lead-qualification

潜在客户资格判定引擎

通过结构化的信息收集流程，依据自定义标准判定潜在客户的资格；然后并行评估潜在客户名单，并给出置信度评级和推理过程。

三种运行模式

模式 1：完整信息收集 + 资格判定

尚无现成的资格判定提示词。通过信息收集创建提示词，保存后再判定潜在客户的资格。

触发条件： 用户未提供资格判定提示词文件。

模式 2：复用提示词 + 资格判定

用户引用现有的资格判定提示词文件——跳过信息收集，直接开始评分。

触发条件： 用户标记或引用 skills/lead-qualification/qualification-prompts/ 中的文件。

模式 3：优化 / 校准

用户已查看结果，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”“结果不对”之类的意思，或针对资格判定结果提供反馈。

---

阶段 1：信息收集（仅限模式 1）

目标是全面了解用户如何区分符合资格和不符合资格的对象。分轮批量提问，让用户能够高效作答。

第 1 轮 — 核心问题（一次性全部提问）

将以下问题作为编号列表呈现。告诉用户：“回答相关的问题，不相关的可以跳过。我会就需要澄清的内容继续追问。”

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. 具体的营销活动或触达切入点是什么？（例如：“面向刚完成 A 轮融资的公司”，“争取正在从竞争对手 X 转型的团队”）

公司层面的标准： 4. 目标公司的规模是多少？（例如：1-10 人、11-50 人、51-200 人、201-1000 人、1000 人以上） 5. 哪些行业或垂直领域符合要求？ 6. 有哪些行业或公司类型需要明确排除？ 7. 目标地区有哪些？还是面向全球？ 8. 哪些地区需要排除？ 9. 公司所处阶段是否重要？（例如：种子轮、A 轮、B 轮及以上、上市公司） 10. 收入或融资金额范围是否重要？

个人层面的标准： 11. 理想买家的职位或角色是什么？ 12. 哪些职位明确不符合资格？ 13. 职级是否重要？（例如：必须是总监及以上、副总裁及以上、高管层） 14. 他们应该属于哪些部门？（例如：增长、营销、销售、工程） 15. 在现公司的最低任职时长是多少？（例如：至少 6 个月才能拥有购买决策权） 16. 总工作年限是否重要？

行为与情境信号： 17. 技术栈信号是否会影响资格判定？（例如：“使用 Salesforce” = 符合要求） 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. 内容或发帖方面的信号是否重要？（例如：“发布过关于 AI 的内容” = 相关） 20. 还有哪些信号表明其购买意向强或匹配度高？

否决条件与直接判定符合的条件： 21. 哪些是你的硬性否决条件——无论其他因素如何，只要符合这些条件就会立刻将对象判为“不符合”？ 22. 哪些是你的最强符合条件——符合这些条件的对象几乎可以确定为“符合”？

第 2 轮 — 后续追问

根据用户的回答，提出 5-10 个有针对性的问题，以消除歧义。示例：

• “你提到了中型市场——这指的是 50-500 名员工，还是 50-1000 名员工？”
• “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？”
• “你没有提到地理范围——我是否应将目标视为全球范围？”
• “关于任职时长，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。收入相当的自举创业公司呢？”

第 3 轮 — 边界情况（可选，但建议进行）

提供 3-5 个假设的潜在客户档案，用于测试边界情况。询问“您会认定此人符合条件吗？”

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，但所在公司的规模稍大或稍小
• 某人所在公司符合要求，但职位处于边界范围
• 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，但意向信号很强
• 某人就职于竞争对手的客户公司

这一轮有助于发现用户尚未明确说明的隐性标准。

生成并保存筛选提示词

完成信息收集后，将所有答案整合为结构化的筛选提示词。保存到：

skills/lead-qualification/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.

---

第 2 阶段：潜在客户筛选

第 1 步 — 解析输入

接受以下任意输入格式：

• Google Sheet URL — 通过 Rube MCP 读取（GOOGLESHEETS_GET_ALL_DATA_FROM_GOOGLE_SHEET 或类似工具）
• CSV 文件路径 — 直接从文件系统读取
• LinkedIn 个人资料 URL — 在消息中提供一个或多个 URL
• 内联列表 — 在消息中列出的姓名/公司

自动检测格式。如果是 Google Sheet，使用 RUBE_SEARCH_TOOLS 查找合适的 Google Sheets 读取工具，然后读取数据。

第 1.5 步 — 通过 Apify 批量补充信息

适用情况： 输入包含 linkedin_url 列（或提供了 LinkedIn URL）。 跳过情况： 未提供 LinkedIn URL，或用户明确要求跳过信息补充。

在 LLM 筛选之前，批量补充所有潜在客户的信息，以获取结构化的档案数据。这比在筛选过程中逐个搜索网页快得多，也省钱得多。

运行信息补充脚本：

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

先使用 --dry-run 显示费用估算，不调用 Apify。

此脚本的作用：

1. 从输入 CSV 中读取所有 LinkedIn URL
2. 检查本地缓存（默认缓存 24 小时）——跳过已补充信息的档案
3. 将未缓存的 URL 分批发送给 Apify，每批 50 个
4. 返回补充信息后的 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. 费用：每 1,000 个档案约 $3（每 100 个潜在客户约 $0.03）

