AI Skills
lead-intelligence

lead-intelligence

熱門

AI 原生潛在客戶情報與外展管道。取代 Apollo、Clay 和 ZoomInfo，提供代理驅動的信號評分、相互排名、溫和路徑發現、來源驅動的語音建模，以及跨電子郵件、LinkedIn 和 X 的渠道特定外展。當使用者想要尋找、篩選並接觸高價值聯絡人時使用。

23萬星標
3.5萬分支
更新於 2026/7/20
獲取技能源代碼

相關技能

crossing-the-chasm1717callkit967eightctl38萬
SKILL.md
readonlyread-only
name
lead-intelligence
description

AI 原生潛在客戶情報與外展管道。取代 Apollo、Clay 和 ZoomInfo，提供代理驅動的信號評分、相互排名、溫和路徑發現、來源驅動的語音建模，以及跨電子郵件、LinkedIn 和 X 的渠道特定外展。當使用者想要尋找、篩選並接觸高價值聯絡人時使用。

Lead Intelligence

代理驅動的潛在客戶情報管道，透過社交圖譜分析和溫和路徑發現，尋找、評分並接觸高價值聯絡人。

何時啟動

  • 使用者想要尋找特定產業的潛在客戶或 prospects
  • 建立合作、銷售或募資的外展清單
  • 研究該聯絡誰以及最佳接觸路徑
  • 使用者說「找潛在客戶」、「外展清單」、「我該聯絡誰」、「溫和介紹」
  • 需要根據相關性評分或排名聯絡人清單
  • 想要繪製共同聯絡人以找到溫和介紹路徑

工具需求

必要

  • Exa MCP — 針對人物、公司和信號的深度網路搜尋（web_search_exa）
  • X API — 追隨者/追隨圖譜、共同分析、近期活動（X_BEARER_TOKEN，以及寫入上下文憑證如 X_CONSUMER_KEY、X_CONSUMER_SECRET、X_ACCESS_TOKEN、X_ACCESS_TOKEN_SECRET）

選用（增強結果）

  • LinkedIn — 若可用則直接使用 API，否則使用瀏覽器控制進行搜尋、個人資料檢視和草稿撰寫
  • Apollo/Clay API — 若使用者有權限，用於資料豐富交叉比對
  • GitHub MCP — 用於開發者為中心的潛在客戶篩選
  • Apple Mail / Mail.app — 草擬冷郵件或溫和郵件，不自動寄送
  • 瀏覽器控制 — 當 API 覆蓋不足或受限時，用於 LinkedIn 和 X

管道概覽

┌─────────────┐     ┌──────────────┐     ┌─────────────────┐     ┌──────────────┐     ┌─────────────────┐
│ 1. 信號評分 │────>│ 2. 相互排名  │────>│ 3. 溫和路徑發現 │────>│ 4. 資料豐富  │────>│ 5. 外展草稿    │
└─────────────┘     └──────────────┘     └─────────────────┘     └──────────────┘     └─────────────────┘

外展前的語音設定

不要從通用的銷售文案撰寫外展內容。

每當使用者的語音很重要時，先執行 brand-voice。重複使用其 VOICE PROFILE，而不是在此技能中臨時重新推導風格。

若有即時 X 存取權限，在草稿前先拉取近期原創貼文。若無，則使用提供的範例或可用的最佳 repo/網站素材。

階段 1：信號評分

在目標垂直領域中搜尋高信號人物。根據以下項目為每個人分配權重：

信號 權重 來源
職位/頭銜符合度 30% Exa, LinkedIn
產業匹配 25% Exa 公司搜尋
近期相關主題活動 20% X API 搜尋, Exa
追隨者數/影響力 10% X API
地理位置接近度 10% Exa, LinkedIn
與你內容的互動 5% X API 互動

信號搜尋方法

# 步驟 1：定義目標參數
target_verticals = ["預測市場", "AI 工具", "開發者工具"]
target_roles = ["創辦人", "執行長", "技術長", "工程副總", "投資人", "合夥人"]
target_locations = ["舊金山", "紐約", "倫敦", "遠端"]

# 步驟 2：Exa 深度搜尋人物
for vertical in target_verticals:
    results = web_search_exa(
        query=f"{vertical} {role} 創辦人 執行長",
        category="company",
        numResults=20
    )
    # 為每個結果評分

