findymail-automation
作者 ComposioHQfindymail-automation 可協助 agent 透過 Composio Rube MCP 執行 Findymail 潛在客戶研究：探索目前可用的工具 schema、檢查啟用中的連線，並避免產生臆測的 email 結果。
此 skill 評分為 64/100，代表可接受但作為目錄收錄仍有侷限。目錄使用者可以理解它是以 Rube MCP 為基礎的 Findymail 自動化輔助工具，也有足夠的設定指引可供試用；但應預期它更像是精簡、通用的工作流程包裝，而非文件完整、針對特定任務深入設計的自動化套件。
- 有效的 skill frontmatter 清楚宣告 Rube MCP 相依性，並說明預期的 Findymail 自動化範圍。
- 先備條件與設定步驟說明如何連接 Rube MCP、管理 Findymail 連線，並在使用前確認 ACTIVE 狀態。
- 此 skill 反覆要求 agent 先呼叫 RUBE_SEARCH_TOOLS，有助於降低 schema drift，並提升使用最新工具定義時的觸發可靠度。
- 除了 SKILL.md 之外，沒有支援檔案、範例、腳本或 README，因此使用者很難看到已在真實 Findymail 工作流程中測試過的證據。
- 工作流程指引多半是通用的 Rube MCP 工具探索與連線設定，而不是針對 Findymail 任務設計的細部自動化。
findymail-automation skill 概覽
findymail-automation 適合用來做什麼
findymail-automation 是一個 Claude skill，可透過 Composio 的 Rube MCP 執行 Findymail 潛在客戶研究與 email 查找流程。它不是讓 agent 籠統地「找 emails」，而是要求 agent 先探索目前的 Findymail tool schemas、確認已驗證的連線狀態，接著再用有效輸入執行正確的 Rube tools。
最適合 Lead Research 團隊使用
findymail-automation skill 最適合 sales operations、招募人員、創辦人、growth teams，以及已經使用 Findymail 或希望讓 AI agent 協助補全潛在客戶名單的 lead researchers。當你手上有具體的 prospect data，例如姓名、公司、domains、LinkedIn URLs 或 target accounts，並希望 agent 自動化重複性的查找步驟、而不是猜測 API 參數時，它最有價值。
這個 skill 的差異在哪裡
它最大的差異在於以 Rube MCP 為優先的工作流程。skill 明確要求 agent 在採取動作前先呼叫 RUBE_SEARCH_TOOLS，因為 Composio tool names 與 schemas 可能會變動。相較於假設 Findymail API 結構固定的硬編碼 prompt，這樣更安全。它也包含連線檢查指引，避免 agent 在 Findymail 連線尚未啟用前，就浪費時間嘗試執行 workflow。
採用前需要知道的限制
這不是獨立的 scraper，也不是本機 CLI。你需要支援 MCP 的 client、在 https://rube.app/mcp 設定好的 Rube MCP，以及透過 Composio 啟用中的 Findymail connection。repository path 是 composio-skills/findymail-automation，主要應檢查的檔案是 SKILL.md；skill folder 中沒有額外 scripts、references 或 helper resources。
如何使用 findymail-automation skill
findymail-automation 安裝情境
如果你的 client 支援 skill installation，可以從 Composio skills repository 安裝此 skill：
npx skills add ComposioHQ/awesome-claude-skills --skill findymail-automation
接著在你的 AI client 中加入 MCP server endpoint 來設定 Rube MCP：
https://rube.app/mcp
在執行真正的 lead research 任務前，先要求 agent 驗證 RUBE_SEARCH_TOOLS 是否可用。接著，針對 toolkit findymail 使用 Rube connection manager；如果 connection 不是 ACTIVE，就完成回傳的 authentication flow。
這個 skill 需要哪些輸入
若要讓 findymail-automation 有最佳使用效果，請提供結構化的 prospect context，而不是模糊的請求。實用輸入包括：
- 人名與公司名稱
- Company domain
- LinkedIn profile URL（如果有）
- Job title 或 seniority filter
- 目標地區或 segment
- 輸出格式，例如 CSV 欄位或表格
- 關於 confidence、排除條件或人工審核的規則
較弱的 prompt 是：「Find emails for these leads.」較好的 prompt 是：「Use findymail-automation for Lead Research. First discover current Findymail tools with RUBE_SEARCH_TOOLS, confirm the Findymail connection is active, then enrich this list with work emails where possible. Return name, company, domain, email, confidence, source/tool used, and needs_review. Do not invent emails.」
