microsoft_clarity-automation
von ComposioHQmicrosoft_clarity-automation unterstützt Agents dabei, Microsoft Clarity über Composio Rube MCP für Sitzungsaufzeichnungen, Heatmaps und Verhaltensanalysen zu nutzen. Der Skill legt den Schwerpunkt auf RUBE_SEARCH_TOOLS als ersten Schritt, eine aktive Clarity-Verbindung und schema-bewusste Nutzung.
Dieser Skill erreicht 68/100 Punkte. Damit ist er für eine Aufnahme ins Verzeichnis geeignet, sollte aber eher als schlanker MCP-Workflow-Leitfaden präsentiert werden und nicht als vollständig eigenständiges Automatisierungspaket. Verzeichnisnutzer erhalten genug Anhaltspunkte, um zu verstehen, wann er sinnvoll ist – Microsoft Clarity-Automatisierung über Composio/Rube – und wie sie sicher starten. Für genaue Schemas und Ausführungsdetails sollten sie jedoch mit Live-Tool-Erkennung rechnen.
- Gültiges Skill-Frontmatter benennt den Zielbereich der Automatisierung klar und gibt die erforderliche Rube MCP-Abhängigkeit an.
- Voraussetzungen und Einrichtungsschritte erklären, wie Rube MCP verbunden, die Microsoft Clarity-Verbindung verwaltet und vor der Nutzung der ACTIVE-Status bestätigt wird.
- Der Skill weist Agents ausdrücklich an, zuerst RUBE_SEARCH_TOOLS aufzurufen, um aktuelle Microsoft Clarity-Schemas abzurufen. Das verbessert die Auslösbarkeit bei sich ändernden Composio-Tool-Definitionen.
- Außer SKILL.md sind keine Support-Dateien, Beispiele, Skripte oder Referenzmaterialien enthalten. Die Einführung hängt daher stark von der Live-Tool-Erkennung in Rube MCP ab.
- Der Auszug zeigt die grobe Workflow-Absicht, enthält aber nur wenige konkrete Beispiele für Microsoft Clarity-Aufgaben oder erwartete Ein- und Ausgaben. Nach der Schema-Erkennung könnten Agents daher weiter raten müssen.
Überblick über den microsoft_clarity-automation Skill
Was microsoft_clarity-automation leistet
Der microsoft_clarity-automation Skill hilft einem AI Agent, Microsoft Clarity über Composio’s Rube MCP toolkit zu bedienen. Er ist für Workflows rund um Session Recordings, Heatmaps, Projektanalysen, die Auswertung von Nutzerverhalten und den Abruf von Clarity-Daten gedacht, ohne dass Toolnamen oder Schemas manuell erraten werden müssen.
Die wichtigste Anweisung ist operativ: Der Agent soll zuerst RUBE_SEARCH_TOOLS aufrufen, weil sich Microsoft Clarity Tool-Schemas ändern können. Dadurch ist dieser Skill nützlicher als ein statischer Prompt, wenn ein aktueller, schema-bewusster Workflow benötigt wird.
Für wen und welche Aufgaben der Skill am besten passt
Dieser Skill eignet sich für Growth-, Product-, UX- und Analytics-Teams, die Microsoft Clarity bereits nutzen und einen Agent einsetzen möchten, um Verhaltensdaten zu untersuchen. Typische Aufgaben sind das Finden relevanter Recordings, das Prüfen der Heatmap-Verfügbarkeit, das Zusammenfassen von Nutzerfriktionen oder das Vorbereiten eines Analyse-Workflows vor einer tieferen manuellen Prüfung.
Besonders relevant ist er für Nutzer, die Workflow Automation rund um Customer-Behavior-Research, Conversion-Analysen, Onboarding-Reviews oder die Triage von Website-Problemen aufbauen.
Wichtige Voraussetzungen für die Einführung
Um den microsoft_clarity-automation skill zu nutzen, muss dein AI Client MCP unterstützen und Rube MCP konfiguriert haben. Außerdem brauchst du eine aktive Microsoft Clarity Verbindung über RUBE_MANAGE_CONNECTIONS mit dem microsoft_clarity toolkit.
