我們實際交付給 SDR 客戶的 11 個 AI 冷郵件提示詞（聽起來不像 AI）

我們實際交付給 SDR 客戶的 11 組 AI 冷郵件提示詞（讀起來不像 AI 寫的）

大多數「最佳 AI 冷郵件提示詞」清單都是寫給你直接貼到 ChatGPT.com 用的。以下這十一組 AI 冷郵件提示詞是我們真正在 AI SDR 系統裡跑的，不是從別人部落格抄來的模板庫。每一組都附上模型、溫度、系統提示詞、使用者提示詞、範例輸出和回覆率備註，隨貼即用、可直接接自動化。

重點摘要：

• 提示詞七段結構：角色 → ICP → 痛點 → 價值 → 語氣 → 長度 → CTA。
• 最佳模型選擇：Claude Sonnet 4.5（自然語氣）、GPT-5（結構化輸出）、Gemini 2.5 Pro（便宜的跟進郵件）。
• AI 冷郵件在美國 CAN-SPAM 和歐盟 GDPR 正當利益原則下合法，但需遵守揭露義務。
• 影響送達率最大的單一槓桿是 RFC 8058 一鍵取消訂閱（2024 年起 Gmail 和 Yahoo 強制要求）。

什麼是 AI 冷郵件提示詞？

AI 冷郵件提示詞是一組結構化的指令，你把它餵給大型語言模型——ChatGPT、Claude 或 Gemini——讓它生成一封個人化的開發信。最強的提示詞包含七個要素：角色、ICP、痛點、價值主張、語氣、長度和 CTA。做得好，讀起來就像真人 SDR 寫的。

這裡值得做個區分。「貼到 ChatGPT.com」的提示詞（就是那些供應商模板庫裡的東西）在你一天手動寄五封信時夠用。但「跑在自動化裡的提示詞」——接進 n8n、Make、Zapier 或直接透過 API 呼叫——完全是另一回事。它們需要明確的系統提示詞、模型和溫度標籤，以及結構化輸出，才能在生產環境中存活。以下十一組就是第二種。

冷郵件提示詞的七段結構（為什麼大多數提示詞會失敗）

一封冷郵件提示詞有七個活動部件。任何一個搞錯，郵件讀起來不是泛泛就是機械。這七個部分是：1) AI 扮演的角色、2) ICP 定義、3) 具體痛點、4) 價值主張、5) 語氣校準、6) 長度上限、7) 行動呼籲。少掉任何一個，模型就會用它最通用的預設值來填補空缺。

上圖顯示了資料流——每個部分餵給下一個，而 CTA 是唯一應該依收件者變化的部分。其他所有東西都放在可重複使用的系統提示詞裡。這是一種應用情境工程模式：你告訴模型在每次生成中要維持什麼情境，然後只讓每位收件者的訊號覆蓋最後一個變數。

在我們把這個結構標準化之前，我們在三組不同的專案中抓到「價值寫在痛點前面」的錯誤。痛點必須在價值之前——模型需要先知道傷口在哪裡，才知道該推薦什麼藥。

冷郵件提示詞中你沒有指定的每一個部分，模型都會自己編，而且模型會用它最通用的語氣來編。

我們實際交付的 11 組 AI 冷郵件提示詞

這十一組提示詞涵蓋完整的 SDR 序列：首次冷開發、痛點開場、快速提問開場、三封跟進（第 3 天、第 7 天、第 14 天）、Demo 預約、重新觸及、主旨產生器、追加銷售、以及轉介紹請求。每組都標註了我們在生產環境使用的模型和溫度。提示：把這些系統提示詞存成可重複使用的系統提示詞作為 agent skills，這樣它們可以跨工作階段使用，你的團隊也不用每次貼了再祈禱。

開始前的 Few-shot 技巧： 對於語氣最重要的提示詞（開場郵件和轉介紹請求），把兩到三封你歷史上表現最好的冷郵件貼進系統提示詞，放在「參考範例，請匹配這個語氣：」標題下。模型從範例中學到的節奏、縮寫頻率和句子長度，遠比形容詞清單有效。

