7 层栈：不是成熟度竞赛，而是能力地图
Alex Vacca 是 ColdIQ 联合创始人，公司 2.5 年内做到 $7M ARR，服务 400+ B2B 客户。他的 7 层 AI 栈不是用来炫耀的，而是用来回答一个实际问题：你的团队到底在第几层运行？
大多数团队买了 Layer 2-3（ChatGPT 席位 + 文案工具），然后希望它自己变成系统。它不会。复合效应出现在 Layer 5（真正的 Agent 团队），而 Layer 6（全自动化）只有在 Layer 7（治理）的约束下才安全。
Layer 1：机器学习（地基）
AI 从数据中学习模式，而非遵循人类硬编码规则。
三种形态：监督学习（标签示例训练）、无监督学习（自主发现模式）、强化学习（试错优化）。
ColdIQ 的用例：15000 家公司地址able market，通过加权评分模型（融资阶段、Clay/FullEnrich 人口统计、BuiltWith 技术栈、PredictLeads/Crunchbase 增长信号）筛选到 8900 家。40%+ 被剔除，不是因为差，而是时机或匹配度不对。信号驱动定向比无评分外展产生 2-4 倍性能。
Layer 2：大语言模型（处理器）
模型理解并生成语言。ChatGPT、Claude、Gemini 都坐在这里。它们只响应，不行动。
ColdIQ 用例：Claude 读取潜在客户原始上下文（近期工作变动、融资轮、技术栈变化），判断哪些信号对这个人真正重要。没有行动，没有写作，只有理解——而所有更上层的能力都建立在这个理解之上。
Layer 3：生成式 AI（创作者）
同样的底层模型，不同的工作：产出新内容而非分析。文案、代码、图像、视频、合成语音。
ColdIQ 用例：Claude 用 8-12 个数据点起草个性化开场白和相关性钩子，每次处理几百个潜在客户。这不是替代整个活动，而是替代最重复的写作部分——那个过去会烧掉文案写作者整个上午的部分。
Layer 4：AI Agent（执行者）
关键跃迁：模型能使用工具并采取行动。它将请求分解为步骤，调用 API，记住两步前发生的事并据此决定下一步。从"聊天对象"变成"员工"。
ColdIQ 用例：单个 Claude Skill 在约 12 分钟内完成 500 家公司的评分、排名和分段。过去需要初级分析师 4-6 小时。Agent 不是在这里写散文，而是执行多步骤任务：编排 Prospeo、FullEnrich、Icypeas、LeadMagic 的 enrichment 瀑布，根据域名选择供应商，验证输出直到邮箱验证率超过 85%。
Layer 5：Agentic 系统（团队）
多个专业 Agent 协作，每个负责一个角色，相互传递信息，并行运行不同任务。
ColdIQ 用例：12 个 Claude Skill + 13 个 n8n 工作流，共 192 个节点。AI 回复分类器读取入站回复并排序；意向信号路由器决定何时触发；coldiq.com 上的免费工具同时充当 lead capture 渠道。没人再手动打开 Instantly 分类回复——系统路由，人类处理路由浮现的对话。
Layer 6：Agentic AI（操作者）
Agent 长时间自主运行，无需人类推动每一步。自我纠正，失败时改变方法。这是每个人都在追逐、几乎没人真正到达的层。
ColdIQ 的教训：他们测试了 3 个月全自动化回复处理。Agent 读取、判断意图、回复，无人类参与。转化率下降，幅度大到"几周内就把人类拉回循环"，转化率几乎立即恢复。
结论：Layer 6 不是不好，而是"最后 1 英里的判断"比移除它买来的速度更有价值。现在他们运行约 80% AI + 20% 人类判断——定向、报价定位、决定交易是否发生的单条回复。
Layer 7：治理与安全（护栏）
以上所有都是能力。这一层是控制。人类检查点、硬性支出限制、有人真正愿意拉动的 kill switch。
ColdIQ 用例：每月发送 50 万+ 邮件，跨 4 个发送平台。一个错误的自动化反应可以在 48 小时内烧毁客户的发送基础设施。因此交付能力专家拥有 kill switch，系统监控收件箱放置率并标记问题，人类决定暂停、轮换收件箱还是重构发送模式。内容在发出前有人阅读。AI 跑得快，人手握着关闭开关。
核心问题
"你的团队今天实际在第几层运行，而你一直告诉自己已经到达了哪一层？"
ColdIQ 不是把 AI 栓在手动工作上，而是以 AI 为中心重建工作，并把人类精确地放在"判断转化为收入"的位置。