企业官网建设流程全解析

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]"、"what's 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：

1. 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 doesn't 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？）。
2. 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。
3. 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：

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：

1. 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；
2. 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 Standards）

SKILL.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：

1. 分数必须始终是原始值或百分位，绝不用类别标签；
2. 定向提问要精准，不过度交付（Don't over-deliver）；
3. 数据缺失或过期时明确说明，不推测；
4. 完整简报控制在 2–3 分钟内可读完；
5. 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.md：Every 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）

社区信号（第二方，Community Signals）

意图信号（第三方，Intent Signals）

关系信号（Relationship Signals）

四条解读原则是运用上述表格的方法论：

1. 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；
2. 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；
3. 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；
4. 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.md）：

• contact-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