信息补充完成后，将补充信息后的 CSV 用作第 2-4 步的输入。 补充后的数据可让 LLM 筛选步骤使用结构化字段，而无需搜索网页，从而大幅提升速度和一致性。

如果部分档案的信息补充失败： 这些档案的输出中会显示 enrichment_status: failed。LLM 筛选步骤应仅对这些潜在客户回退到网页搜索。

第 2 步 — 校准批次

处理完整列表之前，先处理前 5-10 个潜在客户，并以表格形式向用户展示结果。

如果已执行批量信息补充（第 1.5 步），请将补充后的列（enriched_title、enriched_company 等）作为主要数据来源。仅对 enrichment_status 为 failed 或 no_url 的潜在客户回退到网页搜索。

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

询问：“这些结果看起来正确吗？处理完整列表之前，我需要调整任何标准吗？”

如果用户指出问题：

1. 讨论需要更改的内容
2. 更新已保存的筛选提示词文件
3. 重新运行校准批次
4. 在继续之前再次确认

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 处理所有剩余潜在客户。必须并行处理 — 不要按顺序逐个处理潜在客户。

并行处理协议（必须遵守）：

1. 计算批次数：

   • 剩余潜在客户总数 / 15 = 批次数（向上取整）
   • 目标：每批约 15 个潜在客户
   • 最少：2 批（即使列表较短，也要验证并行处理是否有效）
   • 最多：10 个并发批次（避免上下文过载）

2. 准备批次输入： 为每个批次创建一个独立完整的上下文包：

   • 完整的资格审查提示词（来自 qualification-prompts/ 文件）
   • 该批次的潜在客户行（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、是否符合资格（是/否）、置信度（高/中/低）、理由（2–3 句话）
   • 指示：“对于 enrichment_status=failed 或 no_url 的潜在客户，快速进行网页搜索。每位潜在客户的搜索时间不得超过 30 秒。”

3. 并行启动 Task Agent： 使用 Task 工具，在一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，则重试该批次一次。如果再次失败，将这些潜在客户标记为“qualification_failed”并继续。

5. 验证完整性：

   • 计数：符合资格 + 不符合资格 + 失败 = 输入潜在客户总数
   • 如果有潜在客户遗漏，找出并重新处理

逐个潜在客户处理（在每个批次 Agent 中）：

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. 应用资格审查提示词：
   • 先检查硬性排除条件 — 如符合任一条件，立即判定为不符合资格
   • 再检查硬性符合条件 — 如符合任一条件，应优先判定为符合资格
   • 评估所有标准
   • 确定：是否符合资格（是/否）、置信度（高/中/低）
   • 撰写 2–3 句话的理由
5. 返回结果

步骤 4 — 输出到 Google Sheet

首选：通过 Rube MCP 使用 Google Sheets

使用 RUBE_SEARCH_TOOLS 查找 Google Sheets 工具，然后：

1. 创建一个名为 [Campaign Name] - Qualified Leads - [Date] 的新 Google Sheet
2. 写入所有原始列，再加上三个新列：
   • Qualified — 是 / 否
   • Confidence — 高 / 中 / 低
   • Reasoning — 2–3 句话的说明
3. 设置工作表格式：
   • 标题行使用深色背景并加粗
   • 为 Qualified 列设置颜色：是为绿色，否为红色
   • 为 Confidence 列设置颜色：高为绿色，中为黄色，低为红色
   • 自动调整列宽，确保内容清晰易读
   • 添加筛选行，方便用户按 Qualified/Confidence 筛选
4. 向用户提供 Google Sheet 链接

备用方案：CSV

如果 Rube MCP 不可用或 Google Sheets 连接失败：

1. 将 CSV 写入：skills/lead-qualification/output/[campaign-name]-[date].csv
2. 包含所有原始列，以及 Qualified、Confidence、Reasoning
3. 告知用户文件路径

步骤 5 — 摘要

输出完成后，提供摘要：

## 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:** skills/lead-qualification/qualification-prompts/[campaign-name].md

---

所需工具

资格评估 Agent 应具备以下工具的访问权限：

• Apify LinkedIn Enrichment — scripts/enrich_leads.py，用于资格评估前批量补充个人资料信息
  • 使用 supreme_coder~linkedin-profile-scraper Apify actor（每 1,000 份个人资料收费 $3，无需 Cookie）
  • 需要设置 APIFY_API_TOKEN 环境变量
  • 先使用 --dry-run 预览费用
• Web Search — 当补充信息稀少或缺失时，用于调查潜在客户
• Fetch (web page) — 用于获取 LinkedIn 个人资料、公司页面等
• Rube MCP — 用于 Google Sheets 的输入/输出
  • RUBE_SEARCH_TOOLS — 查找可用工具
  • RUBE_MANAGE_CONNECTIONS — 确保 Google Sheets 连接处于活动状态
  • RUBE_REMOTE_WORKBENCH — 执行工作表操作
• Task tool — 将潜在客户处理任务分配给多个子 Agent 并行执行（步骤 3 中必须使用）
• Read/Write — 用于 CSV 输入/输出，以及保存资格评估提示词
• Glob/Grep — 用于查找现有的资格评估提示词文件

---

示例用法

从 Google 表格完整导入并评估资格：

Qualify leads for our outbound campaign. Here's the lead list: [Google Sheet URL]

→ Agent 检测到没有已保存的提示词，于是开始导入、构建提示词，然后进行资格评估。

复用现有提示词：

Qualify these leads using @skills/lead-qualification/qualification-prompts/series-a-founders.md
— lead list: [Google Sheet URL]

→ Agent 跳过导入，直接进行校准和资格评估。

直接评估 LinkedIn 个人资料：

Using the series-a-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。