1. 首次冷開發郵件（通用 ICP）

目標： 寄給沒有訊號觸發的 ICP 符合對象的第一封信。沒有募資事件、沒有職位變動、沒有暖場介紹。純冷開發。 模型 + 溫度： Claude Sonnet 4.5 @ 0.5——自然語氣，沒有 Sonnet 4 那種「行銷總監」的腔調。 使用時機： 漏斗頂部的批次發送，50-500 位只擁有職稱和公司資料的潛在客戶清單。

系統提示詞（存一次，永久重複使用）：

You are an SDR at {{your_company}}. Voice: direct, conversational, one contraction per paragraph minimum.
ICP: {{icp_description}}.
Their pain: {{primary_pain}}.
Your value: {{one_line_value_prop}}.
Rules: 80-word body cap. Three sentences in opener. End with a question. No "I hope this email finds you well", no "I wanted to reach out".

使用者提示詞（填入變數後貼上）：

Write a cold email to {{first_name}}, {{role}} at {{company}}.
Subject line: 4 words max, lowercase except proper nouns.
Open with a one-line observation that's true for ~80% of {{company_size}} {{industry}} companies.
Body: name the pain, name our fix in one line, ask for 15 minutes.

範例輸出：

主旨：quick question on close cycle

Hi Sarah, at most 80-person SaaS finance teams, month-end close still runs in Sheets and somebody's eating four late nights to make it work.

We cut close from 9 days to 3 by replacing the spreadsheet handoff with a single ledger view. No new ERP, no migration.

Worth a 15-minute call next Tuesday or Thursday?

回覆率備註： 在我們的部署中，這組提示詞在乾淨的 Apollo 資料清單上平均回覆率為 1.8-3.4%。有一位客戶每週寄出約 800 封冷郵件，把首次開發提示詞換成 Claude Sonnet 4.5 後，回覆率從 1.4% 提升到 3.1%——同樣的清單、同樣的方案，只是語氣比較不像機器人。

2. 痛點開場（訊號驅動）

目標： 引用一個具體的公開訊號——近期募資、高階主管到任、技術棧新增——來贏得開信。 模型 + 溫度： Claude Opus 4.7 @ 0.4——當你需要訊號自然融入而不像跟蹤狂時，指令遵循度最佳。 使用時機： 當你從 Apollo、Clay、Crunchbase 或 BuiltWith 取得訊號資料時。

系統提示詞：

You are an SDR writing signal-based cold outreach. Voice: direct, observation-first, never sycophantic.
The signal you reference must be specific and dated. Never say "congrats on the round" — assume they're sick of it.
Body cap: 70 words. End with a question, not a statement.

使用者提示詞：

Write a cold email to {{first_name}}, {{role}} at {{company}}.
Signal: {{signal_type}} — {{signal_detail}} (e.g., "raised $40M Series C, Oct 2026").
Connect the signal to the pain {{pain}} in one sentence.
Pitch {{value_prop}} in one sentence. Ask for 15 minutes.

範例輸出：

主旨：post-series-c finance ops

Hi Marcus, saw the $40M C in October. Usually the next 90 days at that stage are the headcount-onboarding crunch and finance ops drowns in cap-table reconciliations.

We're the ledger layer Series B, D fintech CFOs add before they hire a controller. 15-minute call next week?

回覆率備註： 訊號新鮮時（30 天內）回覆率 4-8%。訊號超過 60 天則降至 1-2%。

3. 快速提問開場（低壓）

目標： 先問一個真正的問題來解除「這是推銷」的防備。低壓、高好奇心。 模型 + 溫度： Claude Sonnet 4.5 @ 0.6——稍微提高溫度增加口語變化。 使用時機： 當你的 ICP 被郵件轟炸時（熱門新創的 CFO、CTO、工程 VP）。

系統提示詞：

You are an SDR writing a quick-question cold email. The email asks one real question that's genuinely useful to the recipient — not "do you have 15 minutes". 40-word body cap. No pitch on first email.

使用者提示詞：

Write a 40-word cold email to {{first_name}} at {{company}}.
One question that someone in {{role}} at {{company_size}} {{industry}} would actually want to know about {{topic}}.
Sign off with your name. No CTA other than the question.