實務工作流程
可靠的流程如下：
- 閱讀
SKILL.md，了解必要的 Rube flow。 - 要求 agent 針對精確的 Findymail 任務執行
RUBE_SEARCH_TOOLS，例如「find a verified work email from name and domain」。 - 要求它在呼叫任何 action tool 前，先檢查回傳的 schemas 與 execution plan。
- 透過 connection-management tool 確認 Findymail connection 已啟用。
- 先跑小批次、檢查輸出結果，再擴大到完整名單。
- 要求 agent 將 verified results 與不確定或缺漏的結果分開。
這個模式能降低 schema errors，也能避免 agent 捏造不存在的欄位。
可調整使用的 prompt 範本
開始時可使用這段 prompt：
“Use the findymail-automation skill. My goal is to enrich a lead list with verified work emails. First call RUBE_SEARCH_TOOLS for the current Findymail schemas and recommended execution plan. Check that the Findymail connection is active. Then process the leads below in batches of [batch size]. Return a table with [columns]. Mark any missing, ambiguous, or low-confidence result as needs_review and explain the reason briefly. Do not guess emails or use tools that were not discovered in the current session.”
findymail-automation skill 常見問題
findymail-automation 只適合技術使用者嗎？
不是，但它假設你的 AI client 能使用 MCP tools。若環境已經設定好，非技術使用者仍然可以受益。最困難的部分通常不是 prompt，而是確保 Rube MCP 可用，並且 Findymail toolkit connection 已啟用。
這比一般 prompt 好在哪裡？
一般 prompt 可能產生看似合理、但沒有工具支援的步驟，尤其在它假設了過時的 tool names 時。findymail-automation skill 加入了操作紀律：先探索 tools、檢查 schemas、確認 authentication，並且只針對可用的 Findymail actions 執行。對於重視準確性與可稽核性的 lead research 來說，這很有價值。
什麼情況不應該使用這個 skill？
如果你需要的是大範圍 web scraping、猜測個人 email、未支援的資料蒐集，或使用 Findymail 以外工具進行 enrichment，就不應使用它。如果你無法連接 Rube MCP，或沒有權限處理你提供的 prospect data，也不適合使用。
安裝前應該先看什麼？
先閱讀 composio-skills/findymail-automation/SKILL.md。它包含 prerequisites、setup path、tool discovery requirement，以及核心 workflow pattern。由於 folder 中沒有額外 scripts 或 README，這個 skill file 就是權威的 implementation guide。
如何改善 findymail-automation skill
先改善輸入，再改善 prompts
提升 findymail-automation 結果最快的方法，是提供更乾淨的 lead data。盡可能包含 domains、標準化公司名稱、移除重複資料，並將不完整的 records 分開。相較於人名加上模糊的公司標籤，人名加上 company domain 通常更容易執行。
避免常見失敗模式
常見問題包括跳過 RUBE_SEARCH_TOOLS、在 Findymail connection 尚未啟用前就執行、尚未測試就處理過多 leads，以及把猜測出的 emails 當成真實結果。在你的 prompt 中，請明確要求 schema discovery、connection verification、batch processing，並為不確定 records 標記 needs_review 狀態。
第一批輸出後再迭代
第一批處理完成後，檢查缺漏與 low-confidence rows。接著要求 agent 調整 workflow：只重試具備足夠 input data 的 records、normalize domains，或依照已探索到的 schema 更換要求使用的 Findymail tool。這能讓 findymail-automation guide 更適合真實的 lead operations，而不是一次性的 enrichment 嘗試。
加入團隊專屬 guardrails
若要用於 production，請加入你自己的規則，例如允許的 regions、consent requirements、CRM field names、deduplication，以及什麼樣的 confidence level 才算可用。上游 skill 提供的是 Rube 與 Findymail automation pattern；你的團隊應定義 acceptance criteria，用來判斷 lead 是否已準備好進入 outreach。