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".
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
Как улучшить
- 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-keyнеизвестное 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.