AI Skills
lead-intelligence

lead-intelligence

热门

AI 原生的潜在客户情报与拓展管道。通过智能体驱动的信号评分、互相关注排名、温暖路径发现、来源驱动的语音建模以及跨邮件、LinkedIn 和 X 的渠道特定外联，替代 Apollo、Clay 和 ZoomInfo。当用户想要寻找、筛选并联系高价值联系人时使用。

23万Star
3.5万Fork
更新于 2026/7/20
获取 Skill源代码

相关 Skills

crossing-the-chasm1717callkit967eightctl38万
SKILL.md
readonly只读
name
lead-intelligence
description

AI 原生的潜在客户情报与拓展管道。通过智能体驱动的信号评分、互相关注排名、温暖路径发现、来源驱动的语音建模以及跨邮件、LinkedIn 和 X 的渠道特定外联，替代 Apollo、Clay 和 ZoomInfo。当用户想要寻找、筛选并联系高价值联系人时使用。

Lead Intelligence

智能体驱动的潜在客户情报管道，通过社交图谱分析和温暖路径发现，寻找、评分并联系高价值联系人。

何时激活

  • 用户想要在特定行业寻找潜在客户或线索
  • 为合作、销售或融资建立外联名单
  • 研究应该联系谁以及最佳联系路径
  • 用户说“找潜在客户”、“外联名单”、“我应该联系谁”、“温暖介绍”
  • 需要按相关性对联系人列表进行评分或排名
  • 想要映射共同联系人以找到温暖介绍路径

工具要求

必需

  • Exa MCP — 深度网络搜索，用于查找人员、公司和信号（web_search_exa）
  • X API — 关注者/关注图谱、互相关注分析、近期活动（X_BEARER_TOKEN，以及写上下文凭据如 X_CONSUMER_KEY、X_CONSUMER_SECRET、X_ACCESS_TOKEN、X_ACCESS_TOKEN_SECRET）

可选（增强结果）

  • LinkedIn — 如果可用则直接使用 API，否则使用浏览器控制进行搜索、个人资料检查和草稿撰写
  • Apollo/Clay API — 如果用户有访问权限，用于丰富交叉引用
  • GitHub MCP — 用于以开发者为中心的潜在客户资格认定
  • Apple Mail / Mail.app — 起草冷邮件或温暖邮件，不自动发送
  • 浏览器控制 — 当 API 覆盖不足或受限时用于 LinkedIn 和 X

管道概览

┌─────────────┐     ┌──────────────┐     ┌─────────────────┐     ┌──────────────┐     ┌─────────────────┐
│ 1. 信号评分  │────>│ 2. 互相关注  │────>│ 3. 温暖路径    │────>│ 4. 丰富      │────>│ 5. 外联草稿    │
│             │     │    排名      │     │    发现        │     │              │     │                │
└─────────────┘     └──────────────┘     └─────────────────┘     └──────────────┘     └─────────────────┘

外联前的语音

不要从通用的销售文案中起草外联内容。

每当用户的语音很重要时，先运行 brand-voice。复用其 VOICE PROFILE，而不是在此技能内临时重新推导风格。

如果有实时的 X 访问权限，在起草前拉取最近的原创帖子。如果没有，则使用提供的示例或最佳的仓库/网站材料。

阶段 1：信号评分

在目标垂直领域搜索高信号人员。根据以下因素为每个人分配权重：

信号 权重 来源
角色/职位匹配 30% Exa, LinkedIn
行业匹配 25% Exa 公司搜索
近期相关主题活动 20% X API 搜索, Exa
关注者数量/影响力 10% X API
地理位置接近度 10% Exa, LinkedIn
与您内容的互动 5% X API 互动

信号搜索方法

# 步骤 1：定义目标参数
target_verticals = ["预测市场", "AI 工具", "开发者工具"]
target_roles = ["创始人", "CEO", "CTO", "工程副总裁", "投资人", "合伙人"]
target_locations = ["旧金山", "纽约", "伦敦", "远程"]

