[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M72XEYW4GYMH94749SWYYMYK":3,"skill-same:01M72XEYW4GYMH94749SWYYMYK":48},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":25,"commitSha":26,"skillDirectory":27,"forksCount":28,"repositoryHtmlUrl":29,"repositoryHomepageUrl":6,"ownerHtmlUrl":30,"ownerBlogUrl":31,"ownerDescription":32,"updatedAt":33,"install":34,"resources":47},"01M72XEYW4GYMH94749SWYYMYK","lead-intelligence",null,"AI原生的潜在客户情报与外联管道。取代Apollo、Clay和ZoomInfo，提供基于代理的信号评分、相互排名、温暖路径发现、来源驱动的语音建模以及跨电子邮件、LinkedIn和X的渠道特定外联。当用户想要查找、筛选并联系高价值联系人时使用。","SriramGandhiS\u002FSkills","SriramGandhiS","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F211849986?v=4","01M72WQCW12BYX71C6WN584TTA","Sriram S","01M72WQCWTJ2RD0ET1X31AF1RC",1,"MIT","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fdocs\u002Fzh-CN\u002Fskills\u002Flead-intelligence\u002FSKILL.md",[],[],"2026-11-10 22:39:42",false,"---\nname: lead-intelligence\ndescription: AI原生的潜在客户情报与外联管道。取代Apollo、Clay和ZoomInfo，提供基于代理的信号评分、相互排名、温暖路径发现、来源驱动的语音建模以及跨电子邮件、LinkedIn和X的渠道特定外联。当用户想要查找、筛选并联系高价值联系人时使用。\norigin: ECC\n---\n\n# 线索情报\n\n基于智能体的线索情报管道，通过社交图谱分析与温暖路径发现，寻找、评分并触达高价值联系人。\n\n## 何时激活\n\n* 用户希望在特定行业寻找线索或潜在客户\n* 为合作、销售或融资构建外联名单\n* 研究应该联系谁以及最佳联系路径\n* 用户提及\"寻找线索\"、\"外联名单\"、\"我应该联系谁\"、\"温暖引荐\"\n* 需要根据相关性对联系人列表进行评分或排序\n* 希望绘制共同联系人图谱以寻找温暖引荐路径\n\n## 工具要求\n\n### 必需\n\n* **Exa MCP** — 用于人员、公司和信号的深度网络搜索（`web_search_exa`）\n* **X API** — 关注者\u002F关注图谱、共同联系人分析、近期活动（`X_BEARER_TOKEN`，以及写上下文凭据，如 `X_CONSUMER_KEY`、`X_CONSUMER_SECRET`、`X_ACCESS_TOKEN`、`X_ACCESS_TOKEN_SECRET`）\n\n### 可选（增强结果）\n\n* **LinkedIn** — 如果可用则使用直接API，否则使用浏览器控制进行搜索、资料查看和消息草拟\n* **Apollo\u002FClay API** — 如果用户有访问权限，用于丰富化交叉引用\n* **GitHub MCP** — 用于以开发者为中心的线索资格评估\n* **Apple Mail \u002F Mail.app** — 草拟冷邮件或温暖邮件，但不自动发送\n* **浏览器控制** — 当API覆盖不足或受限时，用于LinkedIn和X\n\n## 管道概览\n\n```\n┌─────────────┐     ┌──────────────┐     ┌─────────────────┐     ┌──────────────┐     ┌─────────────────┐\n│ 1. 信号评分  │────>│ 2. 相互排序  │────>│ 3. 发现热路径  │────>│ 4. 丰富内容  │────>│ 5. 起草外联    │\n└─────────────┘     └──────────────┘     └─────────────────┘     └──────────────┘     └─────────────────┘\n```\n\n## 外联前的语气\n\n不要从通用的销售文案中起草外联信息。\n\n当用户的语气很重要时，首先运行 `brand-voice`。