lead-intelligence
작성자 affaan-mlead-intelligence는 Lead Research를 위한 AI 리드 인텔리전스 워크플로입니다. 잠재고객을 점수화하고, 따뜻한 연결 경로를 찾고, 아웃리치 초안을 작성합니다. lead-intelligence 스킬을 사용하면 우선순위가 매겨진 리드 목록을 만들고, 적합성을 평가하며, 리서치를 이메일, LinkedIn, 또는 X 아웃리치로 덜 추측에 의존해 전환할 수 있습니다.
이 스킬은 82/100점을 받아, 일반적인 아웃리치 프롬프트가 아니라 실제 리드 인텔리전스 워크플로를 원하는 디렉터리 사용자에게 적합한 후보입니다. 저장소에는 스킬을 트리거하고 파이프라인을 이해하며, 점수화, 상호 연결 맵핑, 보강, 아웃리치에 신호를 어떻게 사용하는지 확인할 수 있을 만큼의 운영 정보가 담겨 있지만, 여전히 외부 도구 접근에 의존하고 설치 시 안내는 일부 부족합니다.
- 리드 찾기, 아웃리치 목록, 따뜻한 소개, 잠재고객 순위화에 대한 명확한 활성화 신호와 예시 사용자 문구가 포함되어 있습니다.
- 다단계 워크플로가 분명합니다. 신호 점수화, 보강, 상호 매핑, 아웃리치 초안 작성이 각각 전용 에이전트 파일로 분리되어 있습니다.
- 구체적인 점수 기준과 출력 기대치가 에이전트의 추측을 줄이고, 워크플로를 더 재사용하기 쉽게 만듭니다.
- Exa MCP와 X API 자격 증명 같은 외부 서비스가 필요하므로, 바로 쓰기에는 제약이 있을 수 있습니다.
- 설치 명령, 스크립트, 지원 파일이 제공되지 않아 설정과 통합은 수동 해석이 필요합니다.
lead-intelligence 개요
lead-intelligence가 하는 일
lead-intelligence는 잠재 고객을 찾고, 점수화하고, 우선순위를 정한 뒤, 그 리서치를 실제 아웃리치 경로로 연결하는 AI 리드 인텔리전스 워크플로입니다. 이 skill은 Lead Research용 lead-intelligence가 필요한 사용자에게 가장 잘 맞습니다. 즉, 타깃 리스트를 만들고, 누구를 가장 중요하게 볼지 판단하고, 감으로 찍기보다 따뜻한 접근 경로를 찾아내는 데 강합니다.
누가 사용해야 하나
영업 프로스펙팅, 파트너십 아웃리치, 펀드레이징 리서치, 크리에이터·인플루언서 소싱, 창업자 간 네트워킹을 한다면 lead-intelligence skill을 사용하세요. 단순히 “이름을 찾는 것”이 아니라, “맥락이 붙은 올바른 이름을 찾고, 먼저 누구에게 연락할지 정하는 일”이 핵심일 때 특히 잘 맞습니다.
무엇이 다른가
이 skill은 시그널 스코어링, 상호 연결 관계 기반 랭킹, 따뜻한 경로 탐색, 채널별 아웃리치를 함께 다룹니다. 정적인 enrichment 목록보다 더 많은 것을 원한다면 이 점이 중요합니다. 원시 검색 결과를 더 나은 타이밍과 더 좋은 진입점이 있는, 우선순위가 매겨진 실행 가능한 숏리스트로 옮겨주는 데 도움이 되기 때문입니다.
lead-intelligence skill 사용 방법
설치하고 활성화하기
lead-intelligence install을 사용할 때는 skill을 Claude Code 환경에 추가한 다음, 저장소의 skill 파일을 기준으로 작업하세요. 원문에 제시된 기준 명령은 다음과 같습니다.
npx skills add affaan-m/everything-claude-code --skill lead-intelligence
설치 후에는 환경이 필요한 도구, 특히 Exa 검색과 X API 자격 증명에 접근할 수 있는지 확인해야 합니다. 그렇지 않으면 워크플로의 일부가 막힐 수 있습니다.
올바른 입력부터 시작하기
lead-intelligence usage 패턴은 대상을 좁게 줄수록 가장 강력합니다. 좋은 입력 예시는 다음과 같습니다.
- 타깃 산업 또는 니치
- 구매자 페르소나 또는 역할
- 지역 또는 시간대
- 적격 리드의 기준
- 선호 채널: email, LinkedIn, 또는 X
- 따뜻한 경로, 스코어링, 아웃리치 초안 중 무엇이 필요한지
“내 스타트업에 맞는 리드를 찾아줘” 같은 약한 요청은 정의되지 않은 부분이 너무 많습니다. 더 강한 프롬프트는 이런 식입니다: “북미 지역의 SaaS 운영 리더 25명을 찾아서 관련성과 최근 활동 기준으로 점수를 매기고, 따뜻한 소개 경로를 찾아 5개의 콜드 email을 초안해줘.”
