kol-engager-icp

KOL 互动者 ICP

通过抓取 LinkedIn 上 KOL 帖子的互动者，找到符合 ICP 的潜在客户。这是 KOL 工作流的后半部分——给定 KOL（来自 kol-discovery 或手动提供），它会找到他们表现最佳的帖子，抓取互动者，并筛选出符合你 ICP 的人。

**核心原则：**每位 KOL 只选 1 条帖子。选择过去 30 天内相关性最高、互动量最大的帖子，在最大限度提升潜在客户质量的同时控制成本。

阶段 0：信息收集

向用户询问以下问题：

ICP 标准

1. 你的产品／服务有什么作用？
2. 用于筛选帖子相关性的主题关键词（3-5 个与 KOL 帖子主题相关的词）
3. 目标行业／领域
4. 目标职位／角色（例如，“运营副总裁”“物流负责人”）
5. 要排除的职位（例如，“软件工程师”“数据科学家”）
6. 要过滤掉的竞争对手
7. 地理区域（例如，“美国”）

KOL 输入

8. KOL 列表——LinkedIn 个人资料 URL（来自 kol-discovery 的输出或手动列表）

保存配置：

skills/kol-engager-icp/configs/{client-name}.json

配置 JSON 结构：

{
  "client_name": "example",
  "topic_keywords": ["freight automation", "dispatch operations"],
  "topic_patterns": ["freight.*automat", "dispatch.*oper"],
  "icp_keywords": ["freight", "logistics", "3pl"],
  "target_titles": ["vp operations", "head of logistics", "coo"],
  "exclude_titles": ["software engineer", "data scientist"],
  "tech_vendor_keywords": ["competitor-name", "saas founder"],
  "country_filter": "United States",
  "kol_urls": ["https://www.linkedin.com/in/kol-1/"],
  "days_back": 30,
  "max_posts_per_kol": 20,
  "max_kols": 10,
  "max_enrichment_profiles": 200,
  "mode": "standard"
}

阶段 1：运行工作流

python3 skills/kol-engager-icp/scripts/kol_engager_icp.py \
  --config skills/kol-engager-icp/configs/{client-name}.json \
  [--test] [--probe] [--yes] [--kols "url1,url2"]

标志：

• --config（必填）——客户端配置 JSON 的路径
• --test——限制为 3 位 KOL、50 个增强资料
• --probe——使用一个帖子 URL 测试互动者抓取，并退出
• --yes——跳过成本确认提示
• --kols——覆盖配置中的 KOL URL（逗号分隔）
• --max-runs——覆盖 Apify 运行次数上限

工作流步骤

步骤 1：抓取 KOL 帖子——使用 harvestapi/linkedin-profile-posts 获取每位 KOL 最近 30 天内的帖子（最多扫描 20 条）。

步骤 2：为每位 KOL 选择最佳帖子——根据 topic_keywords/topic_patterns 筛选相关帖子，然后选择互动量（反应数 + 评论数）最高的那一条。结果：每位 KOL 对应 1 个帖子 URL。

步骤 3：抓取互动者——使用 harvestapi/linkedin-company-posts 并设置 scrapeReactions: true, scrapeComments: true，获取每条选定帖子中的反应者和评论者。

步骤 4：增强资料前进行预筛选——按职位为互动者打分：

• +3 评论者（意向更高）
• +2 职位符合 ICP 关键词
• +2 职位符合目标职位
• -5 职位符合排除职位或供应商关键词
• +1 在多条帖子中互动
• 仅保留得分 > 0 的对象，上限为 max_enrichment_profiles

步骤 5：增强资料——分批使用 harvestapi/linkedin-profile-scraper，每批 25 个。之后应用国家／地区筛选条件。

步骤 6：ICP 分类并导出——分类为 Likely ICP / Possible ICP / Unknown / Tech Vendor。导出 CSV。

硬性上限

参数	测试	标准	完整
处理的 KOL 数	3	10	20
每位 KOL 选定的帖子数	1	1	1
最大抓取反应数	全部	全部	全部
增强资料数上限	50	200	500
预估总成本	~$0.50	~$1.50-2	~$5-8

探测模式

先运行 --probe，确认互动者抓取功能正常：

python3 skills/kol-engager-icp/scripts/kol_engager_icp.py \
  --config skills/kol-engager-icp/configs/{client-name}.json --probe

此操作会抓取第一位 KOL 的帖子，选出最佳帖子，抓取该帖子的互动者，并打印样本。不执行资料增强，也不生成 CSV。

阶段 2：审核与优化

展示结果：

• 每位 KOL 的明细——哪位 KOL 的帖子带来了最多潜在客户
• 预筛选统计——有多少互动者通过了职位筛选
• ICP 分类统计——各层级的数量
• 排名前 15 的潜在客户——姓名、职位、公司、KOL 来源、互动类型

常见调整：

• 技术供应商过多——向 tech_vendor_keywords 添加词条
• 缺少符合 ICP 的潜在客户——扩展 icp_keywords 或 target_titles
• 选出的帖子互动量较低——调整 topic_keywords，放宽限制
• 成本过高——降低 max_enrichment_profiles 或切换到测试模式

阶段 3：输出

CSV 导出到 skills/kol-engager-icp/output/{client-name}-kol-engagers-{date}.csv：

列	说明
姓名	全名
LinkedIn 个人资料 URL	个人资料链接
职位	从标题中解析
公司名称	从标题中解析
地点	来自信息补充
KOL 来源	他们互动的 KOL 的帖子
帖子 URL	特定帖子的链接
互动类型	评论或反应
评论文本	他们的评论（个性化内容的黄金素材）
ICP 层级	可能符合 ICP / 或许符合 ICP / 未知 / 技术供应商
预筛选分数	步骤 4 的优先级分数

所需工具

• Apify API token — 在 .env 中设置为 APIFY_API_TOKEN
• 使用的 Apify actors：
  • harvestapi/linkedin-profile-posts（抓取 KOL 帖子）
  • harvestapi/linkedin-company-posts（抓取帖子互动者）
  • harvestapi/linkedin-profile-scraper（补充个人资料信息）

示例用法

触发语句： -“查找来自 [行业] KOL 受众的潜在客户” -“抓取这些 KOL 帖子的互动者” -“为 [客户] 运行 kol-engager-icp” -“谁在互动 [KOL 名称] 的内容？”

在 kol-discovery 之后：

# Use KOL URLs from discovery output
python3 skills/kol-engager-icp/scripts/kol_engager_icp.py \
  --config skills/kol-engager-icp/configs/example.json \
  --kols "https://linkedin.com/in/kol1,https://linkedin.com/in/kol2"

测试模式：

python3 skills/kol-engager-icp/scripts/kol_engager_icp.py \
  --config skills/kol-engager-icp/configs/example.json --test