lead-qualification

潜在客户筛选引擎

通过结构化信息收集流程，依据自定义标准筛选潜在客户；然后并行评估潜在客户名单，并提供置信度评级和推理依据。

三种运行模式

模式 1：完整信息收集 + 筛选

没有现成的筛选提示词。通过信息收集流程创建提示词并保存，然后筛选潜在客户。

触发条件： 用户未提供筛选提示词。

模式 2：复用提示词 + 筛选

用户提供现有的筛选提示词——跳过信息收集，直接开始评分。

触发条件： 用户附上或指定筛选提示词文件（例如之前保存在其工作目录下 qualification-prompts/ 中的文件），或在消息中粘贴筛选标准。如果 粘贴的标准不够明确，先将其整理为下方的结构，然后向用户确认。

此技能不附带现成的提示词：每个提示词都由用户提供，或由 Agent 通过信息收集流程编写。

模式 3：优化 / 校准

用户看过结果后，希望调整标准。更新已保存的提示词，然后重新运行。

触发条件： 用户表示想要“优化”“调整”“不对”，或针对筛选结果提供反馈。

---

阶段 1：信息收集（仅限模式 1）

目标是全面了解用户如何判定潜在客户符合或不符合条件。分批集中提问，让用户能够高效作答。

第 1 轮——核心问题（一次性全部提出）

将以下问题按编号列表呈现。告诉用户：“回答相关的问题即可，不相关的可以跳过。我会就需要澄清的内容继续提问。”

产品与营销活动背景：

1. 用一句话介绍你的产品 / 服务。
2. 它解决什么问题，面向哪些人？
3. 具体的营销活动或拓展方向是什么？（例如：“针对刚完成 A 轮融资的公司”“瞄准正在从竞争对手 X 转型的团队”）

公司层面标准： 4. 目标公司的规模是多少？（例如：1-10、11-50、51-200、201-1000、1000+） 5. 哪些行业或垂直领域较为匹配？ 6. 有哪些行业或公司类型需要明确排除？ 7. 目标地域是哪些？还是面向全球？ 8. 有哪些地域需要排除？ 9. 公司发展阶段是否重要？（例如：种子轮、A 轮、B 轮及以上、上市） 10. 哪些营收范围或融资范围比较重要？

个人层面标准： 11. 理想买家的职位或角色是什么？ 12. 哪些职位明确不符合条件？ 13. 职级是否重要？（例如：必须达到总监级、VP 级或 C 级） 14. 他们应属于哪些部门？（例如：增长、营销、销售、工程） 15. 在当前公司的最低任职时间是多少？（例如：至少 6 个月，才有购买决策权） 16. 总工作年限是否重要？

行为与情境信号： 17. 技术栈信号会影响筛选结果吗？（例如：“使用 Salesforce” = 符合条件） 18. 公司近期的动态是否重要？（例如：大规模招聘、融资、产品发布） 19. 内容或发帖信号是否重要？（例如：“发布过 AI 相关内容” = 相关） 20. 还有哪些信号表明对方意向强烈或匹配度高？

一票否决项与强力筛选信号： 21. 哪些是你的硬性否决项——无论其他因素如何，只要出现就会立刻判定为“不符合条件”？ 22. 哪些是你最强的筛选信号——一旦出现，几乎可以确定为“符合条件”？

第 2 轮——跟进问题

根据用户的回答，提出 5-10 个有针对性的跟进问题，以消除模糊之处。示例：

• “你说的是中型市场——是指 50-500 名员工，还是 50-1000 名？”
• “你提到了增长副总裁——‘增长负责人’也符合条件吗？还是必须是副总裁职称？”
• “你没有提到地域——我应该按全球范围处理吗？”
• “关于任职时间，你说最低要求是 6 个月。那入职 4 个月但在公司内部获得晋升的人呢？”
• “你提到了 A 轮公司。营收相当但采用自筹资金的公司呢？”

第 3 轮 — 边界情况（可选，但建议）

列出 3-5 个假设的潜在客户资料，用于测试边界情况。询问：“您会将此人判定为合格吗？”