範例輸出：

主旨：month-end close at series c

Marcus, quick question. At 80 people, did you keep close in spreadsheets or move to a ledger before hiring a controller? Asking because the answers we hear are split 50/50 and the why is interesting.

, Sarah

回覆率備註： 首次發送回覆率 3-6%。這是序列中訊號最強的一封——回覆是對話式的而非交易式的，代表後續會有暖對話。

4. 跟進第 1 封（第 3 天，提供價值）

目標： 首次發送後三天，加入一個有價值的內容（基準數據、一行案例研究、拆解分析）並再次詢問。 模型 + 溫度： GPT-5 @ 0.5——最擅長「這是重點、這是請求」的結構化流程。 使用時機： 永遠要用。三封跟進比一封的回覆率高約 3 倍（Lemlist 2025 節奏研究）。

系統提示詞：

You are an SDR writing follow-up no. 1, three days after the cold email. Add value, don't repeat the pitch. 60-word body cap. Open with a one-line value drop, then re-ask the original CTA.

使用者提示詞：

Write a 3-day follow-up to {{first_name}}. Reference {{previous_subject_line}}.
Value drop: {{one_line_benchmark_or_insight}}.
Re-ask: 15-minute call next week.

範例輸出：

主旨：re: quick question on close cycle

Sarah, circling back. Last week I shared a teardown of how Ramp's 80-person finance team cut close to 4 days using a similar pattern. Happy to send it over if useful.

Still open to 15 minutes next Tuesday or Thursday?

回覆率備註： 跟進郵件本身的回覆率 2-4%，將序列整體回覆率提升至約 5-9%。

5. 跟進第 2 封（第 7 天，案例研究）

目標： 首次發送後七天，放下一個具體的證據——匿名化的客戶成果或具名的公開案例研究。 模型 + 溫度： Claude Sonnet 4.5 @ 0.4——更嚴格的指令遵循，適合案例研究格式。 使用時機： 當你有一個可信的、符合 ICP 的案例研究時。沒有就跳過。

系統提示詞：

You are an SDR writing follow-up no. 2. Lead with a one-line case study or outcome. 70-word body cap. Re-ask CTA in one sentence at the end.

使用者提示詞：

Write a 7-day follow-up to {{first_name}}.
Case study: {{client_name_or_anonymized}} — {{outcome_in_one_line_with_metric}}.
Make the parallel to {{prospect_company}} explicit. Re-ask 15-minute call.

範例輸出：

主旨：re: quick question on close cycle

Sarah, one more, then I'll stop. A Series-C fintech your size (Atomic, $42M ARR) cut their close from 11 days to 4 in six weeks with us. Same finance-ops setup you've got from the LinkedIn search I did.

15 minutes next week? Tuesday or Thursday work.

回覆率備註： 回覆率 2-3%，但會議轉換率比第 4 封高，因為案例研究會篩選出符合 ICP 的對象。

6. 跟進第 3 封（第 14 天，分手信）

目標： 基於許可的退場。告訴對方你要收尾了，並給他們一個零成本的「現在不要」回覆選項。 模型 + 溫度： Claude Sonnet 4.5 @ 0.6——輕微溫暖，零被動攻擊。 使用時機： 節奏中的最後一次觸及。永遠要寄。

系統提示詞：

You are an SDR writing a break-up email. 50-word body cap. No passive-aggression, no "guess this isn't a priority". Offer a 2-second reply path: yes/no/later.

使用者提示詞：

Write a 14-day break-up email to {{first_name}}. Reference the previous thread.
Offer three reply options: "yes, ping next quarter", "no, never", "circle back in six months".
End with one line of goodwill.

範例輸出：

主旨：closing the loop

Sarah, closing this thread. Three options if helpful:

1. "ping me Q3"
2. "no thanks"
3. "send me the teardown anyway"

Any of them works. Either way, hope the close gets shorter.

回覆率備註： 回覆率 5-12%，反直覺地是序列中最高的。分手信是最容易寄出的「不」，而很多那些「不」會轉化成「等等，跟我說更多。」

7. Demo 預約請求（行事曆 CTA）

目標： 收到暖回覆後寄出。推向一個具體的行事曆連結，移除摩擦。 模型 + 溫度： GPT-5 @ 0.3——最低溫度，我們要的是結構而非創意。 使用時機： 對第 1-6 封任何一封收到正面回覆後。

系統提示詞：

You are an SDR booking a demo after a warm reply. 50-word body cap. Confirm the next step in one sentence, drop two specific time options + a calendar link.

