过去十年，增长团队最擅长的事情是让信号变多：更多埋点、更多触点、更多画像、更多分群。结果很熟悉：仪表盘越来越漂亮，但“下一步该怎么做”越来越不确定。
问题不在数据不够，而在数据缺一层——把信号变成可推理的意图结构。这层结构，我称之为 Customer Intent Graph（CIG）：企业的“客户理解神经系统”。
1. Intent 的误解：信号不是意图，意图是“状态转移”
大多数“Intent Data/意图分数”做的是一件事：把行为压成一个分数或标签。
但真实世界里，意图不是一个点，而是一段轨迹：
- 同样是“看价格页”，可能是学习、对比、采购准备、或内部共识确认
- 同样是“问集成”，可能是技术验证、风险控制、或迁移决策
行为是观测值，意图更像隐变量：它存在于“行为之间的关系”和“随时间的变化”里。
所以 CIG 的第一性原理是：
意图 = 状态（State） + 状态转移（Transition）
不是标签（Label），更不是分数（Score）。
2. CIG 的定义：不是 Customer 360，而是“可行动的世界模型”
把概念说清楚：
- CRM：记录发生过什么（facts）
- CDP/Customer 360：统一你是谁（identity）
- CIG：推断你正在试图完成什么（goal / job-to-be-done），并决定我们何时介入（timing / action）
一句话：
CIG 是“把客户行为翻译成任务状态机”的系统。
它输出的不是“客户画像”，而是“客户当前处境”：
- 处于哪个决策阶段？
- 阻力/风险在哪？
- 需要补哪类信息或证据才能推进？
- 下一步最该触发什么动作？（内容、对话、报价、演示、升级、人工介入）
3. 技术趋势：RAG → GraphRAG → Intent-Trajectory
为什么这件事在今天变得可行？因为检索范式变了。
3.1 传统 RAG 的天花板：只会找“相关文本”
RAG（向量检索 + 生成）解决的是“找资料”，但不擅长“理解关系”。
客户意图恰恰是关系：人-组织-产品-问题-时间的网络。
3.2 GraphRAG 的意义：把“关系”变成可检索对象
GraphRAG 的关键不是“再加一个图数据库”，而是：
检索单位从 chunk 变成 subgraph（子图）
推理单位从相似度变成 path（路径）
这一步让“为什么”变得可计算：
路径越短，解释越直接；路径越稳定，意图越确定。
3.3 Intent-Trajectory：把客户旅程从漏斗改成状态机
一旦你有了图与路径，旅程不再是营销漏斗，而是可运行的状态机：
- Explore → Validate → Compare → Internal Align → Procure → Adopt
- 每一次行为不是“加分”，而是“转移边被触发”
4. CIG 的最小可用架构（MVP）
把“神经系统”拆成工程模块，通常是四层：
[Signals] → [Identity/Entity Resolution] → [Intent Graph + State Machine] → [Reasoning & Actions]
4.1 Signals：感知层（神经末梢）
来源不止是网站埋点，还包括：
- 支持对话（chat/ticket/call）
- 产品使用（feature usage / errors）
- 内容消费（docs / pricing / comparison）
- 社区与口碑（community / reviews）
- 交易与履约（order / shipment / refund）
关键不是“收全”，而是事件语义化：每条事件要能回答“这代表什么动作”。
4.2 Identity / Entity Resolution：把信号连成“同一个人/同一个组织”
没有身份解析，图就会碎成噪声。
这里的技术重点是：
- 多身份合并（cookie、email、device、account、domain）
- 组织层归因（公司、部门、购买组）
- 关键实体抽取（产品、问题、竞品、集成、合规、价格点）
4.3 Intent Graph：图谱层（突触网络）
推荐一个可迁移的 schema（简化版）：
- 节点（Nodes）
- Person / Account / BuyingGroup
- Task（任务）/ Problem（问题）/ Constraint（约束）
- Product / Feature / Integration
- Content（证据）/ Policy（条款）/ Case（案例）
- 边（Edges）
- performed(Event) / discussed(Term) / evaluated(Feature)
- blocked_by(Constraint) / depends_on(Integration)
- influenced_by(Content) / aligned_with(Role)
4.4 State Machine：把“图”收敛成“可执行的意图状态”
图解决“连接”，状态机解决“行动”。
状态机的输入来自图上的模式匹配，例如：
- pricing + migration docs + security FAQ → Procurement Readiness↑
- integration error + repeated tickets → Adoption Risk↑
- competitor mention + comparison page → Competitive Evaluation↑
5. CIG 的“大脑皮层”：推理不是生成，而是“选择路径”
真正高阶的 CIG，不是生成更会说的话，而是更会做判断：
- 路径推理：哪些边最能解释当前行为？
- 反事实判断：如果给出某类证据，转化概率是否提升？
- 介入时机：现在推演示还是推案例？现在升级人工还是继续自助？
换句话说，CIG 是一个决策路由器：
把“信息”路由给最需要的对象
把“行动”路由到最可能推进状态转移的触点
6. 为什么 CIG 必须面对 Buying Group（尤其 B2B）
B2B 购买从来不是“一个人买”，而是一个系统达成共识。
所以 CIG 的核心对象不是 Person，而是 BuyingGroup：
- 技术验证者、预算拥有者、合规把关者、使用者
- 每个人的意图不同，但最终要收敛为组织意图
这也是为什么传统“Intent Data”常常失灵：
它只捕捉到“有人在看”，却没捕捉到“共识是否形成”。
CIG 的判断目标应该是：
组织是否从探索态进入决策态（phase transition）
7. 如何衡量 CIG：别再只看转化率
如果 CIG 是神经系统，它必须有“神经指标”：
- Latency（时延）：从信号出现到识别意图的时间
- Coherence（一致性）：跨渠道推断是否一致（web / support / product）
- Explainability（可解释性）：能否给出路径与证据
- Intervention Uplift（介入增量）：介入是否推进状态转移
- Hallucination Risk（幻觉风险）：是否把错误意图当成真实
8. 风险与治理：没有边界的神经系统会“癫痫”
技术越能推理，风险越大。CIG 必须内置治理：
- 数据最小化：只收集与“意图判断”相关的信号
- 可撤销：用户与组织的意图画像要可回滚、可遗忘
- 责任链：Agent 执行动作必须可追踪到“哪条路径推理”
- 人类仲裁点：高风险状态转移（价格、合规、退款、封禁）必须人工确认
9. 前瞻：Agentic 时代，企业开始面对“代理界面”
未来客户越来越少“直接浏览与比较”，越来越多让 AI 代劳筛选。
这意味着企业竞争从“营销触达”迁移到：
- 是否能被模型正确理解
- 是否能提供可验证的证据结构
- 是否能让代理在图上找到“最短可信路径”
CIG 会成为企业在 Agentic 世界的基础设施：
不是为了看懂客户，而是为了让系统知道该如何对客户负责地行动。
结语：CIG 不是工具升级，是组织认知升级
你可以把 CIG 当作下一代 CRM、下一代 CDP、下一代增长引擎——都不准确。
更准确的说法是：
CIG 是企业第一次把“客户理解”做成可运行的系统，而不是依赖个人经验的艺术。
如果你愿意，我可以基于你现有的业务（例如 CX/客服/出海电商/销售线索）给出一套CIG MVP 落地蓝图：
- 最小图谱 schema
- 事件语义字典（signal ontology）
- 状态机定义（intent states & transitions）
- GraphRAG 检索与推理策略
- 触发/干预策略与指标体系