AI 冷邮件个性化：4 个实用技巧与案例

现在几乎所有人都在用 AI 做 Cold Email 个性化，但大多数人依然效果很差。原因通常不是你不会“套路”，而是你只学了战术，却没真正理解 Cold Email 个性化的底层原则。

想象一下：你照着健身博主的训练计划练了一个月，却毫无变化，因为你不懂饮食和动作标准。光有战术，替代不了基本功。

好消息是：下面我会把 Cold Email 个性化的核心原则讲清楚，并结合真实场景，展示我是怎么落地执行的。

本文会讲什么

Cold Email 个性化的不同类型
半个性化 Cold Email：最强 ROI 机器
Cold Email 个性化的 3 个底层原则
如何用招聘信息做 Cold Pitch 个性化
没有高价值数据时，如何让 Cold Email 更“像真人”

Cold Email 个性化的不同类型

当你想做 cold email 个性化时，第一件事永远是想清楚：你为什么要个性化？因为 Cold Email 个性化本质上只有两个目的：

提高相关性（relevance）：比如用 signals、受众分层（segmentation）等，让信息更贴合对方的 offer、痛点或需求，从而“觉得这邮件在说我”。
增加人味（human touch）：让对方相信你不是机器人、不是 AI SDR，也不是在海投（spray-and-pray）。

高度个性化 Cold Emails：适合高客单成交

通常，高度个性化的 campaign 转化会非常高，因为它清晰传达出：你做了功课，而且这封邮件是写给“他/她”的。

高度个性化邮件常见的依据包括：

他们在 LinkedIn 或 X 上发过的帖子（明确表达了需求或挑战）
Podcast 访谈里透露的优先级
他们发布的 YouTube 视频（能看出思路和偏好）
媒体报道/引用/专访
用 AI agents 做定制研究，去挖出独特洞察

Datablist 里的 AI Agent

高度个性化 campaign 的优点：

做得好的话，回复率能到 30–40%
更容易建立信任，成交更快

高度个性化 campaign 的缺点：

难扩展（Scalability）：符合条件的潜客数量往往有限
时间投入大：即使用 AI agents 自动化研究，高度个性化的邮件通常仍需要你逐封手写
成本效率问题：如果每个 prospect 研究 15–20 分钟，但 deal 很小，ROI 会很尴尬。我不建议早期 startup 这么做。

半个性化 Cold Email：最强 ROI 机器

这个方法的核心是：把名单分成清晰的受众子集（subset），每个子集发送“结构类似”的邮件，再用一些个性化变量（variables）做差异化。

它之所以有效，是因为你已经从过往与同类客户的交流中，知道他们普遍会卡在哪里。

这种做法常被叫做 “ICP campaigns”（Ideal Customer Profile campaigns）。

它通常是最稳定、最好的 ROI（return on investment），原因很简单：

搭建快、扩展也容易
个性化和效率之间拿捏得更平衡
容易做成 evergreen campaign，长期跑也能持续出效果

半个性化 campaign 的两种常见类型

1. ICP-Based Campaigns - 常见分组维度：

行业里共通的痛点
公司规模、增长阶段

2. Intent Signal Campaigns - 常见触发信号：

招聘信息（意味着优先级/团队结构在变化）
融资新闻（新预算出现）
使用的技术栈（兼容性与潜在需求）
其他 business signals（并购、扩张等）

用 P.S. 增加 Human Touch

💡 什么是 P.S.？ 邮件里的 “P.S.” 是 “postscript”（附言）的意思，就是在正文之后补充的一句话。

这种方式很适合：你还没有足够数据判断目标客户在乎什么，ICP 也还没定义清楚的阶段。

👉 也可以看看我们关于如何定义 Ideal Customer Profile的文章。

目的很简单：

让对方觉得你是个真人，而不是 spammer。

↳ 即使你的主文案还不够完美，也能提高回复概率。

一些思路：

研究对方的 case studies，在 P.S. 里顺带提一句
在 P.S. 里提对方在当前公司的任职时长
提一个他们所在地区/圈子里大家都会争论的话题

“甜中带苦”的结果是：

你经常会收到这样的回复："我对你的 offer 不感兴趣，但这是我收到过最好的 cold email，谢谢 Habib！"—— 这会让我同时感到失落又被认可。

me after reading “not interested at the moment but great email though”

总结一下，你其实有 3 个选择：

**高个性化 cold emails：**重研究、重定制，适合高价值客户，但难规模化。
**半个性化 cold emails：**最优 ROI 的选择，通过 ICP 分层或 intent signals 做差异化，易扩展、易自动化。
**Human touch cold email：**通过 P.S. 等细节让邮件更“像真人”，当你还没找到清晰 ICP 时也足够好用。

选哪一种，取决于你的阶段、资源、以及目标人群。

**我的建议：**先从半个性化开始，跑 A/B test，看哪个 ROI 最高。

📘 需要我帮你优化 Cold Emails（免费）

如果你需要我帮忙，可以在 LinkedIn 联系我，我会用 Datablist 帮你把这些 campaign 跑起来。

Cold Email 个性化的 3 个底层原则

就像科学家用基本定律解释宇宙一样，cold email 个性化也有一套关键规则：决定你的个性化邮件是“持续出回复”，还是“直接扑街”。

拆开来讲就是下面这 3 条。

原则 1：数据质量 = 个性化上限

数据质量是个性化的地基。依赖那种半年才更新一次的旧数据库，基本帮不上忙。

要做有效个性化，你需要更深的洞察，而这些往往需要额外研究——数据库通常提供不了。

没有准确数据，再创意的个性化也会失败。原因包括：

确保你找对人、找对公司
避免尴尬错误，比如恭喜对方“新任职位”，但人家几个月前就离职了
降低 bounce 和 spam report，提高 deliverability

