datagma-automation
作者 ComposioHQdatagma-automation 帮助 Claude 通过 Composio Rube MCP 执行 Datagma 潜在客户研究与数据补全。了解设置要求、连接检查、工具发现流程，以及更安全的使用方式。
评分：64/100。该技能可以收录，但更适合作为功能有限的实用型技能：它为 agent 提供了一个可信的 Datagma-through-Rube 启动与发现流程；不过目录用户应了解，该仓库没有提供具体的 Datagma 任务配方或打包好的实现资产。
- 有效的 skill frontmatter 声明了所需的 `rube` MCP，并提供了简洁触发说明：通过 Composio/Rube 自动化 Datagma 任务。
- 提供了清晰的前置条件和设置检查，包括连接 Rube MCP、管理 Datagma 连接，并在运行工作流前确认 ACTIVE 状态。
- 包含要求先使用 `RUBE_SEARCH_TOOLS` 的操作模式，有助于减少 agent 基于当前工具定义使用时的 schema 猜测。
- 该技能主要是动态的 Rube MCP 发现模式；从仓库内容来看，并未记录具体的 Datagma 操作、tool slugs，或端到端示例用例。
- 未包含支持文件、脚本、安装命令或本地参考资料，因此采用效果依赖外部 Rube/Composio 的可用性，以及实时 tool-schema 发现。
datagma-automation skill 概览
datagma-automation 能做什么
datagma-automation 是一个 Claude skill，用于通过 Composio 的 Rube MCP server 运行 Datagma 工作流。它面向线索研究与数据补全场景：当 agent 需要先发现当前 Datagma tool schema、确认 Datagma connection，再调用正确的 Rube tool，而不是凭记忆猜参数时，这个 datagma-automation skill 会很有用。
它的核心价值不是一段很长的 prompt 模板，而是强制执行一套流程：先搜索工具，验证 Datagma connection，使用返回的 schema，执行操作，然后校验输出。正因为如此，当 Datagma tool 名称或输入字段可能变化时，datagma-automation skill 更能降低出错风险。
最适合 Lead Research 团队
当你希望 AI agent 协助完成潜在客户数据补全、公司或联系人查询、资料完善，以及其他由 Datagma 支撑的操作时，可以在 Lead Research 场景中使用 datagma-automation。它尤其适合已经在使用 Claude 与 MCP，并希望减少脆弱手动 tool call 的 sales ops、增长团队、RevOps、代理机构和创始人。
它不是一个独立的线索数据库、爬虫或 CRM。这个 skill 的前提是：真正的工作由 Rube MCP 暴露出来的 Datagma tools 完成。
主要采用条件
在安装或依赖这个 skill 之前，先确认三件事：
- 你的 Claude-compatible client 可以添加 MCP server。
- Rube MCP 已配置为
https://rube.app/mcp。 - 可以通过
RUBE_MANAGE_CONNECTIONS激活 Datagma connection。
该仓库只包含一个 SKILL.md，因此没有 helper scripts、examples folder 或本地 package 文件可供检查。是否值得安装，主要取决于你的环境是否支持 Rube MCP，以及你的用例是否能映射到 Datagma 当前可用的 toolkit actions。
如何使用 datagma-automation skill
datagma-automation 安装与配置路径
使用以下命令从源仓库安装该 skill：
npx skills add ComposioHQ/awesome-claude-skills --skill datagma-automation
然后在你的 client 中添加 Rube MCP：
https://rube.app/mcp
MCP 可用后，先测试 RUBE_SEARCH_TOOLS 是否有响应。接着使用 toolkit datagma 调用 RUBE_MANAGE_CONNECTIONS。如果 connection 不是 ACTIVE，按返回的认证链接完成授权，并在要求 agent 执行 Datagma 任务前重新检查状态。
请先阅读 composio-skills/datagma-automation/SKILL.md。这个 skill 文件夹中没有配套的 README.md、rules/、resources/ 或 scripts/ 文件，因此源 skill 文件就是权威的实现指南。
这个 skill 需要哪些输入
为了稳定使用 datagma-automation，你需要给 agent 明确的业务目标、已知字段、期望输出格式和限制条件。像“research this lead”这样的弱提示会迫使模型自行推断过多信息。更好的提示应包含目标对象、已知信息、什么才算匹配，以及结果应如何返回。
示例：
Use datagma-automation for Lead Research. I need to enrich this prospect: name “Jane Smith”, company “Acme Robotics”, domain “acmerobotics.com”. First discover the current Datagma tools with
RUBE_SEARCH_TOOLS, verify the Datagma connection is active, then use the appropriate tool schema. Return only fields Datagma provides, include confidence or ambiguity notes, and format the result as a table with source fields and missing fields.
