Common Room Account Research 技能实战指南从 MCP 数据抓取到结构化客户简报【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins导读account-research是 knowledge-work-plugins 仓库中 common-room 插件 的核心技能之一它让 Claude Cowork 能够以 Common Room 的 MCP 服务mcp.commonroom.io/mcp为主数据源自动完成客户Account信息的检索、交叉验证与结构化合成。本文以 account-research/SKILL.md 为骨架结合 signals-guide.md、me-context.md 与 my-company-context.md 等仓库资料完整还原该技能的六步工作流、四种交互模式、字段选择策略与输出模板帮助读者掌握一套可直接落地、事实可追溯的账户研究自动化方案。技能定位与触发方式该技能在 SKILL.md 的 frontmatter 中声明了名称与描述描述即触发条件当用户说出 research [company]、tell me about [domain]、pull up signals for [account]、whats going on with [company] 或任何账户级别的提问时Claude 会自动加载本技能。仓库 README.md 中进一步汇总了与contact-research、call-prep、compose-outreach、prospect、weekly-prep-brief的边界本技能专注于账户层面而联系人层面的查询如 Who is [name]应交给contact-research。其核心职责可概括为一句话从 Common Room 检索并综合账户信息并针对四种不同的交互模式完整概览、定向字段提问、稀疏数据、MCP 数据 LLM 推理给出差异化的处理方式。前置条件Common Room MCP 连接在运行任何账户研究之前必须保证 Common Room MCP 已连接并完成认证。根据 CONNECTORS.md 的说明插件所有技能与命令的主数据源均为 Common Room MCP 服务器mcp.commonroom.io/mcp它在.mcp.json中登记是插件正常工作的前提日历连接器~~calendar可选仅用于call-prep与weekly-prep-brief账户研究本身不依赖日历未连接日历连接器时相关技能会优雅降级为向用户手动询问会议信息。安装与启用流程见 README.md 的 Setup 一节先确保 Common Room MCP 连接认证再安装插件所有技能与命令即可立即使用。Step 0加载用户上下文Me 对象研究任何账户之前必须先获取 Common Room 的Me对象。这一步提供两类关键信息用户自身的画像登录标识邮箱或用户名、全名与显示名、职位头衔与角色、在 Common Room 中的 Persona如 AE、SDR、CSM、Manager以及所有关联的账号如 Salesforce 用户 ID、LinkedIn 主页用户的细分列表My Segments属于该用户的所有 Segment 的名称与 ID对应 Common Room 产品中的My Segments 标签页。仓库中的 me-context.md 对Me对象的使用方法做了更细致的约束按领地限定查询范围除非用户明确要求更广的视角否则所有查询默认限定在用户自己的 Segments 内。例如 Show me accounts showing buying signals 默认按 My Segments 过滤而 Show me all accounts in the workspace showing buying signals 才移除范围限制。如果用户询问的账户不在其 Segments 中应明确提示This account doesnt appear to be in your segments — would you still like me to research it?这个账户似乎不在你的细分中——你还需要我研究它吗。个性化输出利用用户姓名、职位、角色个性化简报与邮件草稿。按 Persona 调整推理侧重AE/AM 侧重管线、商机、扩张与关单时间线SDR/BDR 侧重开拓、暖信号与首次触达CSM 侧重健康度、留存、扩张与关键人Champion互动Manager/Director/VP 侧重团队层面趋势而非单点触达。Step 1识别交互模式在决定拉取多少数据之前先判断用户真正需要什么。SKILL.md 定义了四种模式这是整个技能的分支逻辑核心模式典型提问数据策略与产出Pattern 1 — 完整概览Full OverviewTell me about Datadog / Summarize cloudflare.com抓取完整字段集产出结构化简报Pattern 2 — 定向提问Targeted QuestionWho owns the Snowflake account? / Is acme.io showing buying signals? / Whats the employee count for notion.so?只抓取相关字段直接给出 1–3 句精炼回答不为简单问题生成完整简报Pattern 3 — 稀疏数据Sparse DataTell me about tiny-startup.io若 Common Room 数据有限如实说明There is limited information available for this account.