在此技能中重复使用其 `VOICE PROFILE`，而不是临时重新推导风格。\n\n如果实时X访问可用，在起草前拉取最近的原创帖子。如果不可用，则使用提供的示例或最佳的仓库\u002F网站材料。\n\n## 阶段 1：信号评分\n\n在目标垂直领域中搜索高信号人员。根据以下标准为每个人分配权重：\n\n| 信号 | 权重 | 来源 |\n|--------|--------|--------|\n| 角色\u002F职位匹配 | 30% | Exa, LinkedIn |\n| 行业匹配 | 25% | Exa 公司搜索 |\n| 近期相关话题活动 | 20% | X API 搜索, Exa |\n| 关注者数量\u002F影响力 | 10% | X API |\n| 地理位置接近度 | 10% | Exa, LinkedIn |\n| 与您内容的互动 | 5% | X API 互动 |\n\n### 信号搜索方法\n\n```python\n# Step 1: Define target parameters\ntarget_verticals = [\"prediction markets\", \"AI tooling\", \"developer tools\"]\ntarget_roles = [\"founder\", \"CEO\", \"CTO\", \"VP Engineering\", \"investor\", \"partner\"]\ntarget_locations = [\"San Francisco\", \"New York\", \"London\", \"remote\"]\n\n# Step 2: Exa deep search for people\nfor vertical in target_verticals:\n    results = web_search_exa(\n        query=f\"{vertical} {role} founder CEO\",\n        category=\"company\",\n        numResults=20\n    )\n    # Score each result\n\n# Step 3: X API search for active voices\nx_search = search_recent_tweets(\n    query=\"prediction markets OR AI tooling OR developer tools\",\n    max_results=100\n)\n# Extract and score unique authors\n```\n\n## 阶段 2：共同联系人排名\n\n对于每个评分目标，分析用户的社交图谱以找到最温暖的路径。\n\n### 排名模型\n\n1. 拉取用户的X关注列表和LinkedIn联系人\n2. 对于每个高信号目标，检查共享联系人\n3. 应用 `social-graph-ranker` 模型来评分桥梁价值\n4. 根据以下因素对共同联系人进行排名：\n\n| 因素 | 权重 |\n|--------|--------|\n| 与目标的联系数量 | 40% — 最高权重，联系最多 = 排名最高 |\n| 共同联系人的当前角色\u002F公司 | 20% — 决策者 vs 个人贡献者 |\n| 共同联系人的地理位置 | 15% — 同一城市 = 更容易引荐 |\n| 行业匹配 | 15% — 同一垂直领域 = 自然引荐 |\n| 共同联系人的X账号\u002FLinkedIn | 10% — 可识别性以便外联 |\n\n规范规则：\n\n```text\n当用户需要图数学本身、作为独立报告的桥接排名或显式衰减模型调优时，使用 social-graph-ranker。\n```\n\n在此技能中，使用相同的加权桥梁模型：\n\n```text\nB(m) = Σ_{t ∈ T} w(t) · λ^(d(m,t) - 1)\nR(m) = B_ext(m) · (1 + β · engagement(m))\n```\n\n解读：\n\n* 第1层：高 `R(m)` 和直接桥梁路径 -> 请求温暖引荐\n* 第2层：中等 `R(m)` 和一跳桥梁路径 -> 有条件地请求引荐\n* 第3层：无可行桥梁 -> 使用相同的线索记录进行直接冷外联\n\n### 输出格式\n\n```\n如果用户明确要求将排名引擎单独拆分、将数学计算可视化，或在完整线索工作流之外对网络进行评分，请先独立运行 `social-graph-ranker` 作为独立步骤，然后将结果反馈回此流程。