这个写法效果更好，因为它告诉 agent 要遵循哪套流程，避免编造字段，也让结果校验更容易。
调用 datagma-automation 的实用流程
一个好的 datagma-automation 使用流程是：
- 要求 agent 针对具体 Datagma 用例调用
RUBE_SEARCH_TOOLS。 - 如果返回了 session ID，复用该 session ID。
- 使用 toolkit
datagma检查RUBE_MANAGE_CONNECTIONS。 - 如果 connection 处于 active 状态，从发现到的 schema 中选择 tool slug 和参数。
- 通过 Rube MCP 执行 Datagma 操作。
- 在用于外联或 CRM 更新前，检查缺失、模糊或低置信度的结果。
不要要求 agent 跳过 tool discovery。上游 skill 明确把当前 schema 视为必需信息，因为 Rube 可能返回更新后的 tool slugs、必填字段、执行计划或注意事项。
提升输出质量的 prompt 写法
做线索补全时，建议按优先级提供标识符：email、domain、company name、person name、LinkedIn URL、location 和 role。做公司研究时，提供 domain、legal name、country，以及任何有助于消歧的线索。如果你要处理一个列表，先从小批量开始，这样可以在放大规模前检查字段质量和 rate-limit 表现。
同时要说明哪些事情不要做。例如：“Do not invent emails”、“Do not overwrite existing CRM fields unless Datagma returns a clear value”，或者“Flag multiple possible matches instead of choosing silently.”
datagma-automation skill 常见问题
datagma-automation 只适用于 Datagma 吗？
是的。这个 skill 的范围限定在通过 Rube MCP 暴露的 Composio Datagma toolkit 操作。它可以被放进更大的销售或研究工作流中使用，但可执行的 tool layer 是 Datagma 专用的。
它比普通 prompt 好在哪里？
普通 prompt 可以描述线索研究任务，但它未必知道当前的 Rube tool schema，也未必能确认你的 Datagma connection 是否处于 active 状态。datagma-automation skill 给 Claude 提供了一套可重复的操作模式：先发现工具，验证 connection，再使用返回的 schema 执行。这样可以减少调用失败和参数猜测。
新手可以使用这个 skill 吗？
如果新手能够添加 MCP server，并能按认证链接完成授权，就可以使用。主要学习成本不在 Datagma 语法，而在于理解：agent 必须先调用 RUBE_SEARCH_TOOLS 再执行，并且不应该依赖硬编码的 tool name。
什么时候不该使用它？
如果你需要离线补全、非 Datagma 数据提供商、Datagma 之外的网页抓取，或一个带 UI、脚本和已保存工作流的完整封装应用，就不要使用 datagma-automation。如果你的组织无法通过 Rube MCP 授权 Datagma connection，也应避免使用。
如何改进 datagma-automation skill
用更明确的目标提升 datagma-automation 结果
影响质量最大的因素是具体程度。不要写“find info about this company”，而是改成类似这样的任务：“Enrich company domain, industry, employee range, headquarters, and decision-maker contact fields for these five accounts; mark unavailable fields as null; do not infer missing values.”
清晰的目标能帮助 agent 在 RUBE_SEARCH_TOOLS 返回可用工具后，选择合适的 Datagma 操作。
避免常见失败模式
常见问题包括 Datagma connection 未激活、跳过 tool discovery、线索标识符不完整，以及对稀疏结果做出过度自信的解读。如果第一次输出看起来不对，要求 agent 展示它使用了哪个 Datagma tool slug 和 input schema，然后用更强的标识符或更窄的匹配规则重新运行。
对于 CRM 工作流，要把 enrichment 和 mutation 分开。先获取并审查补全后的数据；如果你的 toolchain 支持，再在受控的第二步中要求更新。
根据第一次输出继续迭代
第一次运行后，可以继续追问：
- 哪些记录存在多个可能匹配？
- 哪些字段是 Datagma 中缺失，而不是仅仅没有被输出？
- 哪些输入可以提高匹配置信度？
- 下一批是否应该使用相同的 schema 和输出列？
这样可以把 datagma-automation 从一次性查询，变成一个带有更清晰验收标准的可重复 Lead Research 工作流。
值得补充的仓库改进
如果能增加一份简短的 README.md、联系人和公司补全的示例 prompts、示例 RUBE_SEARCH_TOOLS 输出，以及 inactive connections 的故障排查说明，这个 skill 会更完善。一小组经过测试的 prompt recipes 也能帮助用户在安装前比较普通 prompting 与 datagma-automation 用法的差异。