关于
AI 原生线索情报与外联管道。用代理驱动的信号评分、互评排名、暖路径发现、来源衍生语音建模和跨渠道外联（邮件、LinkedIn、X）替代 Apollo、Clay 和 ZoomInfo
name: lead-intelligence description: AI 原生线索情报和外联管道。用 Agent 驱动的信号评分、双向排名、温暖路径发现、基于来源的语音建模和跨渠道外联（邮件、LinkedIn、X）替代 Apollo、Clay 和 ZoomInfo。当用户想要寻找、评估和触达高价值联系人时使用。 origin: ECC
线索情报
Agent 驱动的线索情报管道，通过社交图谱分析和温暖路径发现来寻找、评分和触达高价值联系人。
何时激活
- 用户想要在特定行业中寻找线索或潜在客户
- 为合作、销售或融资构建外联列表
- 研究应该联系谁以及最佳触达路径
- 用户说"寻找线索"、"外联列表"、"我应该联系谁"、"温暖介绍"
- 需要按相关性对联系人列表进行评分或排名
- 想要映射共同联系人以找到温暖介绍路径
工具要求
必需
- Exa MCP — 深度网络搜索人物、公司和信号（
web_search_exa） - X API — 关注者/关注图谱、共同分析、近期活动（
X_BEARER_TOKEN，以及写入上下文凭证如X_CONSUMER_KEY、X_CONSUMER_SECRET、X_ACCESS_TOKEN、X_ACCESS_TOKEN_SECRET）
可选（增强结果）
- LinkedIn — 如有直接 API，否则通过浏览器控制进行搜索、档案查看和草稿
- Apollo/Clay API — 如用户有访问权限，用于丰富交叉引用
- GitHub MCP — 用于开发者导向的线索资格评估
- Apple Mail / Mail.app — 起草冷/温邮件而不自动发送
- 浏览器控制 — 当 API 覆盖不足或受限时用于 LinkedIn 和 X
管道概览
┌─────────────┐ ┌──────────────┐ ┌─────────────────┐ ┌──────────────┐ ┌─────────────────┐
│ 1. Signal │────>│ 2. Mutual │────>│ 3. Warm Path │────>│ 4. Enrich │────>│ 5. Outreach │
│ Scoring │ │ Ranking │ │ Discovery │ │ │ │ Draft │
└─────────────┘ └──────────────┘ └─────────────────┘ └──────────────┘ └─────────────────┘
外联前的语音建模
不要从通用销售文案起草外联内容。
在用户语音风格重要时，先运行 brand-voice。复用其 VOICE PROFILE 而非在本技能中临时推导风格。
如有实时 X 访问权限，在起草前拉取近期原创帖子。如无，使用提供的示例或最佳仓库/网站材料。
阶段 1：信号评分
在目标垂直领域搜索高信号人物。根据以下因素为每人分配权重：
| 信号 | 权重 | 来源 | |------|------|------| | 角色/职位匹配 | 30% | Exa、LinkedIn | | 行业匹配 | 25% | Exa 公司搜索 | | 近期话题活跃度 | 20% | X API 搜索、Exa | | 粉丝数/影响力 | 10% | X API | | 地理位置接近度 | 10% | Exa、LinkedIn | | 与你内容的互动 | 5% | X API 互动 |
信号搜索方法
# Step 1: Define target parameters
target_verticals = ["prediction markets", "AI tooling", "developer tools"]
target_roles = ["founder", "CEO", "CTO", "VP Engineering", "investor", "partner"]
target_locations = ["San Francisco", "New York", "London", "remote"]
# Step 2: Exa deep search for people
for vertical in target_verticals:
results = web_search_exa(
query=f"{vertical} {role} founder CEO",
category="company",
numResults=20
)
# Score each result
# Step 3: X API search for active voices
x_search = search_recent_tweets(
query="prediction markets OR AI tooling OR developer tools",
max_results=100
)
# Extract and score unique authors
阶段 2：双向排名
对每个已评分的目标，分析用户的社交图谱以找到最温暖的路径。
排名模型
- 拉取用户的 X 关注列表和 LinkedIn 联系人
- 对每个高信号目标，检查共同联系人
- 应用
social-graph-ranker模型评估桥接价值 - 按以下因素对共同联系人排名：
| 因素 | 权重 | |------|------| | 与目标的连接数量 | 40% — 最高权重，连接越多排名越高 | | 共同联系人当前角色/公司 | 20% — 决策者 vs 个人贡献者 | | 共同联系人位置 | 15% — 同城 = 更容易介绍 | | 行业对齐度 | 15% — 同垂直领域 = 自然介绍 | | 共同联系人的 X/LinkedIn | 10% — 外联可识别性 |
核心规则：
Use social-graph-ranker when the user wants the graph math itself,
the bridge ranking as a standalone report, or explicit decay-model tuning.
在本技能中使用相同的加权桥接模型：
B(m) = Σ_{t ∈ T} w(t) · λ^(d(m,t) - 1)
R(m) = B_ext(m) · (1 + β · engagement(m))
解释：
- 第一层：高
R(m)且直接桥接路径 -> 温暖介绍请求 - 第二层：中等
R(m)且一跳桥接路径 -> 有条件介绍请求
