Apollo 插件 Prospect Skill 实战指南：从一句 ICP 描述到排名化决策人线索表

Apollo 插件 Prospect Skill 实战指南：从一句 ICP 描述到排名化决策人线索表

【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

本文以 knowledge-work-plugins 仓库中 Apollo 插件的/apollo:prospectSkill 为核心，完整讲解「理想客户画像（ICP）→ 排名化线索表」的七步全流程：如何解析自然语言描述中的公司与人员筛选条件、如何调用 Apollo MCP 各接口完成公司搜索、批量富化、决策人定位与个人线索富化，以及如何用 ICP Fit 评分输出可直接复制使用的线索表格。读完本文，你将掌握该 Skill 的完整调用链、每个 MCP 工具的入参与使用时机，并能与仓库内的enrich-lead、sequence-load两个 Skill 串成从线索挖掘到序列触达的完整工作流。

一、Skill 定位与整体流程

prospect是 Apollo 插件三大 Skill 之一（另两个为enrich-lead与sequence-load），其设计目标可以用一句话概括：用户用一句话描述理想客户，插件在单次会话内交付一张带排名、带积分消耗说明的决策人线索表。

从 SKILL.md 的 frontmatter 可以看到它的元信息：

name: prospect description: "Full ICP-to-leads pipeline. Describe your ideal customer in plain English and get a ranked table of enriched decision-maker leads with emails and phone numbers." user-invocable: true argument-hint: "[describe your ideal customer]"

• user-invocable: true表示用户可以直接以斜杠命令形式触发；
• argument-hint提示调用时只需用自然语言描述理想客户即可。

整条流水线由 7 个步骤组成：

1. 解析 ICP：从$ARGUMENTS自然语言中抽取公司/人员筛选条件；
2. 搜索公司：用公司级过滤条件查询匹配的目标公司；
3. 富化重点公司：批量补充营收、融资、员工数等公司情报，辅助排名；
4. 定位决策人：按职位、职级与公司域搜索关键联系人；
5. 富化重点线索：批量揭示邮箱/电话（调用前必须提示积分消耗）；
6. 输出线索表：以排名表 + ICP Fit 评分呈现结果；
7. 提供后续动作：保存到 Apollo、加入序列、深挖公司、调整重跑、导出。

二、典型调用示例

Skill 文档给出 5 个可直接照用的调用范例，覆盖了最常见的 ICP 描述维度（职位 + 行业 + 地区 + 公司规模）：

/apollo:prospect VP of Engineering at Series B+ SaaS companies in the US, 200-1000 employees /apollo:prospect heads of marketing at e-commerce companies in Europe /apollo:prospect CTOs at fintech startups, 50-500 employees, New York /apollo:prospect procurement managers at manufacturing companies with 1000+ employees /apollo:prospect SDR leaders at companies using Salesforce and Outreach

从中可以看出 ICP 描述的典型要素：目标职位（VP of Engineering / CTO / procurement managers）、行业或垂直领域（SaaS / e-commerce / fintech / manufacturing）、地理范围（US / Europe / New York）、公司规模（200-1000 employees）。这些要素将被逐一映射为结构化筛选参数。

三、Step 1：解析 ICP，生成结构化过滤条件

这是整条流水线的输入层。Agent 需要把$ARGUMENTS中的自然语言拆解为两组过滤条件，对应 Apollo 搜索接口的参数。

公司维度（Company filters）：

人员维度（Person filters）：

Skill 文档同时给出了一条兜底规则：如果 ICP 描述过于模糊，应先提出 1～2 个澄清问题再继续；最低要求是至少要有一个「职位/角色」和一个「行业或公司规模」，否则无法形成有效的检索条件。这一步的严谨程度直接决定后续搜索的质量，是整条流水线成败的关键。

四、Step 2：搜索目标公司

解析完成后，第一步检索交给公司级混合搜索接口：

工具：mcp__claude_ai_Apollo_MCP__apollo_mixed_companies_search

• q_organization_keyword_tags：行业 / 垂直领域关键词；
• organization_num_employees_ranges：公司规模区间；
• organization_locations：地理范围；
• per_page固定为 25。

per_page: 25是文档明确的取数规模，意味着首轮检索最多返回 25 家候选公司。该接口只需要用到公司级过滤条件（人员维度此时不参与），目的是先圈定一个足够大、又足够精准的公司候选池。

五、Step 3：富化重点公司，为排名提供情报依据

拿到了公司候选池后，Agent 需要从 Step 2 的结果中取前 10 家，调用公司批量富化接口补齐决策所需的公司级情报：

工具：mcp__claude_ai_Apollo_MCP__apollo_organizations_bulk_enrich 入参：前 10 家公司的域名（domains）

富化后得到的数据包括营收（revenue）、融资（funding）、员工规模（headcount）以及其他公司档案信息（firmographic data）。这些数据的作用是为下一步「谁值得深挖」提供排名依据——例如两家公司职位匹配度相同，但营收与员工规模更符合 ICP 的公司应排在更前。这一步不做人员搜索，只做公司层面的情报补全。

六、Step 4：定位决策人

公司排序确定后，进入人员检索环节：

工具：mcp__claude_ai_Apollo_MCP__apollo_mixed_people_api_search

• person_titles、person_seniorities：来自 ICP 解析阶段的职位与职级条件；
• q_organization_domains_list：限定为 Step 3 富化后的公司域名集合（将人员搜索范围收敛到高匹配公司内部）；
• per_page固定为 25。

这一步把「公司搜索 + 公司富化」的结果与「人员搜索」串联起来：先用公司与规模圈定组织范围，再在公司内部锁定决策人，避免在错误组织里浪费检索配额。

七、Step 5：富化重点线索（含积分警告）

这是整条流水线唯一直接消耗积分的环节，Skill 文档用引用块明确要求：

Credit warning：Tell the user exactly how many credits will be consumed before proceeding.