먼저 이 파일들을 읽으세요
가장 빠르게 구현하려면 다음 파일들을 확인하세요.
SKILL.md: 활성화 규칙과 필요한 도구agents/signal-scorer.md: 랭킹 로직agents/mutual-mapper.md: 따뜻한 경로 분석agents/enrichment-agent.md: 프로필 및 회사 맥락agents/outreach-drafter.md: 메시지 길이와 개인화 규칙
이 방식은 워크플로가 실제로 무엇을 필요로 하는지 먼저 알려준다는 점에서 가장 좋은 lead-intelligence guide 접근입니다. 실행에 들어가기 전에 요구사항을 파악할 수 있기 때문입니다.
더 좋은 결과를 만드는 워크플로
실용적인 순서는 다음과 같습니다.
- 타깃 시장과 ICP를 정의합니다.
- 시그널 스코어링으로 우선순위가 매겨진 prospect 리스트를 만듭니다.
- 상위 prospect에 대해 현재 역할, 회사, 활동, 맥락을 보강합니다.
- 상호 연결 관계나 기타 따뜻한 경로를 매핑합니다.
- 각 사람에게 연락할 그럴듯한 이유를 확보한 뒤에만 아웃리치를 초안합니다.
스코어링이나 enrichment를 건너뛰면 아웃리치 단계가 쉽게 일반론으로 흐릅니다. 이 skill은 각 단계가 다음 단계의 불확실성을 줄여줄 때 가장 잘 작동합니다.
lead-intelligence skill FAQ
lead-intelligence는 영업팀만을 위한 것인가요?
아닙니다. lead-intelligence skill은 파트너십, 펀드레이징, 채용, 전문가 소싱에도 유용합니다. 관련성과 접촉 가능성을 기준으로 사람들의 우선순위를 정해야 한다면 도움이 됩니다.
lead-intelligence에 특별한 API가 필요한가요?
네, 핵심 워크플로는 Exa와 X API 접근에 의존합니다. LinkedIn, Apollo, Clay, GitHub 같은 선택적 소스는 범위를 넓히는 데 도움이 될 수 있지만, 이 skill은 단순한 프롬프트 템플릿이 아닙니다. 실제 검색 데이터와 그래프 데이터가 있어야 합니다.
일반 프롬프트보다 나은가요?
반복 가능한 프로스펙팅이 필요하다면 대체로 그렇습니다. 일반 프롬프트로도 몇 개의 리드를 초안할 수는 있지만, lead-intelligence는 스코어링, 상호 관계 분석, 아웃리치 순서 정리를 위한 구조화된 방법을 더해주므로 추측을 줄이고 일관성을 높입니다.
언제 사용하지 말아야 하나요?
회사 이름 몇 개만 한 번에 뽑으면 되거나, 필요한 데이터 소스에 접근할 수 없다면 사용하지 마세요. 타깃이 너무 넓은 경우에도 적합하지 않습니다. 랭킹 로직은 명확한 타깃 설정을 전제로 하기 때문입니다.
lead-intelligence skill 개선 방법
스코어링 모델에 더 좋은 입력을 주기
품질을 가장 크게 끌어올리는 방법은 기준을 더 명확히 하는 것입니다. 이상적인 직함, 회사 단계, 지역, 거래 규모, 주제 적합성, 그리고 지금 연락할 만한 사람의 조건을 구체적으로 적으세요. 필터가 명확할수록 lead-intelligence 워크플로가 추측해야 할 부분이 줄어듭니다.
이름만이 아니라 근거도 요청하기
출력을 요청할 때는 각 lead 뒤의 시그널도 함께 요구하세요. 최근 게시물, 역할 변경, 투자 유치, 공통 연결고리, 주제 겹침 같은 요소입니다. 이렇게 하면 피상적인 매칭을 줄일 수 있고, 내부에서 shortlist를 설명하기도 훨씬 쉬워집니다.
리서치와 아웃리치를 분리하기
흔한 실패 패턴은 lead list와 최종 메시지를 한 번에 요청하는 것입니다. 더 나은 결과는 두 단계 루프로 나옵니다. 먼저 식별하고 랭크한 뒤, 그다음 보강하고 초안하세요. 1차 결과가 어색하다면 메시지를 만들기 전에 타깃을 더 좁히는 편이 낫습니다.
가장 약한 고리부터 반복 개선하기
결과가 거의 맞지만 아직 쓰기 어렵다면, 실패한 부분을 다듬으세요. 페르소나 정의를 더 정확히 하거나, 제외 조건을 추가하거나, 채널을 더 좁히면 됩니다. lead-intelligence for Lead Research에서는 리드 수를 더 많이 달라고 하는 것보다 ICP나 소스 요구사항을 조금 조정하는 편이 대개 더 큰 개선을 만듭니다.