关于该账户的信息有限绝不臆测或用泛化语句填补空白Pattern 4 — 综合推理Combined ReasoningStripe has 8,000 employees and is hiring heavily for AI roles. Based on your ICP of 1k–10k fintech companies, this is a strong fit.先抓取结构化 MCP 数据再叠加 LLM 分析ICP 匹配、契合度判断等模式识别的意义在于控制数据抓取成本与输出噪音简单问题给精炼答案复杂问题给完整简报数据缺失时诚实说明。Step 2查找账户按域名或公司名在 Common Room 中搜索账户。策略是先精确匹配无结果时再尝试部分匹配并在继续之前与用户确认。这与 Step 0 中账户不在用户 Segments 时主动提示的原则一脉相承——所有数据动作都以用户确认为准。Step 3抓取正确的字段通过 Common Room 的对象目录object catalog查看可用的字段组及其内容。完整概览时请求所有字段组定向提问时只请求相关字段。SKILL.md 特别强调三个关键字段组的处理方式Scores分数必须始终以原始值或百分位形式返回绝不以类别标签如 High呈现Summary research摘要研究RoomieAI 的输出通常是最丰富的定性信号Top contacts顶级联系人按分数降序排列需要完整查询时使用communityMemberID。字段选择策略可用官方表格完整复现用户查询类型应请求的字段完整账户概览所有字段组Who owns this account?谁拥有这个账户公司资料与链接、CRM 字段Is this company a good fit?这家公司合适吗关键字段、分数、关于aboutWhat signals is this account showing?这个账户显示了什么信号分数、摘要研究、CRM 字段Who are the top contacts?顶级联系人是谁顶级联系人What does RoomieAI say about them?RoomieAI 怎么说摘要研究、全部研究Find engineers at this account找到该账户的工程师潜在客户Prospects带职位过滤Step 4网络搜索仅限稀疏数据Common Room 是主数据源当 Common Room 返回丰富数据时不要运行网络搜索。只有两种情况触发网络搜索数据稀疏时补缺对应 Pattern 3当返回的字段很少、没有活跃度、没有分数时运行定向网络搜索搜索模式为[company name] news时间范围限定在最近 30 天重点寻找融资轮次、收购、产品发布、高管变动、媒体报道用户明确要求用户主动要求外部背景或近期新闻时无论数据是否丰富都执行网络搜索。Step 5应用推理Pattern 4当用户的提问期待的是综合而非单纯的数据检索时需要叠加分析层。SKILL.md 给出的分析动作包括将会话上下文中已知的 ICP 标准与账户数据对比识别契合信号规模、行业、技术栈、招聘模式标注时机信号融资、试用状态、近期活跃度激增将洞察明确表述为源自数据的结论而非假设。当用户的公司上下文可用时见 references/my-company-context.md应结合用户的价值主张与 ICP 来定位研究结论——例如This account fits your ICP because...。该参考文档还给出了收集公司上下文的五条途径Me对象含公司名与职位、以 Organization 身份在 Common Room 中查找用户公司获取企业画像、数据稀疏时网络搜索案例与产品页、检查当前会话中用户是否已描述过产品/ICP/价值主张以及最后的手段——每个会话最多问一次To tailor my recommendations, can you briefly describe what your company does and who your ideal customers are?为了定制建议能否简要描述贵公司做什么、理想客户是谁。Step 6产出输出总原则只包含 Common Room 实际返回了数据的小节没有数据的章节整体省略绝不用猜测填充。完整概览模板数据丰富时SKILL.md 给出了可直接套用的结构化模板## [Company Name] — Account Overview **Snapshot** [2–3 sentences: what they do, plan/stage, relationship status] **Key Details** [Employee count, industry, location, domain, funding — from key fields] **CRM Ownership** [If CRM fields returned] [Owner, opp stage, ARR] **Scores** [If scores returned] [All available scores as raw values or percentiles] **Signal Highlights** [If activity/signals exist] [3–5 most important signals with dates] **Top Contacts** [If contacts returned] [Name | Title | Score — top 5 sorted by score desc] **RoomieAI Research** [If summary research is non-null] [Summary research output; list all available research topic names] **Recommended Next Steps** [2–3 specific, signal-backed actions]每个可选区块都带条件标记如[If CRM fields returned]确保输出与数据真实存在性一一对应。