Das Upstream-Repository enthält eine zentrale Datei, SKILL.md, ohne mitgelieferte Scripts, References oder Hilfsressourcen. Das macht die Installation einfach, bedeutet aber auch: Dein Prompt muss das Geschäftsziel, den Projektkontext, den Zeitraum und die Analysekriterien liefern.
So verwendest du den microsoft_clarity-automation Skill
Installation und Setup-Pfad für microsoft_clarity-automation
Installiere den Skill aus der Composio Skill Collection:
npx skills add ComposioHQ/awesome-claude-skills --skill microsoft_clarity-automation
Öffne anschließend die installierte SKILL.md unter:
composio-skills/microsoft_clarity-automation/SKILL.md
Konfiguriere Rube MCP in deinem Client, indem du Folgendes hinzufügst:
https://rube.app/mcp
Bevor du Clarity-Aufgaben anfragst, prüfe, ob RUBE_SEARCH_TOOLS verfügbar ist. Rufe dann RUBE_MANAGE_CONNECTIONS mit dem Toolkit microsoft_clarity auf. Wenn die Verbindung nicht ACTIVE ist, schließe den zurückgegebenen Autorisierungsablauf ab und bestätige den aktiven Status, bevor du Analyseaufgaben startest.
Welche Eingaben der Skill braucht
Eine vage Anfrage wie „analysiere Clarity“ lässt zu viel offen. Ein guter Prompt für microsoft_clarity-automation usage sollte Folgendes enthalten:
- das Microsoft Clarity Projekt oder die Website, um die es geht
- die geschäftliche Fragestellung, zum Beispiel „warum Nutzer die Pricing-Seite verlassen“
- den Zeitraum oder Vergleichszeitraum
- die zu prüfenden Verhaltenssignale, etwa Rage Clicks, Scroll Depth, Dead Clicks, Session Recordings oder Heatmaps
- das gewünschte Ausgabeformat, etwa eine priorisierte Problemliste, UX-Research-Notizen oder Experimentideen
- Datenschutz-, Compliance- oder Reporting-Vorgaben
Beispiel-Prompt:
„Use microsoft_clarity-automation to inspect Microsoft Clarity data for the marketing site. First discover current Rube tools and schemas. Focus on the last 14 days, especially pricing and signup pages. Look for heatmap patterns, confusing clicks, and session recording evidence of form friction. Return a prioritized table with issue, evidence, affected page, confidence, and recommended next action.“
Praktischer Workflow zur Vermeidung von Fehlern
Beginne jeden Lauf mit Tool Discovery:
RUBE_SEARCH_TOOLS: queries=[{"use_case":"session recordings, heatmaps, and user behavior analytics","known_fields":""}]
Verwende die zurückgegebenen Tool-Slugs und Schemas, statt Parameter zu erfinden. Bestätige anschließend, dass die Microsoft Clarity Verbindung aktiv ist. Starte dann mit der kleinsten sinnvollen Abfrage, zum Beispiel einem Projekt, einer Seitengruppe oder einem Zeitraum. Erweitere erst danach, wenn das erste Ergebnis zeigt, dass Schema und Datenzugriff korrekt funktionieren.
Für bessere Ergebnisse solltest du den Agent bitten, „beobachtete Evidenz“ von „Interpretation“ zu trennen. Clarity-Daten können Verhaltensmuster zeigen, beweisen aber nicht immer die Absicht der Nutzer.
Repository-Dateien, die du zuerst lesen solltest
Für diesen Skill ist SKILL.md die entscheidende Datei. Sie enthält Voraussetzungen, Setup-Hinweise, Anweisungen zur Tool Discovery und den grundlegenden Workflow-Rahmen. In der bereitgestellten Struktur gibt es kein README.md, metadata.json, keinen rules/-, resources/-, references/- oder scripts/-Ordner. Erwarte daher keine paketierten Beispiele über die Skill-Anweisungen hinaus.
FAQ zum microsoft_clarity-automation Skill
Ist microsoft_clarity-automation für Einsteiger geeignet?
Ja, sofern dein MCP Client bereits eingerichtet ist und du den Microsoft Clarity Autorisierungsablauf abschließen kannst. Der Skill reduziert die Notwendigkeit, Composio Toolnamen im Voraus zu kennen, weil er den Agent anweist, zuerst nach verfügbaren Tools zu suchen.