\n相互排名报告\n=====================\n\n#1  @mutual_handle (得分: 92)\n    姓名: Jane Smith\n    角色: Partner @ Acme Ventures\n    地点: San Francisco\n    与目标对象的连接数: 7\n    关联对象: @target1, @target2, @target3, @target4, @target5, @target6, @target7\n    最佳引荐路径: Jane 投资了 Target1 的公司\n\n#2  @mutual_handle2 (得分: 85)\n    ...\n```\n\n## 阶段 3：温暖路径发现\n\n对于每个目标，找到最短的引荐链：\n\n```\n你 ──[关注]──> 互关A ──[投资了]──> 目标公司\n你 ──[关注]──> 互关B ──[共同创立了]──> 目标人物\n你 ──[在]──> 活动 ──[也参加了]──> 目标人物\n```\n\n### 路径类型（按温暖度排序）\n\n1. **直接共同联系人** — 你们都关注\u002F认识同一个人\n2. **投资组合联系** — 共同联系人投资或担任目标公司顾问\n3. **同事\u002F校友** — 共同联系人在同一家公司工作或就读同一所学校\n4. **活动重叠** — 双方都参加了同一会议\u002F项目\n5. **内容互动** — 目标与共同联系人的内容互动，反之亦然\n\n## 阶段 4：丰富化\n\n对于每个合格的线索，拉取：\n\n* 全名、当前职位、公司\n* 公司规模、融资阶段、近期新闻\n* 近期X帖子（最近30天）— 主题、语气、兴趣\n* 与用户的共同兴趣（共享关注、相似内容）\n* 近期公司事件（产品发布、融资轮次、招聘）\n\n### 丰富化来源\n\n* Exa：公司数据、新闻、博客文章\n* X API：近期推文、简介、关注者\n* GitHub：开源贡献（针对以开发者为中心的线索）\n* LinkedIn（通过浏览器使用）：完整资料、经历、教育背景\n\n## 阶段 5：外联草稿\n\n为每个线索生成个性化的外联信息。草稿应与来源匹配的语气配置文件和目标渠道保持一致。\n\n### 渠道规则\n\n#### 电子邮件\n\n* 用于最高价值的冷外联、温暖引荐、投资者外联和合作请求\n* 当本地桌面控制可用时，默认在 Apple Mail \u002F Mail.app 中起草\n* 首先创建草稿，除非用户明确要求，否则不要自动发送\n* 主题行应简洁具体，不要耍小聪明\n\n#### LinkedIn\n\n* 当目标在LinkedIn上活跃、共同图谱上下文在LinkedIn上更强或电子邮件信心不足时使用\n* 如果可用，优先使用API访问\n* 否则使用浏览器控制查看资料、近期活动和起草消息\n* 保持比电子邮件更短，避免虚假的职业热情\n\n#### X\n\n* 用于高上下文的操作者、建设者或投资者外联，其中公开发帖行为很重要\n* 优先使用API访问进行搜索、时间线和互动分析\n* 必要时回退到浏览器控制\n* 私信和公开回复应比电子邮件更紧凑，并引用目标时间线上真实的内容\n\n#### 渠道选择启发式\n\n按以下顺序选择一个主要渠道：\n\n1. 通过电子邮件进行温暖引荐\n2. 直接电子邮件\n3. LinkedIn 私信\n4. X 私信或回复\n\n仅在有充分理由且节奏不会显得像垃圾邮件时使用多渠道。\n\n### 温暖引荐请求（给共同联系人）\n\n目标：\n\n* 一个明确的请求\n* 一个具体的理由说明为什么这次引荐有意义\n* 如果需要，提供易于转发的简介\n\n避免：\n\n* 过度解释您的公司\n* 堆叠社会证明\n* 听起来像筹款模板\n\n### 直接冷外联（给目标）\n\n目标：\n\n* 从具体且近期的事情开始\n* 解释为什么契合度是真实的\n* 提出一个低摩擦的请求\n\n避免：\n\n* 泛泛的赞美\n* 功能倾倒\n* 宽泛的请求，如\"很乐意联系\"\n* 强加的反问句\n\n### 执行模式\n\n对于每个目标，生成：\n\n1. 推荐的渠道\n2. 该渠道最佳的理由\n3. 消息草稿\n4. 可选的跟进草稿\n5. 如果电子邮件是选定的渠道且 Apple Mail 可用，则创建草稿而不仅仅是返回文本\n\n如果浏览器控制可用：\n\n* LinkedIn：查看目标资料、近期活动和共同联系人上下文，然后起草或准备消息\n* X：查看近期帖子或回复，然后起草私信或公开回复语言\n\n如果桌面自动化可用：\n\n* Apple Mail：创建包含主题、正文和收件人的草稿电子邮件\n\n未经用户明确批准，不要自动发送消息。\n\n### 反模式\n\n* 没有个性化的通用模板\n* 解释整个公司的长段落\n* 一条消息中包含多个请求\n* 没有具体细节的虚假熟悉感\n* 带有可见合并字段的批量发送消息\n* 为电子邮件、LinkedIn 和 X 重复使用相同的副本\n* 平台化的废话，而不是作者的真实语气\n\n## 配置\n\n用户应设置以下环境变量：\n\n```bash\n# Required\nexport X_BEARER_TOKEN=\"...\"\nexport X_ACCESS_TOKEN=\"...