mcpField
C
cargo-quickstart

cargo-quickstart

github.com/getcargohq营销与增长219.1k 次安装2 天前更新
代码仓库

关于 cargo-quickstart

cargo-quickstart 是面向 Cargo CLI 新用户的引导技能，演示搜索潜在客户、查看费用并创建定期运行的 play。它设定较低的额度预算，并在数据源不可用时提供后备方案。

主要功能

  1. 01按买家画像引导搜索潜客
  2. 02汇报费用与命中率
  3. 03在多个潜客来源间提供后备
  4. 04将搜索保存为每周 play

适用场景

  1. 01向新账户演示潜客搜索
  2. 02查找符合买家画像的潜在客户
  3. 03将一次性搜索转为定期工作流

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/getcargohq/cargo-skills --skill cargo-quickstart

安装后在 Claude Code 中输入/cargo-quickstart确认已加载。

附带文件skill-metadata.json

详细介绍

Cargo 快速入门 — 两分钟获得首个成果

一个引导式演示：获取约 25 条符合用户所选买家角色的最新线索，展示费用明细，然后将此次获取保存为一个定期运行的方案。重点不在这份名单，而在于第 3 分钟时，用户拥有的是一个正在运行的系统，而不是一次性结果。

新账户会获得 100 个免费积分 — 无需信用卡。 此演示大约会花掉其中 5 个。首次付费调用前，请明确说出来（“这大约会花掉您 100 个免费积分中的 5 个”）：这样就能把这一刻从购买决策变成随便看看，这正是快速入门要做到的事。绝不要让新用户误以为演示会导致他们耗尽积分。

初始化

如果已登录（cargo-ai whoami 返回一个工作区），请跳到下一节。

npm install -g @cargo-ai/cli            # no global install? prefix every command with `npx @cargo-ai/cli`
cargo-ai login --email [email protected]  # emailed code, no browser; creates the account on first use
                                        # alternatives: --oauth (browser) · --agentid (an agent as itself) · --token <api-token> (CI)
cargo-ai whoami                         # confirm the active workspace before any write

还没准备好注册？ 有两项功能无需账户且免费：浏览目录（cargo-ai orchestration action list enrich company）和试运行一个操作（cargo-ai orchestration action execute --action '<from action list>' --data '{"domain":"example.com"}' --dry-run — 验证输入，以实际格式显示示例输出和积分价格，不会调用任何内容）。如果用户在填写电子邮件时犹豫，可以提一次；如果用户已经准备好了，就别让他们绕路 — 演示才是真正的体验。

首次登录后会进入一个名为 Personal 的新工作区；在创建账户的登录命令中传入 --workspace-name "<Company> GTM"，即可重命名这个工作区（在 10 分钟内且只有你一名成员时），而不是再创建一个。初始连接器和 Agent 会在后台配置，因此注册后一两分钟内看起来空荡荡的工作区可能还在加载 — 不要因此停下来。

每条命令都会将 JSON 输出到 stdout；失败时会以非零状态退出，并将 {"error": "...", "status": ..., "body": {...}} 输出到 stderr。任何会创建运行或批次的命令都是异步的 — 请传入 --wait-until-finished，或轮询对应的 get 命令。安装完整技能包后，../cargo/references/prerequisites.md 会补充 CLI 版本固定、令牌作用域以及仅限管理员使用的功能说明。

只问一个问题

开始任何操作前，只问一个问题：

“您向谁销售？”（用几个词描述一个用户角色 — 例如：“中型 SaaS 公司的 RevOps 负责人”）

其他一切 — 服务提供商、筛选条件、数量限制 — 都由你决定。不要询问输出格式、数量或服务提供商；请使用下方的默认值。

速度预算 — 硬性规则

从用户回答到交付结果，整个演示最多两分钟。快速路径规则如下：

  • 不要绕道探索。 不要先运行 cargo-ai --version、cargo-ai whoami、connection connector list 或任何探索性命令。身份验证问题会在首次实际调用时通过错误显现 — 到时再处理。
  • 每个步骤只用一个命令块，命令之间不要插入说明。
  • 付费操作总计最多约 5 个积分。 演示使用 LinkedIn 原生人员搜索（salesNavigator.searchLeads，每条记录 0.2 个积分 → 25 条记录约 5 个积分）。未经询问，不要运行其他付费操作。
  • 绝不让流程陷入死局。 每个步骤都有备用方案（见下方的降级路径）。某一步失败时，不声张地降一级并继续。