Weniger einsteigerfreundlich ist er, wenn du noch nie MCP Tools konfiguriert hast. Die wichtigste Hürde ist dann nicht der Skill-Text selbst, sondern das Verbinden von Rube MCP und das Aktivieren des Microsoft Clarity Toolkits.
Was ist der Vorteil gegenüber einem normalen Prompt?
Ein normaler Prompt kann Microsoft Clarity API-Aufrufe oder veraltete Felder halluzinieren. Das Muster aus dem microsoft_clarity-automation guide ist robuster, weil es den Agent anweist, vor der Ausführung aktuelle Tool-Schemas über RUBE_SEARCH_TOOLS zu ermitteln.
Das ist bei der Automatisierung von Analytics-Arbeit wichtig: Falsche Parameter können leere Ergebnisse, irreführende Zusammenfassungen oder fehlgeschlagene Tool Calls verursachen.
Wann sollte ich diesen Skill nicht verwenden?
Verwende ihn nicht, wenn du nur eine verständliche Erklärung brauchst, was Microsoft Clarity ist, oder wenn du keinen Zugriff auf das Zielprojekt in Clarity hast. Er ist außerdem kein Ersatz für Product-Analytics-Instrumentierung, A/B-Testing oder Compliance-Prüfung.
Vermeide breite, unklare Anfragen wie „sag mir, was Nutzer denken“. Verhaltensdaten aus Microsoft Clarity sind am stärksten, wenn sie an konkrete Seiten, Funnels, Zeitfenster und beobachtbare Ereignisse gebunden sind.
Passt der Skill in Workflow-Automation-Stacks?
Ja. microsoft_clarity-automation for Workflow Automation ist besonders nützlich in Kombination mit wiederholbaren Analyseabläufen: wöchentliche UX-Reviews, Launch-Monitoring, Triage von Conversion-Problemen oder Untersuchung von Support-Tickets. Kombiniere ihn mit klaren Reporting-Templates, damit die Ergebnisse in Product-, Design- oder Growth-Workflows weiterverwendet werden können.
So verbesserst du den microsoft_clarity-automation Skill
Prompts für microsoft_clarity-automation verbessern
Der größte Qualitätsgewinn entsteht, wenn das Ziel messbar formuliert ist. Frage nicht nach einer breiten Analyse, sondern definiere die Entscheidung, die du treffen musst.
Bessere Eingabe:
„Review Clarity behavior for the checkout funnel after the new form release. Compare the last 7 days with the previous 7 days if tools support it. Prioritize issues that appear in recordings or heatmaps and could block purchase completion.“
Damit gibst du dem Agent einen Workflow, einen Vergleichsrahmen und ein Kriterium für die Priorisierung.
Häufige Fehlerquellen vermeiden
Der häufigste Fehler ist, die Tool Discovery zu überspringen und Schemas zu erraten. Verhindere das mit der ausdrücklichen Anweisung: „Call RUBE_SEARCH_TOOLS first and use only returned tool schemas.“
Ein weiterer Fehler ist die Überinterpretation von Verhalten. Bitte den Agent, Konfidenzstufen zu kennzeichnen und zu jedem Befund das zugrunde liegende Clarity-Signal zu nennen. Wenn Daten fehlen, sollte der Agent benennen, was fehlt, statt eine Schlussfolgerung zu erfinden.
Nach dem ersten Ergebnis iterieren
Behandle das erste Ergebnis als Discovery-Durchlauf. Arbeite anschließend mit enger gefassten Prompts weiter, zum Beispiel:
- „Show only high-confidence issues affecting signup.“
- „Group findings by page template.“
- „Turn the top three issues into experiment hypotheses.“
- „List what additional Clarity data would strengthen or weaken these conclusions.“
So wird der Skill stärker handlungsorientiert und bleibt nicht bei einer reinen Zusammenfassung stehen.
Lokalen Teamkontext ergänzen
Da das Repository keine eigenen Geschäftsregeln enthält, solltest du deinen Kontext im Prompt ergänzen: wichtige Seiten, Funnel-Definitionen, bekannte Releases, auszuschließender Traffic, Gerätefokus und Reporting-Format. Für wiederkehrende Nutzung empfiehlt sich ein teamspezifischer Prompt-Wrapper, der immer Projektname, Zeitraum, Erfolgsmetrik und das erforderliche Evidenzformat enthält.