\"\nexport X_ACCESS_TOKEN_SECRET=\"...\"\nexport X_CONSUMER_KEY=\"...\"\nexport X_CONSUMER_SECRET=\"...\"\nexport EXA_API_KEY=\"...\"\n\n# Optional\nexport LINKEDIN_COOKIE=\"...\" # For browser-use LinkedIn access\nexport APOLLO_API_KEY=\"...\"  # For Apollo enrichment\n```\n\n## 智能体\n\n此技能在 `agents\u002F` 子目录中包含专门的智能体：\n\n* **signal-scorer** — 根据相关性信号搜索和排名潜在客户\n* **mutual-mapper** — 映射社交图谱连接并寻找温暖路径\n* **enrichment-agent** — 拉取详细的个人资料和公司数据\n* **outreach-drafter** — 生成个性化消息\n\n## 使用示例\n\n```\n用户：帮我找出预测市场中我应该联系的20位顶尖人物\n\n智能体工作流程：\n1. signal-scorer 在 Exa 和 X 上搜索预测市场领导者\n2. mutual-mapper 检查用户的 X 社交图谱以寻找共同联系人\n3. enrichment-agent 提取公司数据和近期动态\n4. outreach-drafter 为排名靠前的潜在联系人生成个性化消息\n\n输出：包含热路径、语音画像摘要以及针对特定渠道或应用内草稿的排名列表\n```\n\n## 相关技能\n\n* `brand-voice` 用于规范语气捕获\n* `connections-optimizer` 用于在外联前进行先审后用的网络修剪和扩展\n","# 线索情报\n\n基于智能体的线索情报管道，通过社交图谱分析与温暖路径发现，寻找、评分并触达高价值联系人。\n\n## 何时激活\n\n* 用户希望在特定行业寻找线索或潜在客户\n* 为合作、销售或融资构建外联名单\n* 研究应该联系谁以及最佳联系路径\n* 用户提及\"寻找线索\"、\"外联名单\"、\"我应该联系谁\"、\"温暖引荐\"\n* 需要根据相关性对联系人列表进行评分或排序\n* 希望绘制共同联系人图谱以寻找温暖引荐路径\n\n## 工具要求\n\n### 必需\n\n* **Exa MCP** — 用于人员、公司和信号的深度网络搜索（`web_search_exa`）\n* **X API** — 关注者\u002F关注图谱、共同联系人分析、近期活动（`X_BEARER_TOKEN`，以及写上下文凭据，如 `X_CONSUMER_KEY`、`X_CONSUMER_SECRET`、`X_ACCESS_TOKEN`、`X_ACCESS_TOKEN_SECRET`）\n\n### 可选（增强结果）\n\n* **LinkedIn** — 如果可用则使用直接API，否则使用浏览器控制进行搜索、资料查看和消息草拟\n* **Apollo\u002FClay API** — 如果用户有访问权限，用于丰富化交叉引用\n* **GitHub MCP** — 用于以开发者为中心的线索资格评估\n* **Apple Mail \u002F Mail.app** — 草拟冷邮件或温暖邮件，但不自动发送\n* **浏览器控制** — 当API覆盖不足或受限时，用于LinkedIn和X\n\n## 管道概览\n\n```\n┌─────────────┐     ┌──────────────┐     ┌─────────────────┐     ┌──────────────┐     ┌─────────────────┐\n│ 1. 信号评分  │────>│ 2. 相互排序  │────>│ 3. 发现热路径  │────>│ 4. 丰富内容  │────>│ 5. 起草外联    │\n└─────────────┘     └──────────────┘     └─────────────────┘     └──────────────┘     └─────────────────┘\n```\n\n## 外联前的语气\n\n不要从通用的销售文案中起草外联信息。\n\n当用户的语气很重要时，首先运行 `brand-voice`。在此技能中重复使用其 `VOICE PROFILE`，而不是临时重新推导风格。\n\n如果实时X访问可用，在起草前拉取最近的原创帖子。如果不可用，则使用提供的示例或最佳的仓库\u002F网站材料。\n\n## 阶段 1：信号评分\n\n在目标垂直领域中搜索高信号人员。