（14121期）afrexai-proposal-engine – 从商机筛选到签约的赢单系统

从商机筛选到签约的赢单系统 AfrexAI 出品的商业提案全流程引擎，提供从客户筛选、需求挖掘到定价策略、提案撰写的完整方法论，帮助销售团队提升赢单率。 使用说明 核心用法 Proposal Engine 是一个覆盖商业提案全生命周期的结构化指导工具，核心流程包括六大阶段： Pre-Proposal Qualification（机会筛选）：采用 BANT-Plus 框架（预算、决策权、需求、时间线、竞争、内部支持者六个维度）对商机进行 0-18 分评分，14 分以上才投入重资源，6 分以下直接放弃，避免无效投入。 Discovery Extraction（需求挖掘）：将客户访谈信息结构化记录，涵盖客户背景、现状痛点、触发事件、期望成果、决策流程、价值驱动因素六大模块，特别强调必须获取可量化的成功指标。 Pricing Strategy（定价策略）：提供成本加成定价（底线）和价值定价（目标）两种方法，强制采用三档定价结构（Good/Better/Best），利用锚定效应引导客户选择中间档，同时配套项目制、 retainer、SaaS 三种付款条款模板。 Proposal Structure（提案撰写）：遵循 "Mirror → Solve → Prove → Ask" 叙事弧线，包含封面、执行摘要、客户现状、解决方案、证明与可信度、项目计划、投资方案、下一步行动八大模块，每个模块提供具体写作模板和检查清单。 Quality Checklist（质量检查）：从相关性、清晰度、证明力、价值框架、具体性、异议处理、视觉质量、行动召唤、风险降低、竞争优势十个维度进行 0-10 分评分，70 分以下禁止发送。 Delivery & Follow-Up（交付与跟进）：强制要求现场演示或视频讲解提案，配套 30 天跟进节奏和常见异议（价格、需考虑、竞品对比、时间线、需审批）的标准回应话术。 显著优点 方法论体系完整：从商机筛选到签约跟进的全流程覆盖，不是零散技巧而是系统化打法 可操作性强：提供大量 YAML 配置模板、评分表格、检查清单，可直接套用 心理学应用到位：三档定价锚定、损失厌恶（成本不作为）、社会认同（案例证明）等说服技巧融入各环节 风险控制意识强：明确列出 6 条"应放弃信号"和 10 条常见错误，帮助用户避坑 场景覆盖全面：针对咨询、软件/技术、创意代理、RFP 响应四种提案类型提供差异化指导 潜在缺点与局限性 地域适配性存疑：定价策略、付款条款（如 50% 定金）基于欧美商业惯例，国内 B2B 场景可能需要调整 行业深度不足：通用框架对复杂技术方案（如企业级 SaaS 实施）或政府招投标场景覆盖有限 依赖执行者能力：框架再完善，最终提案质量仍取决于使用者的行业洞察和写作能力 无自动化功能：纯文档指导，不提供数据抓取、模板生成、电子签名等工具集成 T3 来源可信度：社区/个人开发者背景，缺乏大型企业背书，方法论有效性需自行验证 适合的目标群体 销售团队负责人：需要统一团队提案标准和培训新人 独立顾问/自由职业者：缺乏完整销售流程，需要结构化指导 初创公司创始人：技术背景出身，不擅长商业提案撰写 中小型代理机构：需要提升方案专业度和赢单率 企业销售运营：希望建立可复制的提案质量管理体系 使用风险 性能风险：无，纯静态文档 依赖风险：无外部依赖，但用户可能产生对框架的过度依赖而忽视客户个性化需求 合规风险：提案中的 ROI 承诺、保证条款可能涉及法律风险，需根据所在地法规调整 数据风险：用户需在本地处理客户敏感信息，工具本身不收集数据但无加密保护指导 版本风险：Skill 内容可能随版本更新变化，建议重要提案本地存档 原始说明 Automate proposal creation from discovery to closing using BANT-Plus qualification, structured discovery notes, value-based pricing, and a proven proposal fr...