lead-intelligence
作者 affaan-mlead-intelligence 是一套面向 Lead Research 的 AI 潜客情报工作流，可用于评估潜在客户、寻找温暖触达路径，并起草外联内容。使用 lead-intelligence 技能，你可以构建分层优先级的潜客名单，判断匹配度，并将研究结果转化为 email、LinkedIn 或 X 外联文案，减少凭感觉判断。
该技能得分 82/100，说明它适合目录中想要真正的潜客情报工作流、而不是通用外联提示词的用户。仓库提供了足够的操作细节来触发技能、理解流程，并看出它如何利用信号进行评分、互联映射、丰富信息和外联；不过它仍依赖外部工具访问，且在安装阶段的指引上还有些不足。
- 用于找潜客、整理外联名单、识别温暖介绍路径和给潜在客户排序的激活信号很清晰，还包含了示例用户表述。
- 多阶段工作流表达明确：信号评分、信息丰富、互联映射和外联起草被拆分到各自的 agent 文件中。
- 具体的评分标准和输出预期减少了代理执行时的猜测，也让这个流程更容易复用。
- 需要 Exa MCP 和 X API 凭据等外部服务，可能会影响即开即用性。
- 未提供安装命令、脚本或支持文件，因此配置和集成都需要人工理解。
lead-intelligence 概览
lead-intelligence 是做什么的
lead-intelligence 是一个用于线索情报的 AI 工作流，负责发现、评分和排序潜在客户，再把这些研究转成可执行的触达路径。它最适合需要 用于线索研究的 lead-intelligence 的用户：先搭建目标名单，判断谁最重要，再找到更自然的切入方式，而不是靠猜。
适合谁使用
如果你在做销售拓客、合作伙伴拓展、融资调研、创作者/影响者筛选，或者创始人之间的网络联络，就适合用 lead-intelligence skill。当真正的任务不只是“找名字”，而是“找对名字、补足上下文，并决定先联系谁”时，它尤其合适。
它的不同之处
这个 skill 把信号评分、互相关联排序、暖路径发现和按渠道的外联结合在一起。若你关注的不只是一个静态的补全名单，这一点就很关键：它能把原始搜索结果推进成一个有排序、可直接行动的短名单，而且时机更好、切入点也更自然。
如何使用 lead-intelligence skill
安装并启用它
对于 lead-intelligence install，先把这个 skill 加到你的 Claude Code 环境里，然后基于仓库中的 skill 文件来工作。源文档里展示的基础命令是：
npx skills add affaan-m/everything-claude-code --skill lead-intelligence
安装完成后，确保环境可以访问所需工具，尤其是 Exa 搜索和 X API 凭证；否则工作流会被部分阻断。
先给出正确的输入
lead-intelligence usage 的效果最好是在你给出明确、聚焦的目标时。好的输入包括：
- 目标行业或细分领域
- 买家画像或岗位角色
- 地理位置或时区
- 什么才算合格线索
- 首选渠道：email、LinkedIn 或 X
- 你是否需要暖路径、评分，或外联文案
像“帮我找我创业公司的线索”这种模糊请求，未定义的内容太多。更强的提示会像这样： “找出北美 25 位 SaaS 运营负责人，按相关性和近期活跃度评分，然后识别暖引荐路径并起草 5 封 cold email。”
先看这些文件
要走最快的落地路径，先检查这些内容：
SKILL.md：启用规则和必需工具agents/signal-scorer.md：排序逻辑agents/mutual-mapper.md：暖路径分析agents/enrichment-agent.md：个人和公司上下文补全agents/outreach-drafter.md：消息长度和个性化规则
这也是最好的 lead-intelligence guide 方式，因为它会先告诉你这个工作流需要什么，再去运行它。
更容易产出好结果的工作流
更实用的顺序是：
- 定义目标市场和 ICP。
- 用信号评分建立排序后的潜在客户名单。
- 为前排候选补全当前职位、公司、活跃度和上下文。
- 映射共同联系人或其他暖路径。
- 只有在你已经有足够可信的联系理由后，再起草外联内容。
如果跳过评分或补全，外联这一步往往会变得很泛。这个 skill 最适合每一步都在为下一步缩小不确定性的时候使用。
lead-intelligence skill 常见问题
lead-intelligence 只适合销售团队吗？
不是。lead-intelligence skill 同样适用于合作拓展、融资、招聘，以及专家/资源搜寻。如果你需要按相关性和可联系性来优先排序人选，它就能派上用场。
使用 lead-intelligence 需要特殊 API 吗？
需要。核心工作流依赖 Exa 和 X API 访问。LinkedIn、Apollo、Clay 或 GitHub 等可选来源可以提升覆盖面，但这个 skill 不只是一个提示词模板；它预期你有真实的搜索和关系图数据。
它比普通提示词更好吗？
通常是的，尤其当你需要可重复的拓客流程时。通用提示词可以帮你起草几条线索，但 lead-intelligence 增加了结构化的评分、互相关联分析和外联排序方法，能减少拍脑袋判断并提升一致性。
什么情况下不该用它？
如果你只需要一份一次性的公司名单，或者你没有必要的数据源访问权限，就不该用它。它也不适合受众过于宽泛的场景，因为排序逻辑依赖清晰的目标定义。
如何改进 lead-intelligence skill
给评分模型更好的输入
最能提升质量的是更清楚的标准：理想职位、公司阶段、地理区域、交易规模、主题相关性，以及什么样的人值得现在就联系。你的过滤条件写得越明确，lead-intelligence 工作流需要自行推断的内容就越少。
要求证据，而不只是名字
当你请求输出时，应该同时要求每个线索背后的信号：最近发帖、职位变动、融资事件、共同联系人，或主题重合。这能帮助这个 skill 避免表面匹配，也让短名单更容易在内部站得住脚。
把研究和外联分开
常见的失败方式，是一口气同时要线索名单和最终文案。更好的做法是两步循环：先识别并排序，再补全和起草。如果第一轮结果不对，先收紧目标，再生成消息。
先修最弱的一环
如果结果已经接近可用但还差一点，就去修失败的那一环：优化 persona 定义、增加排除条件，或者缩小渠道范围。对于 lead-intelligence for Lead Research 来说，微调 ICP 或来源要求，通常比简单要求“更多线索”更能提升输出质量。