根据以下标准为每个人分配权重：\n\n| 信号 | 权重 | 来源 |\n|--------|--------|--------|\n| 角色\u002F职位匹配 | 30% | Exa, LinkedIn |\n| 行业匹配 | 25% | Exa 公司搜索 |\n| 近期相关话题活动 | 20% | X API 搜索, Exa |\n| 关注者数量\u002F影响力 | 10% | X API |\n| 地理位置接近度 | 10% | Exa, LinkedIn |\n| 与您内容的互动 | 5% | X API 互动 |\n\n### 信号搜索方法\n\n```python\n# Step 1: Define target parameters\ntarget_verticals = [\"prediction markets\", \"AI tooling\", \"developer tools\"]\ntarget_roles = [\"founder\", \"CEO\", \"CTO\", \"VP Engineering\", \"investor\", \"partner\"]\ntarget_locations = [\"San Francisco\", \"New York\", \"London\", \"remote\"]\n\n# Step 2: Exa deep search for people\nfor vertical in target_verticals:\n    results = web_search_exa(\n        query=f\"{vertical} {role} founder CEO\",\n        category=\"company\",\n        numResults=20\n    )\n    # Score each result\n\n# Step 3: X API search for active voices\nx_search = search_recent_tweets(\n    query=\"prediction markets OR AI tooling OR developer tools\",\n    max_results=100\n)\n# Extract and score unique authors\n```\n\n## 阶段 2：共同联系人排名\n\n对于每个评分目标，分析用户的社交图谱以找到最温暖的路径。\n\n### 排名模型\n\n1. 拉取用户的X关注列表和LinkedIn联系人\n2. 对于每个高信号目标，检查共享联系人\n3. 应用 `social-graph-ranker` 模型来评分桥梁价值\n4. 根据以下因素对共同联系人进行排名：\n\n| 因素 | 权重 |\n|--------|--------|\n| 与目标的联系数量 | 40% — 最高权重，联系最多 = 排名最高 |\n| 共同联系人的当前角色\u002F公司 | 20% — 决策者 vs 个人贡献者 |\n| 共同联系人的地理位置 | 15% — 同一城市 = 更容易引荐 |\n| 行业匹配 | 15% — 同一垂直领域 = 自然引荐 |\n| 共同联系人的X账号\u002FLinkedIn | 10% — 可识别性以便外联 |\n\n规范规则：\n\n```text\n当用户需要图数学本身、作为独立报告的桥接排名或显式衰减模型调优时，使用 social-graph-ranker。\n```\n\n在此技能中，使用相同的加权桥梁模型：\n\n```text\nB(m) = Σ_{t ∈ T} w(t) · λ^(d(m,t) - 1)\nR(m) = B_ext(m) · (1 + β · engagement(m))\n```\n\n解读：\n\n* 第1层：高 `R(m)` 和直接桥梁路径 -> 请求温暖引荐\n* 第2层：中等 `R(m)` 和一跳桥梁路径 -> 有条件地请求引荐\n* 第3层：无可行桥梁 -> 使用相同的线索记录进行直接冷外联\n\n### 输出格式\n\n```\n如果用户明确要求将排名引擎单独拆分、将数学计算可视化，或在完整线索工作流之外对网络进行评分，请先独立运行 `social-graph-ranker` 作为独立步骤，然后将结果反馈回此流程。\n相互排名报告\n=====================\n\n#1  @mutual_handle (得分: 92)\n    姓名: Jane Smith\n    角色: Partner @ Acme Ventures\n    地点: San Francisco\n    与目标对象的连接数: 7\n    关联对象: @target1, @target2, @target3, @target4, @target5, @target6, @target7\n    最佳引荐路径: Jane 投资了 Target1 的公司\n\n#2  @mutual_handle2 (得分: 85)\n    ...