即在调用前必须明确告知用户本次将消耗多少 Apollo 积分。这与 README.md 中「人员富化每消耗 1 积分/人、批量富化按批次内人数计费、插件会在消耗积分前给出警告」的声明相互印证——积分透明是该插件的强制行为规范。

工具：mcp__claude_ai_Apollo_MCP__apollo_people_bulk_match

• 每个候选线索提供first_name、last_name、domain；
• reveal_personal_emails设置为true（同时揭示工作邮箱与个人邮箱，用于后续触达）；
• 每次调用最多富化 10 条线索。

文档同时给出批次规则：如果线索超过 10 条，必须拆分为多次调用。例如候选 25 人时，应拆为 3 次（10 + 10 + 5）apollo_people_bulk_match调用，对应的积分消耗也应按实际富化人数累计。

八、Step 6：输出排名化线索表与 ICP Fit 评分

富化完成后，Skill 要求以固定格式的排名表呈现结果，表头为：

### Leads matching: [ICP Summary] | # | Name | Title | Company | Employees | Revenue | Email | Phone | ICP Fit | |---|---|---|---|---|---|---|---|---|

表格同时承载了展示与决策两个职能：Employees、Revenue来自 Step 3 的公司富化，Email、Phone来自 Step 5 的个人富化，ICP Fit则是对整条链路质量的量化总结。

ICP Fit 评分标准（依据 Skill 文档原文）：

表格末尾还需给出汇总行，格式为：

**Summary**: Found X leads across Y companies. Z credits consumed.

即同时汇报「找到 X 条线索、覆盖 Y 家公司、消耗 Z 积分」。积分数字应与 Step 5 调用前的警告口径一致，形成「事前提示—事后确认」的闭环。

九、Step 7：提供后续动作

流水线结束后，Skill 要求主动向用户提供 5 个可选后续动作：

1. 保存全部到 Apollo：对每条线索调用mcp__claude_ai_Apollo_MCP__apollo_contacts_create，并设置run_dedupe: true开启去重，防止与 Apollo 通讯录中已有联系人重复；
2. 加载到外呼序列：询问目标序列名称，随后调用同插件的/apollo:sequence-load流程批量入队（该 Skill 完整逻辑见 sequence-load/SKILL.md）；
3. 深挖某家公司：对列表中任一家公司执行/apollo:company-intel，获取更完整的公司情报；
4. 优化搜索：调整过滤条件后重新执行整条流水线；
5. 导出：将线索格式化为 CSV 风格表格，方便直接复制粘贴到电子表格工具。

十、前置条件：插件安装与 OAuth 认证

/apollo:prospect依赖 Apollo MCP Server，安装与认证步骤在 README.md 中有完整说明。

安装（Claude Code）：在 Claude Code 中依次执行两条命令添加 marketplace 并安装插件，然后重启 Claude Code 以确认 MCP Server 正常启动：

/plugin marketplace add apolloio/apollo-mcp-plugin /plugin install apollo@apollo-plugin-marketplace

认证（OAuth）：插件安装后运行/mcp，选中 Apollo 服务器并点击 Authenticate，在浏览器中完成 Apollo.io 登录即可，无需手动编辑任何 MCP 配置文件。该插件在仓库层面实现了「一键集成」——安装插件即自动配置 Apollo MCP Server。

需要说明的是，prospect只是使用该 MCP 工具的 Skill 之一：本仓库 enrich-lead/SKILL.md 处理「给定姓名/LinkedIn/邮箱的单个联系人补全」，而 sequence-load/SKILL.md 负责「批量线索入队 + 去重 + 报名」。三个 Skill 均通过同一命名空间（mcp__claude_ai_Apollo_MCP__*）调用 Apollo 接口，因此可以无缝衔接：prospect产出的线索表既可直接交给sequence-load批量入队，也可先经enrich-lead对单条线索做二次确认。

十一、积分成本模型与使用边界

prospect流程中共有两处会产生 Apollo 积分消耗：

• Step 3 公司批量富化（apollo_organizations_bulk_enrich）：按富化人数计费，最多 10 家；
• Step 5 个人批量富化（apollo_people_bulk_match）：按富化人数计费，每批最多 10 人。

README 明确说明：人员富化与批量富化均为 1 积分/人，且插件在所有消耗积分的调用前都会发出警告。因此在实际使用中，Step 5 的「10 条 / 批」上限既是接口约束，也是控制单轮成本的自然边界——如果 ICP 覆盖的公司与职位组合较多，建议通过 Step 7 的「Refine the search」分轮收敛，而不是一次性拆出过多批次。

十二、总结：从一句话到可执行线索资产

/apollo:prospect的价值在于把「ICP 定义 → 公司圈选 → 公司情报 → 决策人定位 → 联系方式揭示 → 排序呈现」这一串原本需要人工在多个界面间反复操作的步骤，压缩为一次自然语言指令。其核心设计约束（每次调用前明示积分、按 ICP Fit 分级、保留去重入口）保证了输出既是可读的，也是可直接进入下一步销售动作的。配合本仓库的enrich-lead与sequence-load，即可构成一条「找对人 → 补全信息 → 批量触达」的完整外呼链路。

【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