Apollo Automation

Apollo Automation skill 概覽

Apollo Automation 的功能

Apollo Automation 是一個 sales-intelligence skill，可透過 Composio MCP integration 使用 Apollo.io。它能協助 AI agent 依照自然語言指令搜尋組織、尋找目標帳戶中的人員、補全潛在客戶資料、管理聯絡人階段，並整理 lead lists，不必手動在 Apollo 篩選器中來回操作。

最適合 Lead Research 工作流程

Apollo Automation for Lead Research 最適合已經清楚 ideal customer profile、想加快執行速度的情境，例如：「找出德州 50-500 人的 SaaS 公司」、「找出這些帳戶中的 VP Sales 聯絡人」，或「用可取得的 email 與 phone data 補全這些 prospects」。它適合 sales development、創辦人親自開發名單、與招募相近的 sourcing，以及需要結構化 prospecting output 的 account research 團隊。

這個 skill 和一般 prompt 有什麼不同

一般 prompt 可以建議 prospecting 條件，但無法可靠地操作 Apollo 資料。Apollo Automation skill 是圍繞 Composio 中的 Apollo toolkit actions 設計，例如 organization search、people discovery、enrichment 與 stage management。它的實際價值不在於把文字寫得更漂亮，而是讓 agent 能從搜尋條件出發，透過工具支援一路產出可用的 Apollo records。

採用條件與限制

若要使用這個 skill，你需要支援 MCP 的 client、可存取 Composio/Rube MCP server，並且有一個透過 API key authentication 連接的 Apollo.io 帳號。輸出品質仍取決於 Apollo 資料可用性、你的 Apollo 方案限制，以及你的目標條件是否夠明確。這不能取代合規審查、同意規則，也不能取代人對 outreach fit 的判斷。

如何使用 Apollo Automation skill

Apollo Automation 安裝情境

請在可使用 Claude skills 與 MCP 的環境中，從 Composio skill repository 安裝這個 skill。典型的安裝指令如下：

npx skills add ComposioHQ/awesome-claude-skills --skill "Apollo Automation"

接著在你的 AI client 中設定 Composio MCP server：

https://rube.app/mcp

系統提示時，請使用 API key authentication 連接 Apollo.io。在依賴這套工作流程之前，先開啟 composio-skills/apollo-automation/SKILL.md，檢查設定方式與支援的 Apollo actions，因為這個 skill 只包含單一來源檔案，沒有額外 scripts 或 reference folders。

這個 skill 需要哪些輸入

使用 Apollo Automation 時，如果 prompt 包含四件事，效果會更好：目標公司條件、目標 persona、需要的資料欄位，以及預計的下一步。較弱的 prompt：「Find leads for my startup.」較好的 prompt：「Use Apollo to find US B2B SaaS companies with 50-300 employees, exclude agencies, then identify VP Sales or Head of Revenue contacts. Return company name, website, LinkedIn URL if available, contact name, title, email availability, and confidence notes.」

有用的篩選條件包括 organization name、location、excluded location、employee range，以及 industry 或 keyword tags。進行 people search 時，請指定 seniority、department、titles、geography，以及是否只要來自指定公司清單的聯絡人。

建議的 Apollo Automation 工作流程，讓結果更準

先從 organization search 開始，檢視公司名單，再到最符合條件的帳戶中 discover people。接著補全選定聯絡人的資料，最後再請 agent 整理 stages 或準備 outreach lists。這個順序可避免把 enrichment 額度浪費在不合適的公司上。

一個實用的 Apollo Automation guide workflow 如下：

1. 定義 ICP filters：industry、location、employee count、excluded segments。
2. 執行 organization search，並要求每家公司附上簡短理由。
3. 在 discovering contacts 前，先選定或修正 accounts。
4. 只 enrich 符合 title 與 seniority 的 contacts。
5. 要求輸出乾淨的表格或 CSV-ready output。

能有效觸發 skill 的 prompt 寫法

使用行動導向的語句，讓 agent 知道要呼叫 Apollo tools，而不是只做腦力激盪：

“Use Apollo Automation to search Apollo.io for cybersecurity companies in Germany with 100-1000 employees. Exclude consulting firms. For the top 25 matches, find CISOs, Heads of Security, or VP IT contacts. Enrich available emails, mark missing fields, and return a table with company, domain, employee range, contact name, title, email status, and why the account fits.”

這個 prompt 較強，因為它限制了範圍、點明資料來源、給出納入與排除規則、定義 persona，並指定輸出格式。

Apollo Automation skill 常見問題

Apollo Automation 適合初學者嗎？

可以，前提是你已經了解自己的目標市場。這個 skill 會減少操作 Apollo.io 搜尋的繁瑣步驟，但不會替你決定銷售策略。初學者應該從較窄的 segment 開始，先檢視前 10-25 筆結果，再調整 filters，最後才要求產出大型清單。

什麼情況不該使用這個 skill？

如果你只需要一般性的市場想法、沒有 Apollo 存取權限，或任務需要經過驗證的即時 outreach 合規判斷，就不應該使用 Apollo Automation。它也不適合「find all possible buyers」這類過於寬泛的需求，因為模糊的 ICP 會產生雜訊很高的 lead lists，並浪費 enrichment credits。

這和直接使用 Apollo.io 有什麼不同？

Apollo.io 提供介面與資料庫。Apollo Automation skill 則讓 agent 能用自然語言，以結構化方式操作 Apollo。當你需要可重複的 lead research 步驟、格式化輸出，以及不用手動點完每個畫面就能快速迭代 filters 時，它最有價值。

安裝前應該檢查什麼？

確認你的 AI client 支援 MCP、可以連接 https://rube.app/mcp，並且你的 Apollo 帳號具備 search 與 enrichment 所需的權限或 credits。另外也請檢查 SKILL.md 中目前的 tool names 與 examples，因為這個檔案之外沒有獨立的 helper scripts 可用來釐清行為。

如何改善 Apollo Automation skill

用更精準的 ICP 改善 Apollo Automation 結果

影響品質最大的槓桿是具體度。把「tech companies」改成「B2B SaaS companies selling to finance teams, 50-500 employees, headquartered in North America, excluding agencies and IT services」。只要可行，就加入負向篩選條件。排除條件通常比多加幾個正向關鍵字更能提升 lead quality。

避免常見失敗模式

常見問題包括搜尋範圍過大、聯絡人 seniority 不符、enrichment fields 缺漏，以及清單混入不同 segment 的公司。預防方式包括設定最大結果數、要求加入 rationale 欄位、請 agent 標記不確定的 matches，並把「found in Apollo」與「recommended for outreach」分開處理。

第一版輸出後繼續迭代

不要把第一次執行結果當成最終版。可以接著要求：「Remove companies under 100 employees」、「Only keep contacts with revenue leadership titles」、「Group by industry keyword」，或「Enrich only the 15 strongest accounts」。這能讓 Apollo Automation 使用起來更有效率，也避免把心力花在低適配度的 records 上。

在 prompt 中加入審查標準

若要讓 lead research 更扎實，請加入評分規則：fit score、exclusion reason、missing data，以及 next recommended action。例如：「Score each account from 1-5 based on ICP fit, explain any uncertainty in one sentence, and mark whether to enrich now, review manually, or discard.」這會把 Apollo Automation 從單純拉出原始 leads，轉成可直接支援決策的 prospecting workflow。