\n```\n\n## 阶段 3：温暖路径发现\n\n对于每个目标，找到最短的引荐链：\n\n```\n你 ──[关注]──> 互关A ──[投资了]──> 目标公司\n你 ──[关注]──> 互关B ──[共同创立了]──> 目标人物\n你 ──[在]──> 活动 ──[也参加了]──> 目标人物\n```\n\n### 路径类型（按温暖度排序）\n\n1. **直接共同联系人** — 你们都关注\u002F认识同一个人\n2. **投资组合联系** — 共同联系人投资或担任目标公司顾问\n3. **同事\u002F校友** — 共同联系人在同一家公司工作或就读同一所学校\n4. **活动重叠** — 双方都参加了同一会议\u002F项目\n5. **内容互动** — 目标与共同联系人的内容互动，反之亦然\n\n## 阶段 4：丰富化\n\n对于每个合格的线索，拉取：\n\n* 全名、当前职位、公司\n* 公司规模、融资阶段、近期新闻\n* 近期X帖子（最近30天）— 主题、语气、兴趣\n* 与用户的共同兴趣（共享关注、相似内容）\n* 近期公司事件（产品发布、融资轮次、招聘）\n\n### 丰富化来源\n\n* Exa：公司数据、新闻、博客文章\n* X API：近期推文、简介、关注者\n* GitHub：开源贡献（针对以开发者为中心的线索）\n* LinkedIn（通过浏览器使用）：完整资料、经历、教育背景\n\n## 阶段 5：外联草稿\n\n为每个线索生成个性化的外联信息。草稿应与来源匹配的语气配置文件和目标渠道保持一致。\n\n### 渠道规则\n\n#### 电子邮件\n\n* 用于最高价值的冷外联、温暖引荐、投资者外联和合作请求\n* 当本地桌面控制可用时，默认在 Apple Mail \u002F Mail.app 中起草\n* 首先创建草稿，除非用户明确要求，否则不要自动发送\n* 主题行应简洁具体，不要耍小聪明\n\n#### LinkedIn\n\n* 当目标在LinkedIn上活跃、共同图谱上下文在LinkedIn上更强或电子邮件信心不足时使用\n* 如果可用，优先使用API访问\n* 否则使用浏览器控制查看资料、近期活动和起草消息\n* 保持比电子邮件更短，避免虚假的职业热情\n\n#### X\n\n* 用于高上下文的操作者、建设者或投资者外联，其中公开发帖行为很重要\n* 优先使用API访问进行搜索、时间线和互动分析\n* 必要时回退到浏览器控制\n* 私信和公开回复应比电子邮件更紧凑，并引用目标时间线上真实的内容\n\n#### 渠道选择启发式\n\n按以下顺序选择一个主要渠道：\n\n1. 通过电子邮件进行温暖引荐\n2. 直接电子邮件\n3. LinkedIn 私信\n4. X 私信或回复\n\n仅在有充分理由且节奏不会显得像垃圾邮件时使用多渠道。\n\n### 温暖引荐请求（给共同联系人）\n\n目标：\n\n* 一个明确的请求\n* 一个具体的理由说明为什么这次引荐有意义\n* 如果需要，提供易于转发的简介\n\n避免：\n\n* 过度解释您的公司\n* 堆叠社会证明\n* 听起来像筹款模板\n\n### 直接冷外联（给目标）\n\n目标：\n\n* 从具体且近期的事情开始\n* 解释为什么契合度是真实的\n* 提出一个低摩擦的请求\n\n避免：\n\n* 泛泛的赞美\n* 功能倾倒\n* 宽泛的请求，如\"很乐意联系\"\n* 强加的反问句\n\n### 执行模式\n\n对于每个目标，生成：\n\n1. 推荐的渠道\n2. 该渠道最佳的理由\n3. 消息草稿\n4. 可选的跟进草稿\n5. 如果电子邮件是选定的渠道且 Apple Mail 可用，则创建草稿而不仅仅是返回文本\n\n如果浏览器控制可用：\n\n* LinkedIn：查看目标资料、近期活动和共同联系人上下文，然后起草或准备消息\n* X：查看近期帖子或回复，然后起草私信或公开回复语言\n\n如果桌面自动化可用：\n\n* Apple Mail：创建包含主题、正文和收件人的草稿电子邮件\n\n未经用户明确批准，不要自动发送消息。\n\n### 反模式\n\n* 没有个性化的通用模板\n* 解释整个公司的长段落\n* 一条消息中包含多个请求\n* 没有具体细节的虚假熟悉感\n* 带有可见合并字段的批量发送消息\n* 为电子邮件、LinkedIn 和 X 重复使用相同的副本\n* 平台化的废话，而不是作者的真实语气\n\n## 配置\n\n用户应设置以下环境变量：\n\n```bash\n# Required\nexport X_BEARER_TOKEN=\"...\"\nexport X_ACCESS_TOKEN=\"...\"\nexport X_ACCESS_TOKEN_SECRET=\"...\"\nexport X_CONSUMER_KEY=\"...\"\nexport X_CONSUMER_SECRET=\"...\"\nexport EXA_API_KEY=\"...\"\n\n# Optional\nexport LINKEDIN_COOKIE=\"...\" # For browser-use LinkedIn access\nexport APOLLO_API_KEY=\"...