icp-prompt-builder

ICP プロンプトビルダー

5,000 社分の情報を取得するために料金を支払う前に、まず 10〜50 社を使って適格性評価プロンプトを調整しましょう。このスキルでは、反復的なサイクルを順を追って進めます。

このスキルがある理由

リスト作成スキル（DiscoLike、Blitz、Prospeo、Google Maps）が返すのは企業の一覧であり、その企業が ICP に合致するかどうかは判断できません。リスト作成スキルが 5,000 社を返し、そのうち 80％が適合しない企業だった場合、結局成果につながらないメールアドレスの情報を充実させるために、費用を無駄にすることになります。

解決策は、規模を拡大する前に AI 適格性評価プロンプトを作成することです。企業を 10 社取得して、プロンプトにスコアを付けさせ、自分の判断と比べて、調整し、繰り返します。2 回連続で修正が一切なく、プロンプトが自分の判断と一致したら、確定して大規模に適用します。

常に Task サブエージェントを使用（API キー不要）

このスキルは Task ツールを介して Claude Code 内で完結します。Anthropic SDK の呼び出しも、OpenAI の呼び出しもありません。スコア付けは Claude Code 自身が行います。これは意図的なものです。

• 追加の API 費用はかかりません。 Claude Code のプランを使用します。
• キー管理は不要です。 設定なしですぐに使えます。
• 妥当な範囲でスケールできます。 20〜100 件の評価であれば、並列で実行する Task サブエージェントが 1 エージェントあたり 10〜20 社を処理します。

非常に大規模な場合（1 バッチあたり 5,000 社以上）は、調整済みのプロンプトをエクスポートし、速度を上げるために並列処理で OpenAI / Anthropic API に実行させる方法もあります。ただし、調整は Claude Code 内で行います。

サイクル（8 ステップ）

ステップ 1 — ICP のコンテキストを収集する

Claude がユーザーに質問するか、/icp-onboarding の client-profile.yaml を読み込みます。

• 販売を行うクライアントのウェブサイト（コンテキストを取得するため）
• どのような顧客が適合するのか？適合する理由は何か？
• どのような顧客は適合しないのか？不適格と判断する条件は何か？
• 具体的なシグナルはあるか？（B2B のみ、売上の範囲、技術スタック、採用状況、最近の資金調達など）
• 絶対的な除外条件はあるか？（競合他社のドメイン、既存顧客のドメイン、特定の業界や地域）

ステップ 2 — テスト対象の企業を 10 社選ぶ

リスト作成スキルの出力から企業を 10 社取得します。

• 適合する可能性が高い企業と低い企業を混ぜる
• 業界、規模、所在地に幅を持たせる
• 各企業には最低限、domain, company_name, industry, headcount, description が必要です
• より充実したフィールド（Clay から取得した Business Type、Scale Scope、Revenue）があると、スコア付けの精度が向上します

ステップ 3 — 初期の適格性評価プロンプトを作成する

テンプレート：

You are an ICP evaluator for {CLIENT_NAME}.

## Target ICP
{ICP description from user or client-profile.yaml}

## Qualification criteria (MUST be true)
- {criterion 1}
- {criterion 2}
- ...

## Disqualification criteria (ANY match = disqualify)
- {disqualifier 1}
- {disqualifier 2}
- ...

## Input
You will receive a company with these fields:
- domain, name, industry, headcount, description
- (optional) Business Type, Revenue, Scale Scope

## Output
For each company, return JSON:
{
  "qualified": true | false,
  "confidence": 0.0-1.0,
  "reason": "one-sentence explanation"
}

ステップ 4 — 10 社にプロンプトを実行する

Task ツールを使います。プロンプトと 10 社の情報を読み込み、JSON 形式のスコアを 10 件返す Task サブエージェントを 1 つ起動します。

ステップ 5 — 結果をユーザーに提示する

次のような表にします。

Company                   | Qualified | Conf | Reason
--------------------------+-----------+------+----------------------------------------
acme-corp.com             | YES       | 0.92 | B2B SaaS, 200 employees, target industry
random-nonprofit.org      | NO        | 0.95 | Nonprofit, not a business customer
edge-case-company.com     | YES       | 0.55 | Could fit but revenue model unclear

ステップ 6 — ユーザーからフィードバックを集める

具体的に質問します。

• 評価が誤っているのはどれか？（例：「acme-corp は競合他社なので NO にすべきです」）
• 判断は正しいが、理由が間違っているものはどれか？
• プロンプトが見落としているパターンはあるか？
• 追加すべき除外条件はあるか？

ユーザーから修正が一切なければ、このラウンドを「承認済み」として記録します。

ステップ 7 — プロンプトを調整する（または次に進む）

ユーザーから修正があった場合：

• 適格性評価の基準を追加または削除する
• 除外条件を厳しくする、または緩める
• エッジケースの具体例を追加する（「X のような企業は Y という理由で適合しません」）
• すべてのスコアが 0.5 になる場合は、信頼度のしきい値を調整する