使用者提示詞：

Write a demo-booking reply to {{first_name}}. Confirm {{their_question_or_interest}}.
Offer two times: {{time_1}} and {{time_2}}.
Calendar link: {{cal_link}}.

範例輸出：

Sarah, perfect, happy to walk through the close-cycle teardown.

Two times that work: Tuesday 10:30 AM ET or Thursday 2:00 PM ET. Or grab any slot here: cal.com/sarah-co/demo

Either way I'll send the deck 24 hours ahead.

回覆率備註： 在暖回覆後 4 小時內寄出，預約率 35-55%。超過 24 小時則降至 10-15%。

8. 重新觸及（沉默 30 天後的回覆）

目標： 喚醒在分手信後沉寂的對話串。新角度、新價值，不 guilt-trip。 模型 + 溫度： Claude Sonnet 4.5 @ 0.5——自然語氣，適合「嘿好久不見」的調性。 使用時機： 分手信後 30 天。只用一次。如果再次沉默，歸檔。

系統提示詞：

You are an SDR re-engaging a prospect who went silent. Acknowledge the gap in one line, drop new value (recent news in their space, product update, or benchmark), re-ask. 60-word body cap.

使用者提示詞：

Write a 30-day re-engagement to {{first_name}}.
New angle: {{new_signal_or_product_update}}.
Re-ask: 15-minute call OR specific resource if they're not ready.

範例輸出：

主旨：30 days later, new thing

Sarah, been a minute. We shipped a one-click NetSuite sync this month, which I think solves the integration concern you flagged earlier.

Want a 5-minute Loom of it? Or a 15-minute call if you'd rather see live. Either works.

回覆率備註： 重新觸及郵件本身的回覆率 3-5%。

9. 主旨產生器（5 個選項）

目標： 回傳 5 個主旨供 A/B 測試。較高溫度以增加多樣性；你從中挑最好的兩個。 模型 + 溫度： Claude Sonnet 4.5 @ 0.8——刻意調高溫度以產生跨模式的變化。 使用時機： 每次活動發送前。測試五個中的兩個，留下贏家。

系統提示詞：

You generate cold email subject lines. Return exactly 5 options, one per line, no numbering, no quotes.
Rules: 4 words max each, lowercase except proper nouns, no "quick question", no "following up", no emojis.
Mix the patterns: 1 curiosity-gap, 1 question, 1 named tool/company reference, 1 number-based, 1 plain-English fragment.

使用者提示詞：

Generate 5 subject lines for a cold email to {{role}} at {{company}} about {{topic}}.
Recipient context: {{one_relevant_detail}}.

範例輸出：

close cycle at series c how netsuite breaks at 80 11 days to 4 the ledger before the controller month-end is suffering

回覆率備註： 主旨決定開信率，而開信率決定後續一切。在超過 50 個活動中測試，3 字好奇心缺口模式贏得約 45% 的 A/B 測試；問句模式贏約 25%；具名工具引用贏約 20%。

10. 追加銷售給既有客戶

目標： 向既有客戶推銷額外產品或座位擴充。不同的語氣——溫暖、具體、沒有假急迫感。 模型 + 溫度： Claude Opus 4.7 @ 0.4——最擅長區分既有客戶語氣和冷開發陌生人語氣。 使用時機： 由使用訊號觸發（達到座位上限、達到使用量級、新功能與其工作流程相關）。

系統提示詞：

You are a CSM-leaning AE writing to an existing customer. Voice: familiar, specific, never salesy. 70-word body cap.
Reference their actual usage. Offer the new thing as helpful, not as a quota grab.

使用者提示詞：

Write an upsell email to {{first_name}} at {{company}}.
Their current usage: {{usage_summary}}.
New thing to offer: {{feature_or_seat}}.
Trigger: {{usage_signal}}.

範例輸出：

主旨：hit your seat cap

Marcus, your team hit 19/20 seats last week. Two options before you bump into the cap:

1. Add 5 seats at the same per-seat price.
2. Move to the team plan ($X less per seat at 25+).

Want me to send the math?

