kol-discovery

KOL 发现

通过搜索 LinkedIn 帖子，找到各领域中高产且互动率高的作者，并与网络研究发现的影响者合并，从而找到关键意见领袖。

核心原则： 搜索权威性／思想领导力关键词，而不是描述痛点的语言。我们要找的是能够引领该领域讨论的人——会议演讲者、通讯作者、播客主持人，以及在 LinkedIn 上频繁发帖的人。

阶段 0：信息收集

向用户询问以下问题：

领域与受众

1. 贵公司／产品的业务是什么？所属领域是什么？
2. 您希望找到的 KOL 在哪个具体领域或主题上具备专业知识？
3. 您的目标受众是谁？（KOL 影响的人群）
4. 您已经了解哪些 KOL？（LinkedIn URL——这些将作为基准）
5. 有哪些人需要排除？（竞争对手、您自己的团队、不相关的声音）

阶段 1：生成领域关键词

根据收集的信息，生成 15-25 个主题／权威性关键词。这些不是描述痛点的语言，而是思想领袖分享专业见解时会使用的词语：

• 行业术语 — “货运科技”“供应链创新”
• 思想领导力信号 — “物流经验教训”“调度的未来”
• 会议／活动术语 — “供应链峰会主题演讲”
• 内容创作者信号 — “货运通讯”“物流播客”

还要生成：

• KOL 职位关键词 — 表明思想领导力的职位（vp、创始人、分析师、编辑、主持人）
• 供应商排除关键词 — 用于过滤的职位（软件工程师、招聘人员、saas）
• 领域相关性关键词 — 用于相关性评分的核心行业术语

运行前先向用户展示关键词并征求确认。

将配置保存到当前工作目录，或用户指定的位置：

配置 JSON 结构：

{
  "client_name": "example",
  "domain_keywords": ["\"freight tech\" thought leadership", "supply chain innovation"],
  "exclusion_patterns": ["hiring.*position", "we.re recruiting"],
  "kol_title_keywords": ["vp", "founder", "analyst", "editor", "host"],
  "vendor_exclude_keywords": ["software engineer", "saas", "recruiter"],
  "domain_relevance_keywords": ["freight", "logistics", "supply chain"],
  "country_filter": "",
  "max_posts_per_keyword": 50,
  "min_posts": 2,
  "min_total_engagement": 50,
  "top_n_kols": 50
}

阶段 2：运行 KOL 发现流程

python3 skills/kol-discovery/scripts/kol_discovery.py \
  --config kol-discovery.json \
  --output-dir . \
  [--test] [--web-kols kol-web-kols.json] [--yes]

标志：

• --config（必需）— 客户配置 JSON 的路径
• --output-dir — 输出 CSV 的目录（默认：当前工作目录）
• --test — 限制为 5 个关键词（验证运行）
• --web-kols — 网络研究所得 KOL JSON 的路径（由 Agent 生成）
• --yes — 跳过费用确认提示
• --max-runs — 覆盖 Apify 运行次数上限

脚本的功能：

1. 关键词搜索 — 对每个领域关键词运行 apimaestro/linkedin-posts-search-scraper-no-cookies
2. 作者汇总 — 按作者归纳帖子并计算互动指标
3. 评分 — 综合 KOL 得分：互动量（对数缩放）+ 持续性（帖子数）+ 质量（平均互动量）+ 相关性（关键词广度）+ 网络研究加分
4. 合并 — 将帖子数据中的 KOL 与网络研究所得 KOL 合并，并标记重合项
5. 导出 — 按排名生成 CSV

费用估算： 每个关键词约 $0.10。使用 20 个关键词完整运行：约 $2-3。

务必先使用 --test 运行。

阶段 2b：网络研究（由 Agent 驱动）

在运行脚本之前或同时，开展网络研究以查找知名 KOL：

• 搜索“LinkedIn 上顶尖的［行业］影响者”
• 查找会议演讲者、通讯作者、播客主持人
• 查看行业刊物，寻找经常投稿的作者

将结果保存为当前工作目录下的 JSON：

[
  {
    "name": "Jane Doe",
    "linkedin_url": "https://www.linkedin.com/in/janedoe/",
    "source": "FreightWaves conference speaker 2025",
    "notes": "Hosts weekly logistics podcast"
  }
]

通过 --web-kols 传递给脚本。

阶段 3：审核与完善

展示结果：

• 排名前 20 的 KOL — 排名、姓名、标题、KOL 得分、总互动量、热门帖子
• 来源细分 — 分别统计来自帖子数据、网络研究和两者兼有的数量
• 关键词表现 — 各关键词发现的 KOL 数量

常见调整：

• 无关作者太多 — 优化领域关键词，添加排除模式
• 遗漏已知 KOL — 添加更多关键词变体，扩大网络研究范围
• 结果太少 — 降低 min_posts 或 min_total_engagement 阈值

阶段 4：输出

CSV 导出到当前工作目录：

列	描述
排名	按 KOL Score 排列的总排名
姓名	全名
LinkedIn URL	个人资料链接
头衔	来自 LinkedIn
KOL Score	综合评分
帖子总数	搜索中找到的帖子数
总互动数	所有帖子的互动总数
总评论数	所有帖子的评论总数
平均互动数	每篇帖子的平均互动数和评论数
热门帖子 URL	互动数最高的帖子
热门帖子预览	热门帖子的前 100 个字符
来源	post-data / web-research / both

所需工具

• Apify API token — 在 .env 中设置为 APIFY_API_TOKEN
• 使用的 Apify actors：
  • apimaestro/linkedin-posts-search-scraper-no-cookies（关键词搜索）

示例用法

触发短语：

• “查找货运／物流领域的 KOL”
• “[行业]领域有哪些影响力人物？”
• “为 [领域] 发掘思想领袖”
• “为 [客户] 执行 KOL 发掘”

使用现有配置：

python3 skills/kol-discovery/scripts/kol_discovery.py \
  --config clients/example/configs/kol-discovery.json \
  --output-dir clients/example/leads --yes