Menu
冷邮件个性化：根据潜在客户信息生成定制主题行和邮件正文。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
| name | cold-email-personalizer |
| description | 冷邮件个性化：根据潜在客户信息生成定制主题行和邮件正文。 |
根据潜在客户(Lead)的信息，自动生成高度个性化的冷邮件，包含引人注目的主题行和针对性的邮件正文。
当用户说以下内容时启动此技能：
┌─────────────────────┐
│ 读取潜在客户数据 │
│ (CSV/JSON 文件) │
└──────────┬──────────┘
│
▼
┌─────────────────────┐
│ 筛选未处理的客户 │
│ (status != "sent") │
└──────────┬──────────┘
│
▼
┌──────┴──────┐
│ 遍历每位客户 │
└──────┬──────┘
│
▼
┌─────────────────────┐
│ 收集客户背景信息 │
│ (公司/职位/行业) │
└──────────┬──────────┘
│
▼
┌─────────────────────┐
│ AI 生成个性化邮件 │
│ - 主题行 │
│ - 邮件正文 │
└──────────┬──────────┘
│
▼
┌─────────────────────┐
│ 输出结构化结果 │
│ 保存到输出文件 │
└─────────────────────┘
CSV 格式:
name,email,company,position,industry,status
张三,zhang@example.com,科技有限公司,产品经理,SaaS,pending
李四,li@example.com,电商平台,运营总监,电商,pending
JSON 格式:
{
"leads": [
{
"name": "张三",
"email": "zhang@example.com",
"company": "科技有限公司",
"position": "产品经理",
"industry": "SaaS",
"linkedin": "https://linkedin.com/in/zhangsan",
"status": "pending"
}
]
}
{
"emails": [
{
"to": "zhang@example.com",
"name": "张三",
"subject": "关于提升产品团队效率的一点想法",
"body": "张三你好，\n\n我注意到科技有限公司最近在扩张产品线...",
"generated_at": "2025-12-29T10:30:00Z"
}
]
}
检查用户是否提供了数据文件路径：
使用 Read 工具读取客户数据文件：
读取文件 → 解析 CSV/JSON → 提取客户列表
验证必需字段：
name (必需)email (必需)company (可选但推荐)position (可选)industry (可选)过滤条件：
status 不是 "sent"status 不是 "replied"status 为空/pending如果客户信息不够详细，可以选择性地补充信息：
使用 WebSearch 搜索:
"[客户姓名] [公司名] LinkedIn"
"[公司名] 最新动态 融资"
提取：
对每个客户，使用以下提示词生成邮件：
邮件生成提示词:
你是一位专业的商务开发专家，擅长撰写高转化率的冷邮件。
请根据以下潜在客户信息，生成一封个性化的冷邮件：
【客户信息】
- 姓名: {name}
- 邮箱: {email}
- 公司: {company}
- 职位: {position}
- 行业: {industry}
- 其他信息: {additional_info}
【我们的产品/服务】
{product_description}
【邮件要求】
1. 主题行要简短有力，引起好奇心，避免垃圾邮件关键词
2. 开头要个性化，体现你了解对方
3. 痛点切入要精准，基于对方行业/职位
4. 价值主张要清晰，3秒内让对方明白能获得什么
5. CTA（行动号召）要具体，比如"15分钟快速交流"
6. 整体不超过150字（中文）/ 100词（英文）
7. 语气专业但不死板，像朋友推荐而非推销
【输出格式】
请严格按照以下 JSON 格式输出：
{
"subject": "邮件主题行",
"body": "邮件正文内容"
}
将所有生成的邮件汇总为结构化输出：
{
"generated_at": "2025-12-29T10:30:00Z",
"total_leads": 10,
"processed": 8,
"skipped": 2,
"emails": [
{
"to": "zhang@example.com",
"name": "张三",
"subject": "...",
"body": "...",
"personalization_points": ["提到了公司最近融资", "针对产品经理痛点"]
}
]
}
输出文件保存到：~/.claude/cache/cold-emails/
文件命名：emails-{日期}-{时间}.json
同时生成预览文件（Markdown格式）便于人工审核：
# 冷邮件生成结果
**生成时间**: 2025-12-29 10:30
**处理数量**: 8/10
---
## 邮件 #1 - 张三
**收件人**: zhang@example.com
**主题**: 关于提升产品团队效率的一点想法
**正文**:
张三你好，
我注意到科技有限公司最近在扩张产品线...
---
用户: 帮我根据 /path/to/leads.csv 生成冷邮件，我们的产品是一款 AI 客服工具
Claude:
1. 读取 leads.csv，发现 15 位潜在客户
2. 筛选出 12 位未处理客户
3. 逐一生成个性化邮件
4. 保存结果到 ~/.claude/cache/cold-emails/
5. 显示预览供用户审核
用户: 帮我给李总写一封冷邮件，他是 ABC公司 的 CEO，主要做跨境电商
Claude:
[直接根据提供的信息生成个性化邮件]
用户: 生成冷邮件并导出为 CSV，方便导入邮件工具
Claude:
[生成邮件后，额外导出 CSV 格式]
生成邮件后，自动检查：
~/.claude/cache/cold-emails/emails-{YYYYMMDD}-{HHMMSS}.jsonemails-{YYYYMMDD}-{HHMMSS}.mdemails-{YYYYMMDD}-{HHMMSS}.csvGEO 内容优化：调整文章结构，让内容更容易被 AI 搜索引用。
Grok X 实时抓取：让 Claude 调用本地 grok-build 获取真实 X (Twitter) 帖子。 X 模式必须优先驱动 Grok 原生 X 工具族：x_keyword_search、x_semantic_search、 x_user_search、x_thread_fetch；必要时再用 web_search/open_page 交叉验证。 返回带 @用户名、点赞/浏览数、链接、时间的真实帖子。复用用户已登录的 grok.com 订阅， 调用零额外成本（不像 MCP 方案要 xAI API key 按 token 付费）。 三种模式：x（X 实时抓取，主力）、ask（把 Grok 当独立第二意见）、continue（续接追问）。 当用户需要真实 X/Twitter 实时数据时使用，例如： 问问 grok X 上在聊什么、让 grok 搜 X 上对某事的实时讨论、grok 看看 @某账号最近发了什么、 X 上现在怎么说、X 实时热点、X 实时趋势、ask grok what X is saying about、 grok 第二意见、consult grok。 排除（不要触发本 skill）：写 X 推文 → 用 x-twitter-writer；大规模历史语料采集 → 用 x-sousuo；泛网络调研 → 用 smart-research。本 skill 的差异点是 Grok 对公共 X 搜索 工具有原生路径，适合可复核的 X 话语采样；不是 firehose，也不是事实裁判。 没有"公共 X 搜索 / X 实时反馈 / thread 上下文"诉求时不要用它。
网红评估：分析社交账号公开数据，计算评分，辅助筛选 KOL 合作对象。
LinkedIn 帖子创作：根据品牌调性和主题生成专业帖子，并支持反馈优化。
Loopforge：把模糊工作流整理成可复用的 AI Agent 工作流循环规范和提示词。
SEO 分析：检查网站结构、技术指标和内容质量，输出搜索优化建议。