可构造的示例场景（根据用户的标准调整）：

• 某人的职位符合要求，但所在公司的规模略大或略小
• 某人所在公司的规模符合要求，但职位处于边界
• 某人各方面都符合要求，但任职时间较短
• 某人的职位不完全匹配，但有强烈的意向信号
• 某人所在的公司是竞争对手的客户

这一轮可以发现用户尚未明确说明的隐含标准。

生成并保存资格判定提示词

完成信息收集后，将所有答案整理成结构化的资格判定提示词。将其保存到用户的工作目录（或用户指定的位置），以便下次重复使用：

qualification-prompts/[campaign-name].md

保存的提示词必须遵循以下结构：

# Qualification Prompt: [Campaign Name]

Generated: [date]

## Campaign Context
- **Product:** [one-liner]
- **Campaign Angle:** [specific angle]
- **Problem Solved:** [what and for whom]

## Hard Disqualifiers (Instant No)
- [list each with explanation]

## Hard Qualifiers (Instant Yes)
- [list each with explanation]

## Company Criteria
| Criterion | Qualified | Disqualified | Notes |
|-----------|-----------|--------------|-------|
| Size | [range] | [range] | |
| Industry | [list] | [list] | |
| Geography | [list] | [list] | |
| Stage | [list] | [list] | |
| Funding/Revenue | [range] | [range] | |

## Person Criteria
| Criterion | Qualified | Disqualified | Notes |
|-----------|-----------|--------------|-------|
| Titles | [list] | [list] | |
| Seniority | [level+] | [below level] | |
| Department | [list] | [list] | |
| Tenure | [minimum] | [below minimum] | |
| Experience | [range] | [range] | |

## Behavioral & Situational Signals
- [list signals that boost qualification]
- [list signals that reduce qualification]

## Confidence Rules
- **High Confidence:** Enough data available for company size, title, tenure, and at least one signal.
- **Medium Confidence:** Missing one or two non-critical data points but core criteria are clear.
- **Low Confidence:** Missing critical data points (e.g., no company size, unclear title). Still make a yes/no call but flag it.

## Edge Case Guidance
- [specific guidance derived from Round 3 scenarios]
- [any nuanced rules from the intake conversation]

## Qualification Reasoning Instructions
When evaluating a lead, structure your reasoning as:
1. Check hard disqualifiers first — if any match, immediately disqualify.
2. Check hard qualifiers — if any match, lean strongly toward qualifying.
3. Evaluate company criteria against thresholds.
4. Evaluate person criteria against thresholds.
5. Factor in behavioral/situational signals as tiebreakers.
6. Assign confidence based on data completeness.
7. Write 2-3 sentence reasoning summarizing the decision.

简短示例（仅用于展示结构的虚构公司）：

# Qualification Prompt: Acme Payroll — Seed-Stage Founders

## Campaign Context
- **Product:** Payroll software for small startups
- **Campaign Angle:** Founders who just raised a seed round and are making their first hires

## Hard Disqualifiers (Instant No)
- Agencies and consultancies (they resell, they don't buy)
- Companies with more than 200 employees

## Hard Qualifiers (Instant Yes)
- Founder or CEO at a US startup that raised a seed round in the last 6 months

## Person Criteria
| Criterion | Qualified | Disqualified | Notes |
|-----------|-----------|--------------|-------|
| Titles | Founder, CEO, COO, Head of People | Engineer (IC), Intern | A founder qualifies in any department |

---

第 2 阶段：潜在客户资格判定

第 1 步 — 解析输入

接受以下任意输入格式：

• CSV 文件路径 — 直接从文件系统读取（默认）
• LinkedIn 个人资料 URL — 用户在消息中提供的一个或多个 URL
• 内嵌列表 — 消息中列出的姓名/公司
• Google Sheet URL — 如果用户提供 Google Sheet，请使用可用的任意 Google Sheets 工具读取
• 任何其他来源 — 请用户导出为 CSV 或粘贴数据

根据用户提供的内容自动检测格式。

第 1.5 步 — 通过 Apify 批量补充资料

适用情况： 输入包含 linkedin_url 列（或提供了 LinkedIn URL）。 跳过情况： 没有 LinkedIn URL，或用户明确要求跳过资料补充。