# 步驟 3：X API 搜尋活躍聲音
x_search = search_recent_tweets(
    query="預測市場 OR AI 工具 OR 開發者工具",
    max_results=100
)
# 提取並評分不重複作者

階段 2：相互排名

對於每個已評分的目標，分析使用者的社交圖譜以找到最溫暖的路徑。

排名模型

  1. 拉取使用者的 X 追隨清單和 LinkedIn 聯絡人
  2. 對於每個高信號目標，檢查是否有共同聯絡人
  3. 應用 social-graph-ranker 模型來評分橋接價值
  4. 根據以下因素排名共同聯絡人：
因素 權重
與目標的聯絡人數 40% — 權重最高，最多聯絡人 = 最高排名
共同聯絡人的現任職位/公司 20% — 決策者 vs 個人貢獻者
共同聯絡人的所在地 15% — 同城市 = 更容易介紹
產業一致性 15% — 同垂直領域 = 自然介紹
共同聯絡人的 X 帳號 / LinkedIn 10% — 可識別性以便外展

標準規則：

當使用者想要圖譜數學本身、橋接排名作為獨立報告，或明確的衰減模型調整時，使用 social-graph-ranker。

在此技能中，使用相同的加權橋接模型：

B(m) = Σ_{t ∈ T} w(t) · λ^(d(m,t) - 1)
R(m) = B_ext(m) · (1 + β · engagement(m))

解讀：

  • 第一層：高 R(m) 且直接橋接路徑 -> 溫和介紹請求
  • 第二層：中 R(m) 且一跳橋接路徑 -> 條件式介紹請求
  • 第三層：無可行橋接 -> 使用相同潛在客戶記錄進行直接冷外展

輸出格式


如果使用者明確要求將排名引擎分開、視覺化數學，或在完整潛在客戶工作流程之外對網路進行評分，請先以獨立方式執行 `social-graph-ranker`，然後將結果回饋至此管道。
相互排名報告
=====================

#1  @mutual_handle (分數: 92)
    姓名: Jane Smith
    職位: Partner @ Acme Ventures
    地點: 舊金山
    與目標的聯絡人數: 7
    聯絡對象: @target1, @target2, @target3, @target4, @target5, @target6, @target7
    最佳介紹路徑: Jane 投資了 Target1 的公司

#2  @mutual_handle2 (分數: 85)
    ...

階段 3：溫和路徑發現

對於每個目標，找到最短的介紹鏈：

你 ──[追隨]──> 共同聯絡人 A ──[投資]──> 目標公司
你 ──[追隨]──> 共同聯絡人 B ──[共同創辦]──> 目標人物
你 ──[在活動認識]──> 活動 ──[也參加]──> 目標人物

路徑類型（按溫暖度排序）

  1. 直接共同 — 你們都追隨/認識同一個人
  2. 投資組合連結 — 共同聯絡人投資或顧問目標的公司
  3. 同事/校友 — 共同聯絡人在同一家公司工作或就讀同一所學校
  4. 活動重疊 — 兩人都參加過同一會議/計畫
  5. 內容互動 — 目標與共同聯絡人的內容互動，反之亦然

階段 4：資料豐富

對於每個合格的潛在客戶，拉取：

  • 全名、現任職稱、公司
  • 公司規模、募資階段、近期新聞
  • 近期 X 貼文（最近 30 天）— 主題、語氣、興趣
  • 與使用者的共同興趣（共同追隨、相似內容）
  • 近期公司事件（產品發布、募資輪、招聘）

資料豐富來源

  • Exa：公司資料、新聞、部落格文章
  • X API：近期推文、個人簡介、追隨者
  • GitHub：開源貢獻（針對開發者為中心的潛在客戶）
  • LinkedIn（透過瀏覽器使用）：完整個人資料、經歷、學歷