回覆率備註： 使用量觸發的追加銷售回覆率 15-25%。訊號本身就是主力；提示詞只要不擋路就好。

11. 轉介紹請求（會議後）

目標： 在成功的會議或導入後，請求介紹一位具體的人。 模型 + 溫度： Claude Sonnet 4.5 @ 0.5——自然語氣，友善但具體。 使用時機： 一場很棒的會議後 30 天，或成功導入後 60 天。

系統提示詞：

You are an AE asking a happy customer or prospect for one specific warm intro. 60-word body cap.
Name the person you want introduced to. Make it easy to forward.

使用者提示詞：

Write a referral-ask email to {{first_name}}.
Context: {{recent_positive_interaction}}.
Ask: warm intro to {{specific_person}} at {{their_company_or_network}}.
Offer to draft the forwardable email.

範例輸出：

主旨：one ask

Sarah, given how the close-cycle work has gone, one ask: any chance you'd intro me to Marcus Chen at Atomic? I think the same setup would help his team.

Happy to draft the forwardable so it's a one-click for you.

回覆率備註： 時機對的時候（剛有成果、有真實關係）回覆率 40-60%。「我可以幫你寫好轉寄內容」這句話是讓它成功的關鍵——摩擦會殺死轉介紹。

我們在所有 AI SDR 專案中跑同樣的十一組提示詞。變的是提示詞裡的變數，模型不變。

把提示詞接入 n8n、Make 或 Zapier（一個真實的程式碼範例）

要大規模跑提示詞，就把它們接進自動化。n8n 最彈性（可自架，自己跑就 $0），Zapier 最簡單（付費）。把提示詞送進 OpenAI 或 Anthropic 節點，然後把輸出導向你的發送工具——Instantly、Smartlead 或 Lemlist。

我們每一組 AI SDR 系統都跑在這個迴圈上。以下是 n8n HTTP 節點呼叫 Anthropic 的設定——把它放進任何 HTTP Request 節點，你的工作流程裡就有了一個可程式化的 Claude 提示詞：

{
  "method": "POST",
  "url": "https://api.anthropic.com/v1/messages",
  "headers": {
    "x-api-key": "{{$credentials.anthropicApiKey}}",
    "anthropic-version": "2023-06-01",
    "content-type": "application/json"
  },
  "body": {
    "model": "claude-sonnet-4-5",
    "max_tokens": 400,
    "temperature": 0.5,
    "system": "You are an SDR at a B2B SaaS company. Voice: direct, conversational, one contraction per paragraph minimum. Body cap: 80 words.",
    "messages": [
      {"role": "user", "content": "{{ $json.prompt_with_variables }}"}
    ]
  }
}

迴圈是這樣閉合的：新資料列進入你的 Sheet 或 CRM，n8n 接收它，變數（first_name、company、signal_detail）被合併進使用者提示詞，Claude 回傳郵件內文，下一個節點把它交給 Instantly 或 Smartlead，最後一個節點把回覆（或沒有回覆）記錄回來源資料列。我們寫了完整的每月 $50 n8n SDR 架構，使用這些完全相同的提示詞，程式碼、憑證、排程和回覆解析全部包含在內。

提示詞不是產品，迴圈才是。提示詞只是一條 200 行工作流程中的一行 YAML。

冷郵件主旨提示詞怎麼寫？

主旨需要一個獨立的提示詞，用較高溫度（0.7-0.8）來增加多樣性。要求模型給 5 個選項，然後 A/B 測試其中 2 個。2026 年表現最好的模式：3 字好奇心缺口、問句式主旨、以及具名引用收件者的工具棧。

完整的主旨提示詞就是上面的第 9 組。在我們交付的超過 50 個活動中，真正贏得 A/B 測試的模式：

• 好奇心缺口（3 字）——「close cycle suffering」、「the ledger problem」
• 問句——「close cycle at series c?」
• 具名工具/公司引用——「how netsuite breaks at 80」、「ramp's close cycle」
• 數字型——「11 days to 4」、「$40m close cycle」
• 白話片段——「month-end is suffering」