在 LLM 资格判定之前，批量补充所有潜在客户的资料，获取结构化的个人资料数据。这比资格判定期间逐个搜索网页快得多，也便宜得多。

运行资料补充脚本：

python3 scripts/enrich_leads.py INPUT_CSV \
  --output ENRICHED_CSV \
  --cache-hours 24

在此技能的文件夹中运行脚本。设置了 GOOSEWORKS_API_KEY 时，脚本会通过 GooseWorks Apify 代理使用用户的 GooseWorks 额度；未设置时，才会将用户自己的 APIFY_API_TOKEN 用作备用。切勿向用户索要 Apify 令牌。

这是付费运行，费用会在运行结束时按实际用量计费；运行前无法报价。先运行 --dry-run：它会统计实际运行将抓取的个人资料数量（扣除缓存后），且不会调用任何服务。告知用户该数量，并说明费用将从其 GooseWorks 额度中扣除，只有获得用户同意后才运行。

此脚本的工作内容：

1. 从输入 CSV 中读取所有 LinkedIn URL
2. 检查本地缓存（默认有效期为 24 小时）——跳过已补充资料的个人资料
3. 将未缓存的 URL 分批发送给 Apify，每批 50 个
4. 返回补充资料后的 CSV，其中包含：enriched_title、enriched_company、enriched_industry、enriched_location、enriched_connections、enriched_education、enriched_experience_years、enriched_headline、enriched_about、enrichment_status
5. 实际运行时会扣除 GooseWorks 额度；缓存的个人资料不产生费用

资料补充完成后，后续步骤 2-4 请使用补充资料后的 CSV 作为输入。 补充后的数据可让 LLM 资格判定步骤直接使用结构化字段，而无需搜索网页，大幅提升速度和一致性。

如果部分个人资料补充失败： 输出中的相应条目会标记为 enrichment_status: failed。LLM 资格判定步骤应仅对这些潜在客户回退到网页搜索。

步骤 2 — 校准批次

处理完整列表前，先运行前 5–10 条潜在客户记录，并以表格形式向用户展示结果。

如果已运行批量数据补充（步骤 1.5），请将补充后的列（enriched_title、enriched_company 等）作为主要数据源。仅在潜在客户记录的 enrichment_status 为 failed 或 no_url 时，才使用网页搜索作为后备方案。

| # | Name | Title | Company | Qualified | Confidence | Reasoning |
|---|------|-------|---------|-----------|------------|-----------|
| 1 | ... | ... | ... | Yes | High | ... |
| 2 | ... | ... | ... | No | Medium | ... |
| ... |

询问：“这些结果看起来正确吗？处理完整列表前，需要调整任何标准吗？”

如果用户指出问题：

1. 讨论需要修改的内容
2. 更新已保存的资格判定提示词文件
3. 重新运行校准批次
4. 再次确认后再继续

重复以上步骤，直到用户批准。

步骤 3 — 完整运行（并行处理）

校准获批后，使用并行子 Agent 处理所有剩余的潜在客户记录。必须并行处理，不得按顺序逐条处理。

并行处理协议（强制）：

1. 计算批次数：

   • 剩余潜在客户记录总数 / 15 = 批次数（向上取整）
   • 目标：每批约 15 条记录
   • 最少：2 批（即使列表较短，也要分成 2 批，以验证并行处理是否有效）
   • 最多：10 个并发批次（避免上下文负担过重）

2. 准备批次输入： 为每个批次创建一份独立完整的上下文包：

   • 完整的资格判定提示词（已保存或用户提供的提示词）
   • 该批次的潜在客户记录行（包括所有列，以及步骤 1.5 中补充的数据）
   • 输出格式说明：姓名、Qualified（Yes/No）、Confidence（High/Medium/Low）、Reasoning（2–3 句话）
   • 说明：“对于 enrichment_status=failed 或 no_url 的潜在客户记录，请快速进行网页搜索。每条记录的搜索时间不得超过 30 秒。”

3. 启动并行 Task Agent： 使用 Task 工具，在单条消息中通过多个工具调用同时启动所有批次：

   Task: "Qualify leads batch 1/N"
   Context: [qualification prompt] + [batch 1 lead rows]
   
   Task: "Qualify leads batch 2/N"
   Context: [qualification prompt] + [batch 2 lead rows]
   
   ... (launch ALL at once — do NOT wait for batch 1 before launching batch 2)
   

