oee-crm-intelligence

核心用法

OEE CRM Intelligence 采用独特的两阶段过滤架构处理个人CRM数据。第一阶段为快速硬过滤，基于关键词、域名规则和交互模式进行低成本筛选，无需调用外部API；第二阶段启用Claude Haiku进行深度AI相关性评分，输出0-150+分的量化优先级。用户可通过命令行直接过滤JSON/CSV联系人文件，对特定联系人追加上下文进行精准评分，或查看学习统计了解模型优化轨迹。系统通过learning.json持续记录用户反馈，实现偏好自适应。

显著优点

架构设计极具巧思：分层策略平衡了成本与效果，简单场景零API消耗，复杂场景才触发AI。评分机制突破二元分类，150分制提供细腻梯度。学习闭环让工具越用越懂用户，避免重复配置规则。代码结构清晰，纯Python标准库+官方SDK，零额外依赖负担。开源透明，用户可完全审计AI决策逻辑。

潜在局限

功能聚焦单一场景，缺乏与企业级CRM（Salesforce/HubSpot）的原生集成。AI评分依赖Anthropic API，存在网络延迟和成本累积。学习机制基于本地文件，多设备同步需手动处理。评分标准主观性强，初期需较多人工校准反馈才能达到理想效果。

适合人群

自由职业者、独立顾问、小型团队负责人等需要管理数百至数千联系人但无力维护复杂CRM系统的个人用户。特别适合邮件往来频繁、人际网络价值高、需要快速识别高优先级跟进对象的场景。

使用风险

API密钥需妥善管理，环境变量泄露将导致Anthropic账户被盗用。Stage 2会向外部传输联系人摘要信息（邮箱、主题、交互频次），虽非完整内容但仍属隐私数据外泄。长期运行可能产生不可忽略的API调用成本。学习文件损坏将导致偏好重置，建议定期备份。

CRM Intelligence — 智能联系人管理评估

核心用法

CRM Intelligence 采用独特的双阶段Berman过滤架构，将传统关键词过滤与现代AI评分相结合：

第一阶段（快速筛选）：通过关键词/模式匹配进行初步过滤，处理速度快、成本低，适合大规模数据集的预筛选。

第二阶段（深度评分）：调用Anthropic Claude API进行AI驱动的相关性评分，分析联系人的业务价值、互动历史等多维因素。

持续学习机制：通过learning.json记录用户反馈（接受/拒绝的推荐），系统自动调整评分权重，实现个性化推荐优化。

命令行支持三种核心操作：filter（批量过滤）、score（单联系人深度评分）、stats（学习统计可视化）。

显著优点

1. 分层成本优化：智能区分"廉价规则过滤"与"昂贵AI分析"，在保证效果的同时控制API调用成本
2. 隐私优先设计：API密钥通过环境变量管理，联系人数据本地存储，符合GDPR数据最小化原则
3. 渐进式智能：随着使用积累，系统越来越懂用户的业务偏好和判断标准
4. 生产级安全：静态分析92分，无危险函数，依赖纯净（仅官方Anthropic SDK）

潜在局限

• 外部依赖刚性：Stage 2功能完全依赖Anthropic API可用性和网络连接
• 学习冷启动：新用户需要一定交互量才能建立有效的个性化模型
• 无图形界面：纯命令行工具，对非技术用户门槛较高
• 许可证未明：当前未声明开源协议，存在使用合规隐患

适合人群

• 销售/BD从业者管理大量潜在客户
• 自由职业者维护客户网络
• 投资人跟踪项目源
• 任何需要从海量联系人中识别高价值关系的知识工作者

常规风险

| 风险项 | 等级 | 说明 |

|--------|------|------|

| API密钥泄露 | 低 | 环境变量读取为最佳实践，但需防范`.bash_history`等日志残留 |

| 模型幻觉 | 中 | AI评分可能基于有限上下文产生偏差判断，建议保留人工终审 |

| 供应商锁定 | 低 | 当前仅支持Anthropic，迁移需修改`crm_filter.py:141`附近代码 |

| 学习数据丢失 | 低 | `learning.json`为单文件存储，建议定期备份 |

总体评级：安全架构S级，来源可信度T3（个人/社区项目），适合对数据隐私敏感、具备技术背景的专业用户使用。