\"  # For Apollo enrichment\n```\n\n## 智能体\n\n此技能在 `agents\u002F` 子目录中包含专门的智能体：\n\n* **signal-scorer** — 根据相关性信号搜索和排名潜在客户\n* **mutual-mapper** — 映射社交图谱连接并寻找温暖路径\n* **enrichment-agent** — 拉取详细的个人资料和公司数据\n* **outreach-drafter** — 生成个性化消息\n\n## 使用示例\n\n```\n用户：帮我找出预测市场中我应该联系的20位顶尖人物\n\n智能体工作流程：\n1. signal-scorer 在 Exa 和 X 上搜索预测市场领导者\n2. mutual-mapper 检查用户的 X 社交图谱以寻找共同联系人\n3. enrichment-agent 提取公司数据和近期动态\n4. outreach-drafter 为排名靠前的潜在联系人生成个性化消息\n\n输出：包含热路径、语音画像摘要以及针对特定渠道或应用内草稿的排名列表\n```\n\n## 相关技能\n\n* `brand-voice` 用于规范语气捕获\n* `connections-optimizer` 用于在外联前进行先审后用的网络修剪和扩展\n",{"name":5,"origin":24,"description":7},"ECC","master","d6ca01da0f24a3b0e26e4a8b7b66cbd25d429f5d","docs\u002Fzh-CN\u002Fskills\u002Flead-intelligence",0,"https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills","https:\u002F\u002Fgithub.com\u002FSriramGandhiS","https:\u002F\u002Fsriram.website\u002F","Curious guy who keeps tinkering until something works","2026-05-20 16:21:34",{"source":8,"skillName":5,"commands":35,"prompt":45,"zipAvailable":46},[36,39,42],{"tool":37,"command":38},"npx","npx skills add SriramGandhiS\u002FSkills --skill lead-intelligence",{"tool":40,"command":41},"bunx","bunx skills add SriramGandhiS\u002FSkills --skill lead-intelligence",{"tool":43,"command":44},"pnpm","pnpm dlx skills add SriramGandhiS\u002FSkills --skill lead-intelligence","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fdocs\u002Fzh-CN\u002Fskills\u002Flead-intelligence\u002FSKILL.md",true,[],[49,57,62,68,75,82],{"skillNo":50,"name":51,"nameZh":6,"description":52,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":53,"categories":54,"keywords":55,"publishedAt":56},"01M732609EPJWV13PVTX3GT4TM","webgpu-threejs-tsl","Comprehensive guide for developing WebGPU-enabled Three.js applications using TSL (Three.js Shading Language). Covers WebGPU renderer setup, TSL syntax and node materials, compute shaders, post-processing effects, and WGSL integration. Use this skill when working with Three.js WebGPU, TSL shaders, node materials, or GPU compute in Three.js.","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fwebgpu-threejs-tsl\u002Fskills\u002Fwebgpu-threejs-tsl\u002FSKILL.md",[],[],"2026-11-11 