajduje nowe posty, sam zbiera komentarze, sam ocenia i sam wysyła. Handlowiec wchodzi dopiero w momencie, w którym ktoś odpowie - i to jest jedyna część tego procesu, która naprawdę wymaga człowieka.

Wdrożenie zajęło czternaście dni. Pierwsze trzy poszły na rozebranie obecnego sposobu pracy handlowca i ustalenie bezpiecznych limitów. Kolejne pięć na budowę monitorowania i nauczenie modelu, jak odróżnić realne zainteresowanie od szumu. Następne cztery na wysyłkę zaproszeń i pisanie kontekstowych wiadomości. Ostatnie dwa dni to testy na prawdziwych profilach, sprawdzenie skuteczności filtra, obserwacja pierwszych pięćdziesięciu kontaktów i szkolenie zespołu.

Co z tego wyszło

Filtr oparty o model odrzuca 98 procent szumu, więc handlowiec dostaje do ręki wyłącznie kontakty, które faktycznie coś zasygnalizowały. Monitorowanie działa w trybie ciągłym, dwadzieścia cztery godziny na dobę, siedem dni w tygodniu, więc post opublikowany w sobotę wieczorem nie czeka na poniedziałek. Limity bezpieczeństwa trzymają dwadzieścia zaproszeń i trzydzieści wiadomości dziennie, a personalizacja każdej wiadomości dzieje się automatycznie na podstawie posta, komentarza i profilu odbiorcy.

Co zrobilibyśmy inaczej

Warstwa bezpieczeństwa konta powinna powstać pierwsza, a nie równolegle z resztą. Zbudowaliśmy zbieranie danych i wysyłkę, a limity dokładaliśmy w trakcie - przy takim narzędziu to jest najważniejszy element, bo jedna blokada kosztuje więcej niż tydzień pracy agenta.

Druga sprawa to kruchość obserwowania serwisu opartego o sesję zalogowanego użytkownika. Każda zmiana układu strony potrafi wywrócić zbieranie komentarzy, a my dołożyliśmy porządne wykrywanie takich sytuacji dopiero po pierwszej awarii. Dziś zaczynamy od tego. Trzecia rzecz: mierzenie odsetka odpowiedzi wpięliśmy późno, więc przez pierwsze dni ocenialiśmy jakość filtra na wyczucie. Skoro to filtr decyduje o wartości całego narzędzia, pomiar skuteczności powinien ruszyć razem z pierwszą wysłaną wiadomością.