SKILLEMALL.ai

AB apify-buying-signal-detection

Настройте конвейер обнаружения повторяющихся сигналов о покупке, который находит компании, проявляющие покупательский интерес по трем типам сигналов — вакансии (найм по профилю), мероприятия по сбору средств (недавние сборы) и контент в LinkedIn (посты о болевых точках, объявления о найме) — затем агрегирует результаты в дедуплицированный файл leads.csv с указанием источника сигнала, URL-адреса доказательства и временной метки обнаружения в каждой строке. Архитектура с разделенным расписанием — Apify Actor Tasks извлекают необработанные данные по своему собственному расписанию, задача агрегации на стороне Claude нормализует, дедуплицирует по черному списку и добавляет новые лиды с еженедельной идемпотентной защитой. Используйте, когда пользователь говорит «найти компании с сигналами о покупке», «обнаружить сигналы о намерениях для исходящих продаж», «настроить еженедельный конвейер лидов», «отслеживать сигналы о найме для генерации лидов», «отслеживать лиды стартапов, привлекающих финансирование», «найти сигналы о покупке в LinkedIn», «запланировать Apify Actors для поиска потенциальных клиентов», «создать список лидов на основе сигналов» или «настроить мониторинг покупательских намерений для моего ICP».

машинный переводПоказать оригиналСкрыть оригинал«Set up a recurring buying-signal detection pipeline that finds compani…»

Set up a recurring buying-signal detection pipeline that finds companies showing buying intent across three signal types — job postings (hiring for the persona), fundraising events (recent raises), and LinkedIn content (pain-point posts, hiring announcements) — then aggregates results into a deduplicated leads.csv with the signal source, evidence URL, and detection timestamp per row. Split-schedule architecture — Apify Actor Tasks pull raw data on their own cadence, a Claude-side aggregation task normalizes, deduplicates against a blacklist, and appends new leads with a weekly-idempotent guard. Use when the user says "find companies with buying signals", "detect intent signals for outbound", "set up a weekly lead pipeline", "monitor hiring signals for lead gen", "track startup funding leads", "find LinkedIn buying signals", "schedule Apify Actors for prospecting", "build a signals-based lead list", or "set up buying-intent monitoring for my ICP".

apify/awesome-skills Agent Skills автор: apify 11 файлов · 2 скрипта тело ≈ 4 773 токенов Открыть источникgithub.com↗ проанализирован 3 дн назад

Настройте конвейер обнаружения повторяющихся сигналов о покупке, который находит компании, проявляющие покупательский интерес по трем типам сигналов —…

Как процесс B 68/100 · Почти готов — слабые места: результат и критерий готовности

ПроцедураGitHubИИ и агентыИнфраструктураЛюди и наймтип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
97/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
92
Прогон на моделях
не было
Процессный рейтинг
B
68/100
Почти готов
Результат и критерий готовности вес 14
0
Инструменты и файлы вес 18
60
Когда включается вес 12
70
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
    • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

    Находки guard · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 10. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "author_url"

    Процессный рейтинг: все десять параметров 68/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 60Инструменты и файлы. Используются инструменты (bash, web, python), но во frontmatter они не объявлены
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 70Стоимость исполнения. Тело инструкции 4773 токенов
    • 85Шаги. Шагов: 37, расплывчатых формулировок: 3
    • 100Ошибки и развилки. Развилок: 3, есть раздел про ошибки
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • low Ответ описан самодельной разметкой (10 тегов): типизированный вызов надёжнее

    Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

    Сигналы качества

    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Длина description 960: рекомендуется 120–800 символов
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 9 примера фраз-триггеров в кавычках
    • +4Структура: 17 заголовков
    • +3Пошаговые инструкции: 37 пунктов
    • +4Есть примеры (9 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (4 из 4)
    • +3Все 2 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 92.