菜单
AI原生的潜在客户情报与外联管道。取代Apollo、Clay和ZoomInfo，提供基于代理的信号评分、相互排名、温暖路径发现、来源驱动的语音建模以及跨电子邮件、LinkedIn和X的渠道特定外联。当用户想要查找、筛选并联系高价值联系人时使用。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/mturac/everything-openai-codex --skill lead-intelligence命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
基于 SOC 职业分类
正在显示 SKILL.md
| name | lead-intelligence |
| description | AI原生的潜在客户情报与外联管道。取代Apollo、Clay和ZoomInfo，提供基于代理的信号评分、相互排名、温暖路径发现、来源驱动的语音建模以及跨电子邮件、LinkedIn和X的渠道特定外联。当用户想要查找、筛选并联系高价值联系人时使用。 |
| origin | ecc |
基于智能体的线索情报管道，通过社交图谱分析与温暖路径发现，寻找、评分并触达高价值联系人。
web_search_exa）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）┌─────────────┐ ┌──────────────┐ ┌─────────────────┐ ┌──────────────┐ ┌─────────────────┐
│ 1. 信号评分 │────>│ 2. 相互排序 │────>│ 3. 发现热路径 │────>│ 4. 丰富内容 │────>│ 5. 起草外联 │
└─────────────┘ └──────────────┘ └─────────────────┘ └──────────────┘ └─────────────────┘
不要从通用的销售文案中起草外联信息。
当用户的语气很重要时，首先运行 brand-voice。在此技能中重复使用其 VOICE PROFILE，而不是临时重新推导风格。
如果实时X访问可用，在起草前拉取最近的原创帖子。如果不可用，则使用提供的示例或最佳的仓库/网站材料。
在目标垂直领域中搜索高信号人员。根据以下标准为每个人分配权重：
| 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 |
| 近期相关话题活动 | 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 |
# Step 1: Define target parameters
target_verticals = ["prediction markets", "AI tooling", "developer tools"]
target_roles = ["founder", "CEO", "CTO", "VP Engineering", "investor", "partner"]
target_locations = ["San Francisco", "New York", "London", "remote"]
# Step 2: Exa deep search for people
for vertical in target_verticals:
results = web_search_exa(
query=f"{vertical} {role} founder CEO",
category="company",
numResults=20
)
# Score each result
# Step 3: X API search for active voices
x_search = search_recent_tweets(
query="prediction markets OR AI tooling OR developer tools",
max_results=100
)
# Extract and score unique authors
对于每个评分目标，分析用户的社交图谱以找到最温暖的路径。
social-graph-ranker 模型来评分桥梁价值| 因素 | 权重 |
|---|---|
| 与目标的联系数量 | 40% — 最高权重，联系最多 = 排名最高 |
| 共同联系人的当前角色/公司 | 20% — 决策者 vs 个人贡献者 |
| 共同联系人的地理位置 | 15% — 同一城市 = 更容易引荐 |
| 行业匹配 | 15% — 同一垂直领域 = 自然引荐 |
| 共同联系人的X账号/LinkedIn | 10% — 可识别性以便外联 |
规范规则：
当用户需要图数学本身、作为独立报告的桥接排名或显式衰减模型调优时，使用 social-graph-ranker。
在此技能中，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))
解读：
R(m) 和直接桥梁路径 -> 请求温暖引荐R(m) 和一跳桥梁路径 -> 有条件地请求引荐如果用户明确要求将排名引擎单独拆分、将数学计算可视化，或在完整线索工作流之外对网络进行评分，请先独立运行 `social-graph-ranker` 作为独立步骤，然后将结果反馈回此流程。
相互排名报告
=====================
#1 @mutual_handle (得分: 92)
姓名: Jane Smith
角色: Partner @ Acme Ventures
地点: San Francisco
与目标对象的连接数: 7
关联对象: @target1, @target2, @target3, @target4, @target5, @target6, @target7
最佳引荐路径: Jane 投资了 Target1 的公司
#2 @mutual_handle2 (得分: 85)
...
对于每个目标，找到最短的引荐链：
你 ──[关注]──> 互关A ──[投资了]──> 目标公司
你 ──[关注]──> 互关B ──[共同创立了]──> 目标人物
你 ──[在]──> 活动 ──[也参加了]──> 目标人物
对于每个合格的线索，拉取：
为每个线索生成个性化的外联信息。草稿应与来源匹配的语气配置文件和目标渠道保持一致。
按以下顺序选择一个主要渠道：
仅在有充分理由且节奏不会显得像垃圾邮件时使用多渠道。
目标：
避免：
目标：
避免：
对于每个目标，生成：
如果浏览器控制可用：
如果桌面自动化可用：
未经用户明确批准，不要自动发送消息。
用户应设置以下环境变量：
# Required
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="..."
# Optional
export LINKEDIN_COOKIE="..." # For browser-use LinkedIn access
export APOLLO_API_KEY="..." # For Apollo enrichment
此技能在 agents/ 子目录中包含专门的智能体：
用户：帮我找出预测市场中我应该联系的20位顶尖人物
智能体工作流程：
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 社交图谱以寻找共同联系人
3. enrichment-agent 提取公司数据和近期动态
4. outreach-drafter 为排名靠前的潜在联系人生成个性化消息
输出：包含热路径、语音画像摘要以及针对特定渠道或应用内草稿的排名列表
brand-voice 用于规范语气捕获connections-optimizer 用于在外联前进行先审后用的网络修剪和扩展