その後、ステップ 4 に戻り、新しい企業を 10 社使って実行します。

ステップ 8 — 終了条件と保存

ユーザーから修正が一切ないラウンドが 2 回連続したら、このサイクルは終了します。その場合：

1. 最終調整済みプロンプトを ~/cold-email-ai-skills/profiles/<business-slug>/icp-prompt.txt に保存します
2. client-profile.yaml にメタデータを追記します。

icp_qualification_prompt:
  path: profiles/<slug>/icp-prompt.txt
  tuned_at: YYYY-MM-DD
  rounds_to_convergence: 3
  final_batch_size: 10

3. 次のスキル用の一文を出力します。

Prompt locked. To score your 5000 companies:
  npx tsx ~/cold-email-ai-skills/skills/list-expander/scripts/score-batch.ts \
    --prompt-file=profiles/<slug>/icp-prompt.txt \
    --companies=path/to/companies.csv \
    --out=scored.csv

承認ループのルール（重要）

• 自動承認は絶対にしないでください。 プロンプトが適切に見えても、ユーザーが明示的に「承認」と伝えるか、2ラウンド連続で修正点がゼロになるまで承認しないでください。
• 修正があったらカウンターをリセットしてください。 修正が1つでもあれば、連続回数を0にリセットします。
• バッチを省略しないでください。 30社を一度に処理するほうが速く感じられますが、エラーを見逃しやすくなります。10社ずつが適切なバッチサイズです。目視で確認できる規模です。
• 毎ラウンド、プロンプトを表示してください。 改良のたびに、変更点を確認できるよう、現在のプロンプト全文をユーザーに再表示します。
• 各ラウンドでのスコアリングには、必ず Task ツールのサブエージェントを使用してください。 外部 API は絶対に呼び出さないでください。

調整済みプロンプトを大規模に適用する

保存すると、list-expander/scripts/score-batch.ts を通じてプロンプトがリスト全体に適用されます。オプションは次のとおりです。

オプション A（無料、低速） — Claude Code の Task サブエージェントを使用し、エージェントあたり20社のバッチで処理します。合計500社未満の場合に適しています。

オプション B（有料、高速） — プロンプトと企業データをエクスポートし、並列処理で OpenAI／Anthropic API に送信します。500～50,000社の場合に適しています。

スクリプトは両方に対応しています。すべてを Claude Code 内で完結させるため、デフォルトはオプション A です。

推奨フロー

1. /icp-onboarding → client-profile.yaml を作成
2. /disco-like OR /blitz-list-builder OR /prospeo-full-export → 企業データのサンプルを50～100件取得
3. /icp-prompt-builder → そのサンプルを使って適格性判定プロンプトを調整（通常3～5ラウンド）
4. リストビルダーでリストを5,000社以上に拡張
5. 調整済みプロンプトをリスト全体に適用 → qualified: true かつ confidence >= 0.6 のものだけを残す
6. 適格なサブセットに対して /blitz-list-builder または /list-builder（メール用のフェーズ5）を実行
7. Smartlead にアップロード

プロンプトで使用できるデータ項目

ほとんどのリストビルダーの出力から利用できる項目：

• ドメイン、企業名、業界、従業員数、説明、LinkedIn URL

追加フィールド（エンリッチメントスキルを実行している場合）：

• 事業形態（B2B／B2C／B2B2C）
• 年間売上高の範囲
• 事業規模（エンタープライズ／ミッドマーケット／SMB）
• サブ業界（主要な業界よりも詳細）
• 技術スタック（Clearbit、BuiltWith のデータ）
• 最近の動向（資金調達、採用、ニュース）

プロンプトの前文で、利用できるフィールドを AI に伝えてください。

よくある間違い

• 1ラウンド目から条件を絞り込みすぎる。 まずは広く設定し、フィードバックを受けて絞り込みます。
• 除外例を含めない。 「Netflix のような企業は B2C なので対象外です」は、一般的な「B2B であること」という条件よりも効果的です。
• 信頼度を使わず、「qualified: true/false」だけで判定する。 必ず信頼度も求めてください。0.5～0.7の境界事例から最も多くのことを学べます。
• 「時間を節約するため」に50社を一度にスコアリングする。 ループの目的が損なわれます。
• プロンプトを保存しない。 調整する目的は再利用です。保存しなければ、次回また調整し直すことになります。

スクリプト

• scripts/score-batch.ts — 調整済みプロンプトを企業の CSV に適用

次に行うこと

調整済みプロンプトをリスト全体に適用します（利用したリスト作成スキルである Prospeo、Blitz、DiscoLike、Google Maps、または Competitor Engagers の手順に従ってください）。その後、/list-quality-scorecard を実行し、フィルタリング後の出力を評価します。

または、いったん保留します。 5ラウンド以内にプロンプトが収束しなかった場合（修正を続けていた場合）、元データが不十分な可能性があります。再試行する前に、企業の説明、従業員数、技術スタックなどのフィールドを追加してデータをエンリッチしてください。

関連スキル

• /icp-onboarding — 最初に実行し、client-profile.yaml を作成します
• /disco-like、/blitz-list-builder、/google-maps-list-builder、/prospeo-full-export — このスキルで適格性を判定する企業を取得します
• /personalization-subagent-pattern — コピーのパーソナライズに適用する、同じ承認ループのパターンです