開信率落在 28% 到 51% 之間，取決於清單品質、寄件域名暖機、以及主旨/預覽文字的一致性。通用模式（「quick question」、「following up」）在我們跑過的每個測試中都輸。拿掉它們。

系統提示詞 vs 使用者提示詞：省下 80% Token 的重複使用模式

系統提示詞設定 AI 的身份，每個工作階段只跑一次。使用者提示詞是實際的請求，每封郵件都寄。把系統提示詞存成可重複使用的產物，你就能透過提示詞快取省下約 80% 的 token 成本，而且輸出更乾淨，因為模型不用每次呼叫都重新讀一遍指令。

自從我們開始在生產環境快取系統提示詞，每月 Anthropic 帳單下降約 80%，品質零變化。同樣的輸出，每 1,000 次生成約 $0.20 而非 $1.00。提示詞快取可將重複執行相同系統提示詞的成本降低 80% 以上——第一次相同系統提示詞命中快取時，節省立刻顯現。

系統提示詞寫一次。使用者提示詞每天寫。這就是整個重複使用模式。

個人化資料從哪來？（不爛的訊號來源）

提示詞中的變數——{{recent_funding}}、{{tech_stack}}、{{job_change}}——來自訊號資料供應商。Apollo 和 Clay 做聯絡人資料豐富。Crunchbase 追蹤募資。BuiltWith 揭示技術棧。RB2B 辨識匿名網站訪客。LinkedIn Sales Navigator 呈現職位變動。

我們為每個訊號來源搭配一個備援——例如 Apollo 處理公司資料豐富，但對高價值帳戶我們疊加手動 LinkedIn 查找。AI 處理量，人類處理精準度。

AI 冷郵件合法嗎？CAN-SPAM、GDPR 和一鍵取消訂閱規則

AI 生成的冷郵件在美國合法，依據 CAN-SPAM（你必須包含實體地址、有效的取消訂閱連結和正確的寄件人資訊），在歐盟依據 GDPR 的正當利益基礎也合法。Gmail 和 Yahoo 自 2024 年 2 月起強制要求 RFC 8058 一鍵取消訂閱標頭。

我們有兩位客戶問過 AI 生成的冷郵件是否觸犯 CAN-SPAM。答案是不會——法律管的是揭露和誠實，不是作者身份。

CAN-SPAM（美國）：AI 改變了什麼（和沒改變什麼）

FTC CAN-SPAM 合規指南是最權威的清單。AI 生成內容不改變任何一條規則：你仍然需要每封郵件中的實體郵寄地址、10 個營業天內兌現的有效取消訂閱機制、正確的「From」和「Reply-To」欄位、不誤導的主旨、以及商業訊息的明確標示。AI 沒有讓這些變得更難。它只是讓你能寫出更多遵守規則的郵件。

GDPR（歐盟）：正當利益，而非同意

歐盟的 B2B 冷開發在 GDPR 第 6(1)(f) 條正當利益下通常合法，前提是你能證明一個平衡測試（你的推銷利益 vs. 收件者對隱私的合理期待）。歐洲資料保護委員會發布了工作指引。AI 生成不改變法律基礎。會改變的是：大量發送個人 Gmail 地址、違反服務條款抓取 LinkedIn、或聯絡面向消費者的角色。堅持商業情境開發、記錄你的平衡測試、提供簡單的退出選項。

RFC 8058 一鍵取消訂閱：大家都搞錯的送達率規則

RFC 8058 定義了 List-Unsubscribe-Post: List-Unsubscribe=One-Click 標頭，Gmail 和 Yahoo 自 2024 年 2 月起強制執行。使用者點一次；你的伺服器處理退出，不需要額外的確認頁面。大多數冷郵件工具（Instantly、Smartlead、Lemlist）會自動處理這個——確認你的工具有做。跳過它，你的域名信譽在 Gmail 上會快速下降。一旦下降，需要幾週才能恢復。

AI 不改變法律。法律一直都是「說實話、表明身份、讓他們能離開。」AI 只是讓你能更快說出來。

如何讓 AI 冷郵件聽起來不像 AI？

讓 AI 冷郵件聽起來像人寫的最快方法是兩階段工作流程：用一個模型生成，再用另一個模型以較低溫度改寫。去掉這些 AI 特徵詞彙：「I hope this email finds you well」、「I wanted to reach out」、破折號濫用、「use」、「synergy」、「moreover」。

