← 返回 Skills 市场
liuzhirui6-max

ideal-customer-profile

作者 liuzhirui6-max · GitHub ↗ · v1.0.0 · MIT-0
cross-platform ⚠ suspicious
293
总下载
0
收藏
0
当前安装
1
版本数
在 OpenClaw 中安装
/install ideal-customer-profile
功能描述
生成 B2B/B2C 企业的理想客户画像（ICP），支持多行业场景与结构化输出；包含框架构建、信息收集与文档生成；适用于营销策略制定、销售目标定位与客户细分。
使用说明 (SKILL.md)

Ideal Customer Profile Generator

任务目标

本 Skill 用于帮助营销人员、销售团队和业务开发者系统化地构建理想客户画像（ICP），通过结构化的框架和智能体分析能力，将零散的业务信息转化为可执行的客户定位文档。

核心能力包含：

  • 基于行业标准的 ICP 框架构建
  • 通过智能对话收集和提炼关键信息
  • 生成结构化的 ICP 文档并提供优化建议

触发条件：

  • 用户需要定义目标客户群体
  • 用户希望系统化地描述理想客户特征
  • 用户需要为营销策略或销售目标定位提供依据

核心框架

ICP 核心维度

ICP 框架包含以下核心维度，详见 references/icp-framework.md：

B2B 场景维度：

  1. 公司维度：行业、规模、地理位置、增长阶段
  2. 决策者维度：职位、决策权限、痛点、目标
  3. 需求维度：预算、采购周期、技术要求、合规需求
  4. 合作维度：采购流程、评估标准、风险偏好

B2C 场景维度：

  1. 人口统计维度：年龄、性别、收入、教育、职业
  2. 心理特征维度：价值观、生活方式、兴趣爱好
  3. 行为维度：购买习惯、媒体消费、品牌偏好
  4. 场景维度：使用场景、触发事件、购买动机

框架选择原则

  • 默认使用 B2B 框架（适用于企业级产品和服务）
  • 当产品面向个人消费者时使用 B2C 框架
  • 混合场景时根据主要客户类型选择主框架

操作步骤

1. 信息收集与场景确认

智能体通过结构化对话收集关键信息：

场景确认：

  • 询问用户目标客户类型（B2B 或 B2C）
  • 明确产品/服务类型和核心价值
  • 了解行业背景和业务目标

关键信息收集（根据框架动态调整）：

  • 对于 B2B：行业细分、目标公司规模、决策链、典型痛点
  • 对于 B2C：目标年龄段、收入水平、消费场景、核心需求
  • 对于通用：地理范围、预算水平、购买频率

信息补全策略：

  • 当用户提供信息不完整时，主动追问关键维度
  • 当用户提供示例而非规则时，提炼共性特征
  • 当用户信息模糊时，提供选项引导

2. 框架匹配与特征提取

根据收集的信息匹配 ICP 框架维度：

  • 阅读 references/icp-framework.md 获取完整框架
  • 将用户信息映射到对应维度
  • 识别信息缺口并基于行业标准补全合理假设
  • 区分"必需特征"（必须有）和"加分特征"（最好有）

3. 画像生成与文档输出

使用 references/icp-template.md 生成结构化文档：

  • 按照模板组织信息，保持一致的格式和层级
  • 为每个维度提供清晰的描述和量化标准
  • 识别并标注关键决策特征（优先级高的特征）
  • 提供 ICP 评分标准（用于潜在客户匹配度评估）

输出格式：

  • 使用 Markdown 格式
  • 包含完整的维度说明
  • 提供可量化的标准
  • 附带使用建议

4. 优化与验证

对生成的 ICP 进行质量检查：

完整性检查：

  • 核心维度是否全覆盖
  • 关键特征是否具体可执行
  • 是否包含量化标准

一致性检查：

  • 不同维度的特征是否冲突
  • 是否符合行业常识和业务逻辑
  • 与用户原始需求是否一致

可执行性检查：

  • 特征是否可用于客户筛选
  • 标准是否清晰可测量
  • 是否支持后续营销和销售行动

提供优化建议：

  • 指出需要进一步调研的维度
  • 建议可能的客户细分方向
  • 推荐验证 ICP 的方法

资源索引

领域参考

何时读取参考

  • 步骤 2 开始时读取 icp-framework.md
  • 步骤 3 生成文档时读取 icp-template.md
  • 需要行业参考时读取 icp-examples.md

注意事项

信息收集原则

  • 优先理解业务本质，而非表面描述
  • 区分"期望客户"和"实际可行客户"
  • 保持追问的深度，避免过度泛化
  • 当信息冲突时，优先选择可操作的定义

框架应用原则

  • 严格遵守框架结构，确保维度完整
  • 灵活调整问题引导，适应不同用户
  • 区分必需特征和加分特征
  • 保持描述的具体性和可测量性

输出质量标准

  • 每个 ICP 必须包含 3-5 个核心优先特征
  • 特征描述必须具体，避免模糊表述
  • 优先特征必须可量化或可验证
  • 必须提供清晰的评分或匹配标准

智能体能力利用

  • 充分利用智能体的分析推理能力处理复杂信息
  • 利用结构化思维构建清晰的维度层级
  • 利用内容创作能力生成规范的文档
  • 利用对话交互能力收集完整信息