定向提问1–3 句直接回答即可无需完整简报。稀疏数据模板## [Company Name] — Account Overview (Limited Data) **Data available:** [List exactly what Common Room returned] [Present only the returned fields] **Web Search** [Findings from web search — or No significant recent news found] **Note:** Common Room has limited data on this account. The account may need enrichment in Common Room.该模板明确提示账户可能需要到 Common Room 中做数据充实enrichment将缺口诚实暴露给用户。质量红线Quality StandardsSKILL.md 末尾的五条质量标准是整个技能的行为准则值得逐条展开分数必须始终是原始值或百分位绝不用类别标签定向提问要精准不过度交付Dont over-deliver数据缺失或过期时明确说明不推测完整简报控制在 2–3 分钟内可读完每一条事实都必须能追溯到一次工具调用——不包含 Common Room 未返回的数据。这是事实可追溯原则的具象化与整个插件的定位README.mdEvery output is grounded in real Common Room signal data一致。信号解读手册如何把原始数据变成洞察references/signals-guide.md 是账户研究推理环节Step 5的配套参考将信号分为四大类并给出信号 → 含义的映射是整个插件数据语义的基础产品信号第一方Product Signals信号含义活跃席位增加账户内扩张存在触达机会功能采用使用了新功能产品参与度加深适合谈扩张登录频率激增参与度上升跟进以了解原因登录频率下降脱钩或流失风险需要主动出击试用开始处于积极评估期时间敏感优先处理试用临近到期决策点临近需立即行动打开支持工单可能存在摩擦检查是否有模式社区信号第二方Community Signals信号含义新的社区帖子积极参与有问题或想法回复/点赞帖子社区参与行为发起论坛主题寻求帮助或分享反馈可直接互动查看了特定文档页面正在研究特定功能若与扩张领域相关则价值高活动注册/出席强参与度与意图信号意图信号第三方Intent Signals信号含义招聘相关岗位团队扩张有预算宣布融资可能释放新预算可祝贺式触达公司新闻/媒体报道良好的外联切入点技术栈变化可能需要新的集成竞争对手产品从技术栈移除机会窗口优先级极高网站活跃度激增处于积极研究阶段关系信号Relationship Signals信号含义近期有会议记录关系活跃有上下文可用90 天以上无会议关系降温需要 check-inCRM 中有公开商机进行中的交易与 AE 协作关键人Champion跳槽关系风险或机会四条解读原则是运用上述表格的方法论时效性最重昨天的信号远比 6 个月前的信号重要务必标注时间戳信号簇强于单点信号多个同向信号远比任何一个单独信号强信号缺失本身也是信号付费账户出现极低用量 零社区互动 风险指标结合账户阶段解读试用期以转化信号为主成熟客户以扩张与流失风险为主潜在客户以意图信号为要。这四条原则直接支撑 SKILL.md 中Signal Highlights 取 3–5 个最重要的带日期信号与Recommended Next Steps 必须信号支撑的要求。与插件生态的协同账户研究不是孤立的能力它与 common-room 插件其余技能形成完整 GTM 工作流见 README.mdcontact-research下钻到联系人层面邮箱、姓名、社交账号查询补齐账户内的个人画像call-prep基于账户研究的成果生成会议准备公司快照、与会者画像、信号要点、谈话要点、可能的异议compose-outreach将账户研究发现的信号转化为邮件/通话脚本/LinkedIn 消息三种外联格式prospect当账户研究确认某公司契合 ICP 后可用其扩展潜在客户列表支持find companies like [X]同类搜索weekly-prep-brief将账户研究与未来 7 天外部会议结合产出每周预备简报。在数据源层面Common Room 提供第一方产品信号、第二方社区信号、第三方意图信号并叠加 RoomieAI 与 Spark 的富化能力——账户研究技能正是把这些异构数据统一收敛为一份可读、可追溯、可执行的结构化简报的核心入口。总结账户研究技能的设计要点从实现角度看account-research是一个先识别意图、再按需抓取、最后结构化呈现的范式范本意图驱动四种交互模式决定抓取深度与输出形态避免数据过度抓取与输出噪音事实边界严格只呈现 Common Room 实际返回的数据分数只给原始值/百分位稀疏数据诚实声明并启动定向网络搜索补缺上下文敏感通过Me对象默认限定用户领地通过公司上下文my-company-context将推理定位到用户的价值主张与 ICP信号语义化依托 signals-guide 的信号分类体系把原始事件翻译成销售可执行的洞察扩张机会、流失风险、时机窗口输出模板化完整概览/定向回答/稀疏数据三种输出形态均有明确模板确保任意一次调用都能产出稳定、可复现的结果。如需完整实现细节可直接在仓库中阅读 account-research/SKILL.md、配套的 signals-guide.md、me-context.md、my-company-context.md 以及 CONNECTORS.md。【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Common Room Account Research 技能实战指南：从 MCP 数据抓取到结构化客户简报
