ConvoYield 对话收益引擎

要解决什么问题

客服、销售或 onboarding 机器人往往只能逐条回复，却难以判断「这条消息里藏着多少商业信号」：用户是否在吐槽竞品、是否透露预算、对话是在升温还是流失。若完全依赖 LLM 做实时估值，成本高、延迟大，也不适合每条消息都走 API。

ConvoYield 的定位是：在消息处理链路上加一层本地「对话收益情报」，用规则与词典启发式在毫秒级给出可读信号，供路由、人工接管或话术策略使用。

核心机制

每条用户消息触发 五个并行引擎，输出可组合的结构化结果：

• Sentiment Arbitrage（情绪套利）：基于商业对话调优的词表，识别竞品不满、挫败、兴奋、预算讨论等 7 类模式，并附带机会型价值信号。
• Micro-Conversion Tracking（微转化追踪）：在「打招呼」到「成交」之间捕捉邮箱/电话、时间线、团队规模、痛点表述等 12 类隐性转化点。
• Momentum Scoring（动量评分）：结合消息长度、提问频率、情绪强度、词汇丰富度等趋势，给出 -1.0～+1.0 的 engagement 动量及 surging / declining 等标签。
• Yield Forecasting（收益预测）：按对话阶段（OPENING → CLOSING）叠加微转化组合、套利机会、动量溢价与风险系数，估算整段对话的美元价值。
• Play Calling（话术推荐）：从约 20 种行为经济学 playbook（如 anchoring、loss_framing、empathy_bridge）中推荐下一步策略。

实现上强调 零外部依赖：纯 Python 标准库、本地 pattern matching、不调用 LLM、不消耗 token；文档称单条消息分析 <1ms，可挂到任意 bot 的 message handler。

适用边界与注意点

• 美元数值与模式命中来自 启发式与词表，适合作为排序、告警与 A/B 策略的参考，不应等同于 CRM 里的真实成交或归因数据。
• 情绪与套利模式面向 商业/销售型对话 调优，泛闲聊、强领域术语场景可能需要自行扩展词表。
• SKILL 中提到的 行业 Premium Playbook、Cloud 仪表盘、Enterprise 为商业扩展层，与开源核心的本地五引擎是分开的；集成时先明确你用的是本地引擎还是订阅能力。