4. 收集并合并结果：

   • 等待所有 Task Agent 完成
   • 将所有批次的结果合并为一个列表
   • 保留输入中的原始行顺序
   • 如果任何批次失败，重试该批次一次。如果再次失败，将这些潜在客户记录标记为 "qualification_failed"，然后继续处理。

5. 验证完整性：

   • 计数：符合资格 + 不符合资格 + 失败的记录数 = 输入潜在客户记录总数
   • 如果有记录缺失，请找出并重新处理

单条记录处理流程（在每个批次 Agent 内）：

1. 读取输入行中的所有可用数据（包括步骤 1.5 中补充的列）
2. 如果存在补充数据（enrichment_status: success 或 cached）：使用 enriched_title、enriched_company 等字段
3. 如果缺少补充数据（enrichment_status: failed 或 no_url）：快速进行网页搜索（最长 30 秒）
4. 应用资格判定提示词：
   • 首先检查硬性淘汰条件——如果符合任何一项，立即判定为不符合资格
   • 检查硬性资格条件——如果符合任何一项，强烈倾向于判定为符合资格
   • 评估所有标准
   • 确定：Qualified（Yes/No）、Confidence（High/Medium/Low）
   • 写出 2–3 句话的判定理由
5. 返回结果

步骤 4 — 输出结果

默认格式：CSV

1. 写入一个 CSV，包含所有原始列以及以下三个新列：
   • Qualified — Yes / No
   • Confidence — High / Medium / Low
   • Reasoning — 2–3 句话的说明
2. 保存到当前工作目录或用户指定的位置
3. 告知用户文件路径

如果用户偏好 Google Sheets 或其他目标位置：

• 如果有可用工具，则写入 Google Sheets
• 如果用户要求，则写入 Notion
• 按用户要求导出为任意格式

步骤 5 — 汇总

输出完成后，提供汇总：

## Qualification Results: [Campaign Name]

**Total leads processed:** X
**Qualified:** X (Y%)
**Disqualified:** X (Y%)

**Confidence breakdown:**
- High: X leads
- Medium: X leads
- Low: X leads (may need manual review)

**Top disqualification reasons:**
1. [reason] — X leads
2. [reason] — X leads
3. [reason] — X leads

**Output:** [Google Sheet link or CSV path]
**Qualification prompt saved to:** qualification-prompts/[campaign-name].md

---

所需工具

资格评估 Agent 应能够使用：

• Apify LinkedIn Enrichment — 使用 scripts/enrich_leads.py 在资格评估前批量丰富个人资料
  • 使用 harvestapi~linkedin-profile-scraper Apify Actor（无需 Cookie）
  • 通过 GooseWorks Apify 代理使用 GooseWorks 积分运行，并使用 GOOSEWORKS_API_KEY；仅在没有该密钥时，才使用用户自己的 APIFY_API_TOKEN 作为备用
  • 先使用 --dry-run 运行以统计个人资料数量，然后在付费运行前征得用户同意
• Web Search — 当丰富数据稀少或缺失时，用于研究潜在客户
• Fetch (web page) — 用于获取 LinkedIn 个人资料、公司页面等
• Read/Write — 用于 CSV 输入/输出和保存资格评估提示词
• Glob/Grep — 用于查找现有资格评估提示词文件
• 可选：Google Sheets 工具 — 如果用户希望从 Google Sheets 读取数据或写入数据

---

使用示例

从 CSV 完整导入并进行资格评估：

Qualify leads for our outbound campaign. Here's the lead list: leads.csv

→ Agent 检测到没有已保存的提示词，开始收集信息、构建提示词，然后进行资格评估。

复用现有提示词：

Qualify these leads using @qualification-prompts/seed-founders.md
— lead list: leads.csv

→ Agent 跳过信息收集，直接进行校准和资格评估。

直接评估 LinkedIn 个人资料：

Using the seed-founders qualification prompt, qualify these people:
- https://linkedin.com/in/person1
- https://linkedin.com/in/person2
- https://linkedin.com/in/person3

查看结果后进行优化：

Those results look off — also disqualify anyone at a consulting firm, and lower the
tenure minimum to 3 months for Director+ titles.

→ Agent 更新已保存的提示词并重新运行。