microsoft_clarity-automation

microsoft_clarity-automation skill 概览

microsoft_clarity-automation 能做什么

microsoft_clarity-automation skill 可帮助 AI agent 通过 Composio 的 Rube MCP toolkit 操作 Microsoft Clarity。它面向会话录屏、热力图、项目分析、用户行为复盘和 Clarity 数据检索等工作流设计，避免让 agent 手动猜测工具名称或 schema。

它最重要的指令是操作层面的：agent 应先调用 RUBE_SEARCH_TOOLS，因为 Microsoft Clarity 的工具 schema 可能会变化。当你需要一个实时、感知当前 schema 的工作流时，这比静态 prompt 更实用。

最适合的用户和任务

这个 skill 适合已经在使用 Microsoft Clarity，并希望通过 agent 辅助查看行为数据的增长、产品、UX 和分析团队。典型任务包括查找相关录屏、确认热力图是否可用、总结用户摩擦点，或在更深入的人工复盘前搭建分析流程。

对于围绕客户行为研究、转化分析、onboarding 复盘或网站问题排查来构建 Workflow Automation 的用户，它尤其有价值。

采用前的关键要求

要使用 microsoft_clarity-automation skill，你的 AI client 必须支持 MCP，并且已经配置 Rube MCP。你还需要通过 RUBE_MANAGE_CONNECTIONS 使用 microsoft_clarity toolkit 建立有效的 Microsoft Clarity 连接。

上游仓库只有一个主要文件：SKILL.md，没有随附脚本、参考资料或辅助资源。这让安装更简单，但也意味着你的 prompt 必须提供业务目标、项目上下文、日期范围和分析标准。

如何使用 microsoft_clarity-automation skill

microsoft_clarity-automation 安装与设置路径

从 Composio skill collection 安装：

npx skills add ComposioHQ/awesome-claude-skills --skill microsoft_clarity-automation

然后打开已安装的 SKILL.md：

composio-skills/microsoft_clarity-automation/SKILL.md

在你的 client 中添加以下地址来配置 Rube MCP：

https://rube.app/mcp

在提出 Clarity 相关任务前，先确认 RUBE_SEARCH_TOOLS 可用。然后使用 toolkit microsoft_clarity 调用 RUBE_MANAGE_CONNECTIONS。如果连接状态不是 ACTIVE，请完成返回的授权流程，并在运行分析任务前确认连接已激活。

skill 需要的输入

像“分析 Clarity”这样的请求过于模糊。一个有效的 microsoft_clarity-automation usage prompt 应包含：

• 你关注的 Microsoft Clarity project 或站点
• 业务问题，例如“为什么用户在 pricing 页面流失”
• 日期范围或对比周期
• 需要查看的行为信号，例如 rage clicks、scroll depth、dead clicks、session recordings 或 heatmaps
• 输出格式，例如按优先级排序的问题列表、UX 研究笔记或实验想法
• 任何隐私、合规或报告限制

示例 prompt：

“Use microsoft_clarity-automation to inspect Microsoft Clarity data for the marketing site. First discover current Rube tools and schemas. Focus on the last 14 days, especially pricing and signup pages. Look for heatmap patterns, confusing clicks, and session recording evidence of form friction. Return a prioritized table with issue, evidence, affected page, confidence, and recommended next action.”

降低失败率的实用工作流

每次运行都从工具发现开始：

RUBE_SEARCH_TOOLS: queries=[{"use_case":"session recordings, heatmaps, and user behavior analytics","known_fields":""}]

使用返回的 tool slugs 和 schemas，不要自行编造参数。接着确认 Microsoft Clarity 连接处于 active 状态。然后先运行最小但有用的查询，例如一个 project、一个页面组或一个日期范围。只有在初始结果证明 schema 和数据访问都正确后，再扩大范围。

为了获得更可靠的结果，要求 agent 区分“观察到的证据”和“解释推断”。Clarity 数据可以展示行为模式，但并不总能证明用户意图。

优先阅读的仓库文件

对于这个 skill，真正关键的文件是 SKILL.md。它包含前置条件、设置指引、工具发现说明和核心工作流框架。提供的结构中没有 README.md、metadata.json、rules/、resources/、references/ 或 scripts/ 文件夹，因此不要期待 skill 指令之外还有打包好的示例。

microsoft_clarity-automation skill 常见问题

microsoft_clarity-automation 适合新手吗？

可以，前提是你的 MCP client 已经设置好，并且你能够完成 Microsoft Clarity 授权流程。这个 skill 会要求 agent 先搜索可用工具，因此减少了提前了解 Composio 工具名称的必要。

但如果你从未配置过 MCP tools，它对新手就没那么友好。主要阻碍不是 skill 文本本身，而是连接 Rube MCP 并激活 Microsoft Clarity toolkit。

它比普通 prompt 好在哪里？

普通 prompt 可能会臆造 Microsoft Clarity API 调用或使用过期字段。microsoft_clarity-automation guide 这种模式更稳妥，因为它会要求 agent 在执行前通过 RUBE_SEARCH_TOOLS 发现当前工具 schema。

这对自动化分析工作很重要：错误参数可能导致空结果、误导性总结，或 tool call 失败。

什么时候不该使用这个 skill？

如果你只是想了解 Microsoft Clarity 是什么，或者你没有目标 Clarity project 的访问权限，就不需要使用它。它也不能替代产品分析埋点、A/B 测试或合规审查。

也应避免用它处理过于宽泛、模糊的请求，例如“告诉我用户怎么想”。Microsoft Clarity 的行为数据在绑定具体页面、漏斗、时间窗口和可观察事件时最有价值。

它适合 Workflow Automation 技术栈吗？

适合。microsoft_clarity-automation for Workflow Automation 在结合可重复分析流程时最有用，例如每周 UX 复盘、上线监控、转化问题排查或 support-ticket 调查。建议搭配清晰的报告模板，让输出可以进入产品、设计或增长工作流。

如何改进 microsoft_clarity-automation skill

改进 microsoft_clarity-automation prompts

最大的质量提升来自让目标可衡量。不要要求泛泛分析，而是明确你需要做出的决策。

更好的输入：

“Review Clarity behavior for the checkout funnel after the new form release. Compare the last 7 days with the previous 7 days if tools support it. Prioritize issues that appear in recordings or heatmaps and could block purchase completion.”

这会给 agent 一个工作流、一个对比框架和一个排序标准。

需要避免的常见失败模式

最常见的失败是跳过工具发现并猜测 schema。可以通过明确说明来避免：“Call RUBE_SEARCH_TOOLS first and use only returned tool schemas.”

另一个问题是过度解读行为。要求 agent 标注置信度，并说明每个发现背后的 Clarity 信号。如果数据不可用，agent 应说明缺少什么，而不是编造结论。

在第一版输出后继续迭代

把第一版结果当作一次探索。继续用更窄的问题追问，例如：

• “Show only high-confidence issues affecting signup.”
• “Group findings by page template.”
• “Turn the top three issues into experiment hypotheses.”
• “List what additional Clarity data would strengthen or weaken these conclusions.”

这样能让 skill 更面向行动，而不只是生成摘要。

添加本地团队上下文

由于仓库不包含自定义业务规则，请在 prompt 中加入你自己的上下文：关键页面、漏斗定义、已知发布版本、需要排除的流量、设备重点和报告格式。对于重复使用场景，建议保存一个团队专用的 prompt wrapper，固定包含 project name、date range、success metric 和 required evidence format。