# 步骤 2：Exa 深度搜索人员
for vertical in target_verticals:
    results = web_search_exa(
        query=f"{vertical} {role} 创始人 CEO",
        category="company",
        numResults=20
    )
    # 对每个结果评分

# 步骤 3：X API 搜索活跃声音
x_search = search_recent_tweets(
    query="预测市场 OR AI 工具 OR 开发者工具",
    max_results=100
)
# 提取并评分唯一作者

阶段 2：互相关注排名

对于每个评分后的目标，分析用户的社交图谱以找到最温暖的路径。

排名模型

  1. 拉取用户的 X 关注列表和 LinkedIn 联系人
  2. 对于每个高信号目标，检查共同联系人
  3. 应用 social-graph-ranker 模型来评分桥梁价值
  4. 按以下因素对互相关注者进行排名：
因素 权重
与目标连接的数量 40% — 最高权重，连接最多 = 排名最高
互相关注者当前角色/公司 20% — 决策者 vs 个人贡献者
互相关注者所在地 15% — 同城 = 更容易介绍
行业匹配度 15% — 同行业 = 自然介绍
互相关注者的 X 账号 / LinkedIn 10% — 可识别性用于外联

规范规则：

当用户想要图计算本身、桥梁排名作为独立报告或显式衰减模型调优时，使用 social-graph-ranker。

在此技能内，使用相同的加权桥梁模型：

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

解释：

  • 第 1 层：高 R(m) 和直接桥梁路径 -> 温暖介绍请求
  • 第 2 层：中等 R(m) 和一跳桥梁路径 -> 条件性介绍请求
  • 第 3 层：无可行桥梁 -> 使用相同潜在客户记录进行直接冷外联

输出格式


如果用户明确希望将排名引擎拆解出来、可视化数学计算或在完整潜在客户工作流之外对网络进行评分，则先作为独立步骤运行 `social-graph-ranker`，然后将结果反馈回此管道。
互相关注排名报告
=====================

#1  @mutual_handle (得分: 92)
    姓名: 张三
    角色: 合伙人 @ Acme Ventures
    地点: 旧金山
    与目标连接数: 7
    连接至: @target1, @target2, @target3, @target4, @target5, @target6, @target7
    最佳介绍路径: 张三投资了 Target1 的公司

#2  @mutual_handle2 (得分: 85)
    ...

阶段 3：温暖路径发现

对于每个目标，找到最短的介绍链：

您 ──[关注]──> 互相关注者 A ──[投资了]──> 目标公司
您 ──[关注]──> 互相关注者 B ──[共同创立了]──> 目标人物
您 ──[在活动中相遇]──> 活动 ──[也参加了]──> 目标人物

路径类型（按温暖度排序）

  1. 直接互相关注 — 你们都关注/认识同一个人
  2. 投资组合连接 — 互相关注者投资或顾问目标公司
  3. 同事/校友 — 互相关注者曾在同一家公司工作或就读同一所学校
  4. 活动重叠 — 都参加了同一会议/项目
  5. 内容互动 — 目标与互相关注者的内容互动，反之亦然

阶段 4：丰富

对于每个合格的潜在客户，拉取：

  • 全名、当前职位、公司
  • 公司规模、融资阶段、近期新闻
  • 近期 X 帖子（最近 30 天）— 主题、语气、兴趣
  • 与用户的共同兴趣（共同关注、相似内容）
  • 近期公司事件（产品发布、融资轮次、招聘）

丰富来源

  • Exa：公司数据、新闻、博客文章
  • X API：近期推文、简介、关注者
  • GitHub：开源贡献（针对以开发者为中心的潜在客户）
  • LinkedIn（通过浏览器使用）：完整个人资料、经历、教育