階段 5：外展草稿

為每個潛在客戶產生個人化的外展內容。草稿應符合來源驅動的語音設定檔和目標渠道。

渠道規則

電子郵件
  • 用於最高價值的冷外展、溫和介紹、投資人外展和合作請求
  • 當本地桌面控制可用時，預設在 Apple Mail / Mail.app 中草擬
  • 先建立草稿，除非使用者明確要求，否則不要自動寄送
  • 主旨行應簡潔具體，不要耍聰明
LinkedIn
  • 當目標在 LinkedIn 上活躍、共同圖譜上下文在 LinkedIn 上更強，或電子郵件信心較低時使用
  • 若 API 可用則優先使用
  • 否則使用瀏覽器控制來檢視個人資料、近期活動並草擬訊息
  • 保持比電子郵件更簡短，避免虛假的專業熱情
X
  • 用於高上下文的經營者、建造者或投資人外展，其中公開貼文行為很重要
  • 優先使用 API 進行搜尋、時間線和互動分析
  • 必要時回退到瀏覽器控制
  • DM 和公開回覆應比電子郵件更簡潔，並應引用目標時間線上的真實內容
渠道選擇啟發式

按此順序選擇一個主要渠道：

  1. 透過電子郵件的溫和介紹
  2. 直接電子郵件
  3. LinkedIn DM
  4. X DM 或回覆

僅在有強烈理由且節奏不會顯得垃圾郵件時才使用多渠道。

溫和介紹請求（給共同聯絡人）

目標：

  • 一個明確的請求
  • 一個具體的理由說明為何此介紹合理
  • 如果需要，易於轉發的簡短說明

避免：

  • 過度解釋你的公司
  • 堆疊社會證明
  • 聽起來像募資模板

直接冷外展（給目標）

目標：

  • 從具體且近期的事情開始
  • 解釋為何契合是真實的
  • 提出一個低門檻的請求

避免：

  • 泛泛的欽佩
  • 功能傾銷
  • 像「很樂意建立連結」這樣的廣泛請求
  • 強迫的反問句

執行模式

對於每個目標，產出：

  1. 推薦的渠道
  2. 該渠道最佳的理由
  3. 訊息草稿
  4. 可選的後續草稿
  5. 如果選擇電子郵件且 Apple Mail 可用，則建立草稿而不僅是回傳文字

如果瀏覽器控制可用：

  • LinkedIn：檢視目標個人資料、近期活動和共同上下文，然後草擬或準備訊息
  • X：檢視近期貼文或回覆，然後草擬 DM 或公開回覆語言

如果桌面自動化可用：

  • Apple Mail：建立包含主旨、內文和收件人的草稿電子郵件

未經使用者明確批准，不要自動發送訊息。

反模式

  • 沒有個人化的通用模板
  • 解釋你整個公司的長段落
  • 一條訊息中多個請求
  • 沒有具體內容的虛假熟悉感
  • 大量發送的訊息中可見的合併欄位
  • 電子郵件、LinkedIn 和 X 使用完全相同的複製內容
  • 平台形狀的垃圾內容，而非作者的真實語音

設定

使用者應設定這些環境變數：

# 必要
export X_BEARER_TOKEN="..."
export X_ACCESS_TOKEN="..."
export X_ACCESS_TOKEN_SECRET="..."
export X_CONSUMER_KEY="..."
export X_CONSUMER_SECRET="..."
export EXA_API_KEY="..."

# 選用
export LINKEDIN_COOKIE="..." # 用於瀏覽器使用 LinkedIn 存取
export APOLLO_API_KEY="..."  # 用於 Apollo 資料豐富

代理

此技能包含 agents/ 子目錄中的專門代理：

  • signal-scorer — 根據相關性信號搜尋和排名 prospects
  • mutual-mapper — 繪製社交圖譜連結並找到溫和路徑
  • enrichment-agent — 拉取詳細的個人資料和公司資料
  • outreach-drafter — 產生個人化訊息

使用範例

使用者：幫我找預測市場領域我該聯絡的前 20 個人

代理工作流程：
1. signal-scorer 搜尋 Exa 和 X 尋找預測市場領導者
2. mutual-mapper 檢查使用者的 X 圖譜以尋找共同連結
3. enrichment-agent 拉取公司資料和近期活動
4. outreach-drafter 為排名最高的潛在客戶產生個人化訊息

輸出：包含溫和路徑、語音設定檔摘要和渠道特定外展草稿或應用內草稿的排名清單

相關技能

  • brand-voice 用於標準語音捕捉
  • connections-optimizer 用於在外展前先審查再進行網路修剪和擴展