我們是在一位潛在客戶逐字回覆「Did ChatGPT write this?」給客戶的第一封郵件後，才痛苦地發現破折號問題。解法是跑一次人性化改寫。禁用詞彙表：

• "I hope this email finds you well"
• "I wanted to reach out"
• "Just wanted to"（任何以此開頭的）
• "Let me know if this resonates"
• "Touching base"
• "Use"（作為動詞）
• "Synergy"
• "Moreover" / "Furthermore"
• "Today's [任何東西]"
• 任何可以用句號取代的破折號

以下是我們對每封生成郵件跑第二階段改寫時使用的系統提示詞：

You are a human SDR editor. Rewrite the email below to sound like a 32-year-old American salesperson wrote it in 90 seconds. Rules:
- No em-dashes. Use periods.
- No "I hope this email finds you well", "I wanted to reach out", "just wanted to", "leverage", "synergy", "moreover".
- Subject line: 4 words max, lowercase except proper nouns.
- Body: 80 words max. Three sentences max in opening paragraph.
- One contraction per paragraph minimum.
- End with a question, not a statement.
Return only the rewritten email.

用 Claude Sonnet 4.5 溫度 0.3 跑這個。兩階段流程每封郵件增加約 $0.001 成本，大約讓「這是人寫的嗎？」的通過率翻倍。

解決 AI 腔郵件的方法不是更好的提示詞。而是帶著更嚴格規則和人心中的第二階段改寫。

如何讓提示詞回傳 JSON 供自動化使用？

自動化用途時，要求 AI 回傳帶有具名字段的 JSON：subject、body、follow_up_1、follow_up_2。2026 年 OpenAI 和 Anthropic 都原生支援結構化輸出——設定 response_format: json_schema（OpenAI）或使用 Claude 的 tool-use schema（Anthropic）。

提示詞本身很短。Schema 優先，指令其次：

Return a JSON object with this exact schema:
{
  "subject": "string, max 50 chars",
  "body": "string, max 80 words",
  "follow_up_1": "string, max 60 words, references the original",
  "follow_up_2": "string, max 50 words, break-up tone"
}
Only return valid JSON. No prose, no markdown.

Recipient: {{first_name}} at {{company}}, role {{role}}.
Pain: {{pain}}. Value prop: {{value_prop}}.

生產環境的可靠性，使用結構化輸出函式庫確保生產可靠性——Instructor、Outlines 或供應商原生結構化輸出每次都贏過原始提示詞碰運氣。函式庫處理重試、schema 驗證和部分輸出復原，這樣你的自動化不會在模型偶爾回傳格式錯誤的 JSON 時崩潰。

JSON 輸出是解決 AI 冷郵件自動化第一大故障原因的不性感解法：把自由文字解析成欄位。

AI 冷郵件的現實回覆率是多少？

現實的 2026 年冷郵件回覆率：通用 ICP 開發 1-3%、訊號驅動的個人化郵件 4-8%、可暖場介紹的帳戶 10-15%。AI 提示詞不會突破這些天花板；它們讓你能用更小的團隊更快達到。

這些是平均值。回覆率取決於清單品質、訊號準確度、方案契合度和寄件域名信譽。AI 不改變物理定律——再好的提示詞寄到爛清單上還是會輸。

AI 提示詞不會突破回覆率天花板。它們讓一個 SDR 就能達到原本需要五個人的成績。

什麼時候不該用 AI 寫冷郵件？

以下情況跳過 AI 冷郵件：ACV 超過 $250K 的企業級交易（暖介紹贏）、受監管產業（HIPAA、金融顧問、法律、合規風險太高）、Fortune 500 C-suite 的高階主管開發（訊號雜訊比太高）、以及少於 20 個具名帳戶的 ABM 策略（小 N 時手動個人化勝過 AI）。