Common Room Account Research 技能实战指南从 MCP 数据抓取到结构化客户简报【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins导读account-research是 knowledge-work-plugins 仓库中 common-room 插件 的核心技能之一它让 Claude Cowork 能够以 Common Room 的 MCP 服务mcp.commonroom.io/mcp为主数据源自动完成客户Account信息的检索、交叉验证与结构化合成。本文以 account-research/SKILL.md 为骨架结合 signals-guide.md、me-context.md 与 my-company-context.md 等仓库资料完整还原该技能的六步工作流、四种交互模式、字段选择策略与输出模板帮助读者掌握一套可直接落地、事实可追溯的账户研究自动化方案。技能定位与触发方式该技能在 SKILL.md 的 frontmatter 中声明了名称与描述描述即触发条件当用户说出 research [company]、tell me about [domain]、pull up signals for [account]、whats going on with [company] 或任何账户级别的提问时Claude 会自动加载本技能。仓库 README.md 中进一步汇总了与contact-research、call-prep、compose-outreach、prospect、weekly-prep-brief的边界本技能专注于账户层面而联系人层面的查询如 Who is [name]应交给contact-research。其核心职责可概括为一句话从 Common Room 检索并综合账户信息并针对四种不同的交互模式完整概览、定向字段提问、稀疏数据、MCP 数据 LLM 推理给出差异化的处理方式。前置条件Common Room MCP 连接在运行任何账户研究之前必须保证 Common Room MCP 已连接并完成认证。根据 CONNECTORS.md 的说明插件所有技能与命令的主数据源均为 Common Room MCP 服务器mcp.commonroom.io/mcp它在.mcp.json中登记是插件正常工作的前提日历连接器~~calendar可选仅用于call-prep与weekly-prep-brief账户研究本身不依赖日历未连接日历连接器时相关技能会优雅降级为向用户手动询问会议信息。安装与启用流程见 README.md 的 Setup 一节先确保 Common Room MCP 连接认证再安装插件所有技能与命令即可立即使用。Step 0加载用户上下文Me 对象研究任何账户之前必须先获取 Common Room 的Me对象。这一步提供两类关键信息用户自身的画像登录标识邮箱或用户名、全名与显示名、职位头衔与角色、在 Common Room 中的 Persona如 AE、SDR、CSM、Manager以及所有关联的账号如 Salesforce 用户 ID、LinkedIn 主页用户的细分列表My Segments属于该用户的所有 Segment 的名称与 ID对应 Common Room 产品中的My Segments 标签页。仓库中的 me-context.md 对Me对象的使用方法做了更细致的约束按领地限定查询范围除非用户明确要求更广的视角否则所有查询默认限定在用户自己的 Segments 内。例如 Show me accounts showing buying signals 默认按 My Segments 过滤而 Show me all accounts in the workspace showing buying signals 才移除范围限制。如果用户询问的账户不在其 Segments 中应明确提示This account doesnt appear to be in your segments — would you still like me to research it?这个账户似乎不在你的细分中——你还需要我研究它吗。个性化输出利用用户姓名、职位、角色个性化简报与邮件草稿。按 Persona 调整推理侧重AE/AM 侧重管线、商机、扩张与关单时间线SDR/BDR 侧重开拓、暖信号与首次触达CSM 侧重健康度、留存、扩张与关键人Champion互动Manager/Director/VP 侧重团队层面趋势而非单点触达。Step 1识别交互模式在决定拉取多少数据之前先判断用户真正需要什么。SKILL.md 定义了四种模式这是整个技能的分支逻辑核心模式典型提问数据策略与产出Pattern 1 — 完整概览Full OverviewTell me about Datadog / Summarize cloudflare.com抓取完整字段集产出结构化简报Pattern 2 — 定向提问Targeted QuestionWho owns the Snowflake account? / Is acme.io showing buying signals? / Whats the employee count for notion.so?只抓取相关字段直接给出 1–3 句精炼回答不为简单问题生成完整简报Pattern 3 — 稀疏数据Sparse DataTell me about tiny-startup.io若 Common Room 数据有限如实说明There is limited information available for this account.