阶段 5：外联草稿

为每个潜在客户生成个性化外联内容。草稿应与来源驱动的语音档案和目标渠道匹配。

渠道规则

邮件
  • 用于最高价值的冷外联、温暖介绍、投资者外联和合作请求
  • 当本地桌面控制可用时，默认在 Apple Mail / Mail.app 中起草
  • 先创建草稿，除非用户明确要求，否则不自动发送
  • 主题行应简洁具体，不要耍小聪明
LinkedIn
  • 当目标在 LinkedIn 上活跃、互相关注图谱上下文在 LinkedIn 上更强或邮件信心较低时使用
  • 如果可用，优先使用 API 访问
  • 否则使用浏览器控制检查个人资料、近期活动和起草消息
  • 保持比邮件更短，避免虚假的专业热情
X
  • 用于高上下文操作者、建设者或投资者外联，其中公开发帖行为很重要
  • 优先使用 API 访问进行搜索、时间线和互动分析
  • 必要时回退到浏览器控制
  • 私信和公开回复应比邮件更紧凑，并引用目标时间线上的真实内容
渠道选择启发式

按此顺序选择一个主要渠道：

  1. 通过邮件的温暖介绍
  2. 直接邮件
  3. LinkedIn 私信
  4. X 私信或回复

仅在有充分理由且节奏不会显得垃圾邮件时才使用多渠道。

温暖介绍请求（给互相关注者）

目标：

  • 一个明确的请求
  • 一个具体的理由说明为什么这个介绍有意义
  • 如果需要，提供易于转发的简介

避免：

  • 过度解释您的公司
  • 堆砌社会证明
  • 听起来像筹款模板

直接冷外联（给目标）

目标：

  • 从具体且近期的事情开始
  • 解释为什么匹配是真实的
  • 提出一个低摩擦的请求

避免：

  • 泛泛的赞美
  • 功能倾倒
  • 像“很乐意联系”这样的宽泛请求
  • 强制性的反问句

执行模式

对于每个目标，生成：

  1. 推荐的渠道
  2. 该渠道最佳的原因
  3. 消息草稿
  4. 可选的跟进草稿
  5. 如果邮件是所选渠道且 Apple Mail 可用，则创建草稿而不是仅返回文本

如果浏览器控制可用：

  • LinkedIn：检查目标个人资料、近期活动和互相关注上下文，然后起草或准备消息
  • X：检查近期帖子或回复，然后起草私信或公开回复语言

如果桌面自动化可用：

  • Apple Mail：创建包含主题、正文和收件人的邮件草稿

未经用户明确批准，不要自动发送消息。

反模式

  • 没有个性化的通用模板
  • 解释整个公司的长段落
  • 一条消息中包含多个请求
  • 没有具体细节的虚假熟悉感
  • 批量发送的消息中可见的合并字段
  • 为邮件、LinkedIn 和 X 重复使用相同的文案
  • 平台化的垃圾内容，而非作者的真实声音

配置

用户应设置以下环境变量：

# 必需
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="..."

# 可选
export LINKEDIN_COOKIE="..." # 用于浏览器使用 LinkedIn 访问
export APOLLO_API_KEY="..."  # 用于 Apollo 丰富

智能体

此技能包含 agents/ 子目录中的专用智能体：

  • signal-scorer — 按相关性信号搜索和排名潜在客户
  • mutual-mapper — 映射社交图谱连接并找到温暖路径
  • enrichment-agent — 拉取详细的个人资料和公司数据
  • outreach-drafter — 生成个性化消息

使用示例

用户：帮我找到预测市场中我应该联系的 top 20 人

智能体工作流：
1. signal-scorer 在 Exa 和 X 上搜索预测市场领导者
2. mutual-mapper 检查用户的 X 图谱以查找共同连接
3. enrichment-agent 拉取公司数据和近期活动
4. outreach-drafter 为排名靠前的潜在客户生成个性化消息

输出：带有温暖路径、语音档案摘要和渠道特定外联草稿或应用内草稿的排名列表

相关技能

  • brand-voice 用于规范语音捕获
  • connections-optimizer 用于在外联前进行先审查后优化的网络修剪和扩展