AI 冷郵件是大量作戰。對高信任、低 N 的開發，一封 9 分鐘手工打造的郵件贏過 11 組提示詞堆疊。

Techsy 如何做 AI 冷郵件

我們的 AI SDR 實務在每個專案中交付相同的技術棧：上述十一組提示詞、一個編排它們的 n8n 工作流程、Apollo 或 Clay 做訊號資料豐富、以及 Instantly 或 Smartlead 做發送。典型的合作每週每個 SDR 座位寄出 600-1,200 封出站郵件，在訊號豐富清單上的回覆率落在 3-7% 區間。

我們最信任的模式：為每個訊號來源搭配手動備援（Apollo 處理量，LinkedIn 查找處理 ACV 前 10% 的帳戶）。AI 處理量；人類處理精準度。我們從未交付過完全自主的 AI SDR 系統，因為精準度那一層才是會議真正來的地方。

如果你寧願讓我們幫你跑這套系統棧——同樣的十一組提示詞、同樣的自動化、同樣的合規姿態——我們提供託管服務。了解我們如何做 AI SDR 專案，包含完整方法論、定價模式和典型 90 天合作的樣子。

常見問題

最好的 ChatGPT 冷郵件提示詞是什麼？

沒有單一最好的。最強的提示詞是把七段結構應用到你的 ICP 上：角色、ICP、痛點、價值、語氣、長度、CTA。供應商模板庫跳過了我們附上的模型和溫度標籤，這意味著同一組提示詞貼到不同模型會產出截然不同的結果。

AI 能寫出不被標記為垃圾郵件的冷郵件嗎？

可以，前提是你把送達率和提示詞品質分開處理。提示詞決定語氣。SPF、DKIM、DMARC、暖機過的寄件域名和 RFC 8058 一鍵取消訂閱決定收件匣到達率。AI 不會搞壞任何一邊；爛的基礎設施才會。大多數「AI 郵件被標記」的報告追溯回去都是冷寄件域名，不是 AI 本身。

如何用提示詞讓 AI 大規模寫個人化冷郵件？

在使用者提示詞中使用訊號資料變數：{{recent_funding}}、{{tech_stack}}、{{job_change}}。從 Apollo、Clay、Crunchbase、BuiltWith 或 RB2B 拉取。系統提示詞在所有 800 次發送中保持固定。使用者提示詞依收件者注入變數。這個切分就是讓個人化真正能規模化的關鍵。

冷郵件的系統提示詞和使用者提示詞有什麼區別？

系統提示詞是 AI 的身份——語氣規則、長度上限、禁用詞彙。設定一次，跨所有郵件重複使用，可快取以節省 token。使用者提示詞是實際的請求，填入收件者變數，每封郵件寄出。在生產部署中，快取系統提示詞可削減約 80% 的 token 成本。

AI 冷郵件應該多長？

開場郵件 50-80 字，跟進 30-50 字。最大的長度錯誤是讓 AI 預設寫到 120 字以上。在提示詞中明確寫「Body: 80 words max」，模型就會可靠地遵守。更長的郵件不會換來更多回覆；只是讓人花更久刪除。

在 CAN-SPAM 和 GDPR 下寄 AI 生成的冷郵件合法嗎？

合法。AI 生成內容不改變法律義務。CAN-SPAM 仍然要求正確的寄件人資訊、有效的取消訂閱和實體地址。GDPR 仍然允許 B2B 冷開發，依據第 6(1)(f) 條正當利益，搭配記錄在案的平衡測試。來源：FTC CAN-SPAM 合規指南和 EDPB 正當利益指引。

如何讓 AI 生成的冷郵件聽起來不像 AI？

用較低溫度跑兩階段改寫，搭配一個禁用常見 AI 特徵的系統提示詞：「I hope this email finds you well」、破折號、「use」、「synergy」、「moreover」。完整的改寫提示詞在上面的反 AI 偵測段落中。每封郵件增加約 $0.001 成本，大約讓「這是人寫的嗎？」的通過率翻倍。

AI 冷郵件序列應該有幾封跟進？

三封跟進比一封的回覆率高約 3 倍，超過四封則邊際效益遞減。標準節奏：第 0 天（冷開發）、第 3 天（價值補充）、第 7 天（案例研究）、第 14 天（分手信）。第 30 天重新觸及是選擇性的，只用一次就該歸檔。來源：Lemlist 2025 節奏研究。