15:11:14",{"skillNo":58,"name":51,"nameZh":6,"description":52,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":59,"categories":60,"keywords":61,"publishedAt":56},"01M7325XM47AGWB6K6C4VXKE6B","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fwebgpu-threejs-tsl\u002FSKILL.md",[],[],{"skillNo":63,"name":64,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":65,"categories":66,"keywords":67,"publishedAt":56},"01M7325WP6DES69JKC840VMFEP","verification-loop","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fweb-assets\u002Fdocs\u002Fzh-TW\u002Fskills\u002Fverification-loop\u002FSKILL.md",[],[],{"skillNo":69,"name":70,"nameZh":6,"description":71,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":72,"categories":73,"keywords":74,"publishedAt":56},"01M7325TFQF1DZTQ6J3WGQQ1VR","tdd-workflow","Use this skill when writing new features, fixing bugs, or refactoring code. Enforces test-driven development with 80%+ coverage including unit, integration, and E2E tests.","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fweb-assets\u002Fdocs\u002Fzh-TW\u002Fskills\u002Ftdd-workflow\u002FSKILL.md",[],[],{"skillNo":76,"name":77,"nameZh":6,"description":78,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":79,"categories":80,"keywords":81,"publishedAt":56},"01M7325RGV9AY9PK92D2V8KKPW","strategic-compact","Suggests manual context compaction at logical intervals to preserve context through task phases rather than arbitrary auto-compaction.","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fweb-assets\u002Fdocs\u002Fzh-TW\u002Fskills\u002Fstrategic-compact\u002FSKILL.md",[],[],{"skillNo":83,"name":84,"nameZh":6,"description":85,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":86,"categories":87,"keywords":88,"publishedAt":56},"01M7325MZC28SE86E7NMCNEFS4","security-review","Use this skill when adding authentication, handling user input, working with secrets, creating API endpoints, or implementing payment\u002Fsensitive features. Provides comprehensive security checklist and patterns.","https:\u002F\u002Fgithub.com\u002FSriramGandhiS\u002FSkills\u002Fblob\u002Fmaster\u002Fweb-assets\u002Fdocs\u002Fzh-TW\u002Fskills\u002Fsecurity-review\u002FSKILL.md",[],[]]