关于该账户的信息有限绝不臆测或用泛化语句填补空白Pattern 4 — 综合推理Combined ReasoningStripe has 8,000 employees and is hiring heavily for AI roles. Based on your ICP of 1k–10k fintech companies, this is a strong fit.先抓取结构化 MCP 数据再叠加 LLM 分析ICP 匹配、契合度判断等模式识别的意义在于控制数据抓取成本与输出噪音简单问题给精炼答案复杂问题给完整简报数据缺失时诚实说明。Step 2查找账户按域名或公司名在 Common Room 中搜索账户。策略是先精确匹配无结果时再尝试部分匹配并在继续之前与用户确认。这与 Step 0 中账户不在用户 Segments 时主动提示的原则一脉相承——所有数据动作都以用户确认为准。Step 3抓取正确的字段通过 Common Room 的对象目录object catalog查看可用的字段组及其内容。完整概览时请求所有字段组定向提问时只请求相关字段。SKILL.md 特别强调三个关键字段组的处理方式Scores分数必须始终以原始值或百分位形式返回绝不以类别标签如 High呈现Summary research摘要研究RoomieAI 的输出通常是最丰富的定性信号Top contacts顶级联系人按分数降序排列需要完整查询时使用communityMemberID。字段选择策略可用官方表格完整复现用户查询类型应请求的字段完整账户概览所有字段组Who owns this account?谁拥有这个账户公司资料与链接、CRM 字段Is this company a good fit?这家公司合适吗关键字段、分数、关于aboutWhat signals is this account showing?这个账户显示了什么信号分数、摘要研究、CRM 字段Who are the top contacts?顶级联系人是谁顶级联系人What does RoomieAI say about them?RoomieAI 怎么说摘要研究、全部研究Find engineers at this account找到该账户的工程师潜在客户Prospects带职位过滤Step 4网络搜索仅限稀疏数据Common Room 是主数据源当 Common Room 返回丰富数据时不要运行网络搜索。只有两种情况触发网络搜索数据稀疏时补缺对应 Pattern 3当返回的字段很少、没有活跃度、没有分数时运行定向网络搜索搜索模式为[company name] news时间范围限定在最近 30 天重点寻找融资轮次、收购、产品发布、高管变动、媒体报道用户明确要求用户主动要求外部背景或近期新闻时无论数据是否丰富都执行网络搜索。Step 5应用推理Pattern 4当用户的提问期待的是综合而非单纯的数据检索时需要叠加分析层。SKILL.md 给出的分析动作包括将会话上下文中已知的 ICP 标准与账户数据对比识别契合信号规模、行业、技术栈、招聘模式标注时机信号融资、试用状态、近期活跃度激增将洞察明确表述为源自数据的结论而非假设。当用户的公司上下文可用时见 references/my-company-context.md应结合用户的价值主张与 ICP 来定位研究结论——例如This account fits your ICP because...。该参考文档还给出了收集公司上下文的五条途径Me对象含公司名与职位、以 Organization 身份在 Common Room 中查找用户公司获取企业画像、数据稀疏时网络搜索案例与产品页、检查当前会话中用户是否已描述过产品/ICP/价值主张以及最后的手段——每个会话最多问一次To tailor my recommendations, can you briefly describe what your company does and who your ideal customers are?为了定制建议能否简要描述贵公司做什么、理想客户是谁。Step 6产出输出总原则只包含 Common Room 实际返回了数据的小节没有数据的章节整体省略绝不用猜测填充。完整概览模板数据丰富时SKILL.md 给出了可直接套用的结构化模板## [Company Name] — Account Overview **Snapshot** [2–3 sentences: what they do, plan/stage, relationship status] **Key Details** [Employee count, industry, location, domain, funding — from key fields] **CRM Ownership** [If CRM fields returned] [Owner, opp stage, ARR] **Scores** [If scores returned] [All available scores as raw values or percentiles] **Signal Highlights** [If activity/signals exist] [3–5 most important signals with dates] **Top Contacts** [If contacts returned] [Name | Title | Score — top 5 sorted by score desc] **RoomieAI Research** [If summary research is non-null] [Summary research output; list all available research topic names] **Recommended Next Steps** [2–3 specific, signal-backed actions]每个可选区块都带条件标记如[If CRM fields returned]确保输出与数据真实存在性一一对应。