Data is the most important variable of personalization

原则 2：个性化一定要“有目的”

“有目的”不仅仅是根据 intent signals 插一句话，而是你要养成一个思维框架：每次个性化都问自己——“我加这句的目的是什么？”

终极目标永远是拿到回复。 同时你也要想清楚：对方读完这封邮件，应该形成什么印象？

比如你希望他/她想到：

"这个人显然研究过我和我的情况"
"这个 sender 懂行，真的理解我们的行业"
"至少这看起来像真人写的，不像 bot"

不是每个人都会买账，但你的意图很关键。真诚、合理的个性化，永远比表面小花招更能打。

原则 3：要像真人写的，不要像 AI 写的

这看起来工作量很大，但其实真的没那么难： 即使用 AI 辅助，你的邮件也要读起来顺、像真人写的。否则不是进 spam，就是被无视。

这意味着：

❌ 不要把一堆数据丢给 AI，然后让它“生成一句个性化开场”

✅ 更好的做法是先搭一个 framework（框架）来引导 AI

➡️ 用这个框架把个性化扩展到成千上万条 leads

记住：这里的终极目标不是“生成个性化句子”，而是拿到回复。个性化只是手段。

接下来，在讲完这些类型与原则后，我会展示如何把它们落到实操里——用 Datablist 内置的 ChatGPT integration 做有效个性化，并把它规模化。

📘 Datablist 简介（快速了解）

Datablist 是一款 AI 驱动的表格工具（AI-powered spreadsheet），帮你采集、整理、Enrich 数据，用来自动化工作流，比如邮件个性化，而且不需要技术能力。你可以把它理解成“更强的 Excel”：内置数据源、自动化和 AI agents，能力远超传统电子表格。

Datablist covers every part of creating personalized cold emails automatically

4 个 Cold Email 个性化案例（附用法）

接下来我会用 4 个例子，演示如何做个性化 cold emailing：

基于人群分层做个性化
用招聘 JD 做 Cold Email 个性化
在 P.S. 里引用 Case Study
在 Cold Email 里加一条有趣的 P.S.

基于人群分层做个性化

我会用“首次创业者（first-time founders） vs 连续创业者（serial entrepreneurs）”这个分层，来做一套更精准、转化更稳的 cold email campaign。流程分两阶段：

第一阶段

用 Datablist 抓取 prospects 的 LinkedIn profiles，拿到最新的职业经历
把数据发给 ChatGPT，让它根据过往职位返回 "🔁 Serial Entrepreneur" 或 "1️⃣ First-time Entrepreneur"

第二阶段

设计 messaging framework（话术框架）
用 Datablist 把每个分层的个性化规模化

第一阶段：准备个性化所需数据

我已经在 Datablist 里导入了一份 prospect 列表，下一步就是去抓取他们的 LinkedIn profiles。

Prospects to send personalized cold emails to

💡 关于用 Datablist 抓取 LinkedIn 的一个小提醒

Datablist 支持拿到每个 prospect 最多 10 段过往经历，建议尽量多抓一些信息：数据越丰富，你能做的个性化方案就越多。不过今天我只用其中 3 段做示范。

Scraping prospects LinkedIn accounts with Datablist

Datablist 把他们的过往经历返回给我后，下一步我会对每一行跑 ChatGPT 4o mini，分析他们的职业路径。

这是我用来让名单“可个性化”的 prompt：

下面是 Datablist 返回的分层结果。接着我会进入第二阶段，把分层应用到文案里。

Segmented audience with Datablist’s ChatGPT integration

第二阶段：生成个性化邮件内容

现在分层已经完成，我就可以开始写 pitch。假设我在给这两类人推 Datablist，我会这样写：

给首次创业者：“Datablist 不只是帮你找 prospect，还能让你在预算不爆炸的情况下把 Outbound 跑起来。”
给连续创业者：“Datablist 让团队把 cold email campaign 上线速度提升 3 倍，因为整个流程都在一个平台完成。”
我绝不会写："我看到你是首次创业者/连续创业者" —— 这种话对方当然知道。
接下来我会按标签筛选列表（serial vs first-time）。

Segmented audience based on experience level

筛选后，我用 Datablist 的 bulk edit 功能把对应的 pitch 批量写进表格。这样在邮件系统里就能用列名当作 {{variable}} 来插入。

这样就完成了 cold email 个性化。

用招聘 JD 做 Cold Email 个性化

说实话，用招聘信息做个性化并不新鲜。大家都能做，优秀 recruiter 甚至早就在这么做了。真正的问题是：大多数人用错了方法。

💡 用招聘信息做个性化：正确打开方式

用 vacancy 做 cold email 个性化时，目标不是把 JD 逐条复述，而是让你的信息足够相关且有辨识度，让对方愿意打开并最终回复。一个很好用的方法是：提他们在招人时强调的软技能（soft skills），而不是只盯着经验年限。

**对你来说，这意味着：**你不只是“个性化”，而是在做一种更独特的个性化，能和竞争对手拉开差距。

下面是我如何用 job listings 做高度精准的 cold email 个性化：

首先，我会根据职位名称、行业和融资阶段，抓取一批 job listings。