快速路径

将用户角色转换为 searchLeads 筛选条件（在 keywords 中填写准确的职位短语并加引号；仅填写宽泛关键词会模糊匹配，让页面充斥无关结果），然后运行：

# 1. Execute — returns a run object; note run.uuid and run.workflowUuid.
#    searchLeads bills 0.2 per returned lead, so limit 25 costs at most 5 credits.
cargo-ai orchestration action execute \
  --action '{"kind":"connector","integrationSlug":"salesNavigator","actionSlug":"searchLeads"}' \
  --data '{"keywords": "\"<persona title phrase>\"", "limit": 25}' \
  --wait-until-finished > /tmp/quickstart-run.json

# 2. Fetch the output data (NOT in the execute stdout) — signed URL, then filter to THIS run
RUN_UUID=$(jq -r '.run.uuid' /tmp/quickstart-run.json)
WF_UUID=$(jq -r '.run.workflowUuid' /tmp/quickstart-run.json)
curl -s "$(cargo-ai orchestration run download-outputs \
  --workflow-uuid "$WF_UUID" --output-node-slug action --format json | jq -r '.url')" \
  > /tmp/quickstart-outputs.json

# 3. Show the table (the file holds ALL of the workflow's runs — filter by _uuid;
#    each row's .output is the leads array directly, fields are snake_case)
jq -r --arg u "$RUN_UUID" \
  '[.[] | select(._uuid==$u)][0].output[] | [.full_name, .job_title, .company_name, (.recently_hired // false)] | @tsv' \
  /tmp/quickstart-outputs.json | head -25

展示表格（姓名 · 职位 · 公司 · 最近入职），不要展示原始 JSON。recently_hired: true 的行是演示的亮点 — 优先介绍它们（“这 25 人中有 6 人刚刚入职 — 正是联系他们的最佳时机”）。

备用方案阶梯（遇到身份验证/错误时，降一档继续——不要停下）
  1. salesNavigator.searchLeads（0.2/条）——首选。
  2. theirStack.searchJobs（0.5/条）——换个角度表述为“当下正在招聘你的目标人群的公司”（发布了招聘该人群所担任职位的岗位）。同样令人惊喜，只是切入角度不同。
  3. waterfall.searchProspects（3/条）——会超过约 5 个点数的演示上限，因此使用这一档前要先询问：“两个低价数据源都未连接；我可以改用 waterfall 拉取 5 条匹配结果，约需 15 个点数——要现在运行，还是先连接 Sales Navigator（免费）？”只有得到明确同意后才运行，并将 limit 限制在 5 以内。
  4. 完全没有已连接的数据源 → 运行免费流程：cargo-ai connection integration list | head，展示可以连接哪些内容，并提出连接其中一个（通过浏览器进行身份验证）——之后再继续演示。

费用凭据（必须提供，严格照实）

演示本身就是来自 ../cargo-gtm/references/cost-discipline.md 的试点。结束时提供费用凭据：

  • 已用点数 + 剩余余额（运行 cargo-ai billing subscription get——剩余点数 = .subscription 中的 subscriptionAvailableCreditsCount + additionalAvailableCreditsCount − subscriptionCreditsUsedCount）。对于全新账户，应以免费的 100 个初始点数为基准说明，而不是只报一个数字——“已用 5 个，你的 100 个免费点数还剩 95 个”比“还剩 95 个点数”清楚得多。
  • 命中率：“返回了 25 条中的 25 条”（或者如实说明实际返回数量，以及哪些条目看起来不对）。

第 3 分钟——将其保存为 play

立即提出将此次检索设为定期运行——这一步能展现 Cargo 的本质：

“想让它自动运行吗？我可以把这次搜索原样保存为一个 play，每周运行一次，并将新的匹配结果写入一个模型——之后无需你开口，新的 <persona> 潜在客户就会自动出现。”

同意后，按照 ../cargo-gtm/recipes/save-as-play.md 操作，将演示中的操作 + 筛选条件用作工作流正文，并设置每周执行的 cron。

演示之后——引导后续步骤

根据刚才拉取的条目，按照 ../cargo-gtm/SKILL.md（§4）中的后续步骤规范，提出 2–3 个下一步建议，例如：“为这 25 条补充公司概况信息（每条约 0.5 cr）”“为最优的 10 条查找并验证电子邮箱（每条约 1.4 cr）”，或其他完全不同的建议。从这里开始，真正的 GTM 工作应交由 cargo-gtm 完成——在进行任何超出演示范围的操作之前，先阅读它。

评论

支持 Markdown