定向提问1–3 句直接回答即可无需完整简报。稀疏数据模板## [Company Name] — Account Overview (Limited Data) **Data available:** [List exactly what Common Room returned] [Present only the returned fields] **Web Search** [Findings from web search — or No significant recent news found] **Note:** Common Room has limited data on this account. The account may need enrichment in Common Room.该模板明确提示账户可能需要到 Common Room 中做数据充实enrichment将缺口诚实暴露给用户。质量红线Quality StandardsSKILL.md 末尾的五条质量标准是整个技能的行为准则值得逐条展开分数必须始终是原始值或百分位绝不用类别标签定向提问要精准不过度交付Dont over-deliver数据缺失或过期时明确说明不推测完整简报控制在 2–3 分钟内可读完每一条事实都必须能追溯到一次工具调用——不包含 Common Room 未返回的数据。这是事实可追溯原则的具象化与整个插件的定位README.mdEvery output is grounded in real Common Room signal data一致。信号解读手册如何把原始数据变成洞察references/signals-guide.md 是账户研究推理环节Step 5的配套参考将信号分为四大类并给出信号 → 含义的映射是整个插件数据语义的基础产品信号第一方Product Signals信号含义活跃席位增加账户内扩张存在触达机会功能采用使用了新功能产品参与度加深适合谈扩张登录频率激增参与度上升跟进以了解原因登录频率下降脱钩或流失风险需要主动出击试用开始处于积极评估期时间敏感优先处理试用临近到期决策点临近需立即行动打开支持工单可能存在摩擦检查是否有模式社区信号第二方Community Signals信号含义新的社区帖子积极参与有问题或想法回复/点赞帖子社区参与行为发起论坛主题寻求帮助或分享反馈可直接互动查看了特定文档页面正在研究特定功能若与扩张领域相关则价值高活动注册/出席强参与度与意图信号意图信号第三方Intent Signals信号含义招聘相关岗位团队扩张有预算宣布融资可能释放新预算可祝贺式触达公司新闻/媒体报道良好的外联切入点技术栈变化可能需要新的集成竞争对手产品从技术栈移除机会窗口优先级极高网站活跃度激增处于积极研究阶段关系信号Relationship Signals信号含义近期有会议记录关系活跃有上下文可用90 天以上无会议关系降温需要 check-inCRM 中有公开商机进行中的交易与 AE 协作关键人Champion跳槽关系风险或机会四条解读原则是运用上述表格的方法论时效性最重昨天的信号远比 6 个月前的信号重要务必标注时间戳信号簇强于单点信号多个同向信号远比任何一个单独信号强信号缺失本身也是信号付费账户出现极低用量 零社区互动 风险指标结合账户阶段解读试用期以转化信号为主成熟客户以扩张与流失风险为主潜在客户以意图信号为要。这四条原则直接支撑 SKILL.md 中Signal Highlights 取 3–5 个最重要的带日期信号与Recommended Next Steps 必须信号支撑的要求。与插件生态的协同账户研究不是孤立的能力它与 common-room 插件其余技能形成完整 GTM 工作流见 README.mdcontact-research下钻到联系人层面邮箱、姓名、社交账号查询补齐账户内的个人画像call-prep基于账户研究的成果生成会议准备公司快照、与会者画像、信号要点、谈话要点、可能的异议compose-outreach将账户研究发现的信号转化为邮件/通话脚本/LinkedIn 消息三种外联格式prospect当账户研究确认某公司契合 ICP 后可用其扩展潜在客户列表支持find companies like [X]同类搜索weekly-prep-brief将账户研究与未来 7 天外部会议结合产出每周预备简报。在数据源层面Common Room 提供第一方产品信号、第二方社区信号、第三方意图信号并叠加 RoomieAI 与 Spark 的富化能力——账户研究技能正是把这些异构数据统一收敛为一份可读、可追溯、可执行的结构化简报的核心入口。总结账户研究技能的设计要点从实现角度看account-research是一个先识别意图、再按需抓取、最后结构化呈现的范式范本意图驱动四种交互模式决定抓取深度与输出形态避免数据过度抓取与输出噪音事实边界严格只呈现 Common Room 实际返回的数据分数只给原始值/百分位稀疏数据诚实声明并启动定向网络搜索补缺上下文敏感通过Me对象默认限定用户领地通过公司上下文my-company-context将推理定位到用户的价值主张与 ICP信号语义化依托 signals-guide 的信号分类体系把原始事件翻译成销售可执行的洞察扩张机会、流失风险、时机窗口输出模板化完整概览/定向回答/稀疏数据三种输出形态均有明确模板确保任意一次调用都能产出稳定、可复现的结果。如需完整实现细节可直接在仓库中阅读 account-research/SKILL.md、配套的 signals-guide.md、me-context.md、my-company-context.md 以及 CONNECTORS.md。【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考