使用示例

示例 1：B2B SaaS 产品

用户输入： "我们是一家提供 HR 自动化软件的 SaaS 公司，目标客户是中型企业，主要想服务有 100-500 人的公司，特别是科技行业。"

智能体处理流程：

  1. 确认场景：B2B 场景，SaaS 产品
  2. 信息收集：追问行业细分、决策者、典型痛点、预算范围
  3. 框架匹配：映射到 B2B 框架维度
  4. 生成画像：输出结构化 ICP 文档
  5. 优化建议：建议补充 HR 团队规模、现有系统等信息

示例 2：B2C 消费品牌

用户输入： "我们卖高端健身补剂，想找 25-35 岁的健身爱好者。"

智能体处理流程：

  1. 确认场景：B2C 场景，消费品
  2. 信息收集：追问收入水平、健身频率、消费习惯、购买渠道
  3. 框架匹配：映射到 B2C 框架维度
  4. 生成画像：输出结构化 ICP 文档
  5. 优化建议：建议细分健身目标（增肌、减脂等）和品牌偏好

示例 3：制造业 B2B

用户输入： "我们是精密钣金加工厂，想找欧美五金/钣金加工代理商。"

智能体处理流程：

  1. 确认场景：B2B 场景，制造业
  2. 信息收集：追问代理商业绩、客户类型、采购频率、质量要求
  3. 框架匹配：映射到 B2B 框架维度（重点关注需求维度和合作维度）
  4. 生成画像：输出结构化 ICP 文档
  5. 优化建议：建议补充地缘政治考量、供应链稳定性等因素
安全使用建议
This skill appears to do what it says (help build ICPs) and has no install footprint or credential requests, but its instructions expect local reference files that are not packaged. Before installing or enabling: (1) ask the publisher where references/icp-framework.md, icp-template.md, and icp-examples.md come from — get them included or hosted at a trusted URL; (2) avoid granting any extra environment access or file-system permissions until you verify the source of those reference files; (3) if you test the skill, do so with non-sensitive/demo data and monitor agent actions (logs) to ensure it doesn't attempt to read unexpected system files or fetch remote resources; (4) request a version of the skill that includes the referenced templates/examples or clear instructions telling the agent where to read them from a trusted location. If the author supplies the missing reference files inside the skill bundle or a documented, trusted URL, this concern would likely be resolved.
功能分析
Type: OpenClaw Skill Name: ideal-customer-profile Version: 1.0.0 The skill bundle provides a structured framework for an AI agent to generate Ideal Customer Profiles (ICP) for B2B and B2C businesses. The instructions in SKILL.md focus on information gathering, framework matching, and document generation using standard markdown templates. There is no evidence of malicious code, data exfiltration, or harmful prompt injection; the behavior is entirely consistent with the stated purpose of marketing and sales strategy development.
能力评估
✓ Purpose & Capability
Name and description (ICP generation for B2B/B2C) align with the SKILL.md instructions: structured data collection, mapping to ICP dimensions, document generation and optimization. The skill does not request unrelated binaries, credentials, or system access.
⚠ Instruction Scope
The SKILL.md instructs the agent to read reference files (references/icp-framework.md, references/icp-template.md, references/icp-examples.md) at specific steps, but those files are not included in the manifest. This mismatch can cause the agent to (a) fail to find expected files, (b) attempt to fetch or look elsewhere for them, or (c) hallucinate content. The instructions also use broad phrases like '充分利用智能体的分析推理能力' which grant the agent open-ended discretion in gathering and inferring information; while expected for a helper, that vagueness increases risk if the agent is allowed to access external or system resources.
✓ Install Mechanism
No install spec and no code files — instruction-only skill. This minimizes file-system footprint and installation risk.
✓ Credentials
No environment variables, credentials, or config paths are requested. The skill does not ask for unrelated secrets or system-level access.
✓ Persistence & Privilege
always is false and the skill has no install actions. It does not request persistent presence or modify other skills. Autonomous invocation is allowed by platform default but nothing in the skill grants elevated privileges.
如何使用
  1. 确保已安装 OpenClaw（本地或 Docker 部署）
  2. 在对话框中输入安装命令：/install ideal-customer-profile
  3. 安装完成后，直接呼叫该 Skill 的名称或使用 /ideal-customer-profile 触发
  4. 根据 Skill 的参数说明提供必要输入，即可获得结构化输出
版本历史
v1.0.0
Ideal-Customer-Profile is a professional customer profile generation tool that helps businesses accurately build their ideal customer profile (ICP). It supports multiple industry scenarios, including B2B and B2C, and uses structured output to help businesses clearly define the characteristics of their target customers. It is suitable for business scenarios such as marketing strategy development, sales target positioning, and customer segmentation.
元数据
Slug ideal-customer-profile
版本 1.0.0
许可证 MIT-0
累计安装 0
当前安装数 0
历史版本数 1
常见问题

ideal-customer-profile 是什么？

生成 B2B/B2C 企业的理想客户画像（ICP），支持多行业场景与结构化输出；包含框架构建、信息收集与文档生成；适用于营销策略制定、销售目标定位与客户细分。 它是一个面向 Claude Code / OpenClaw 的 AI Agent Skill 插件，目前累计下载 293 次。

如何安装 ideal-customer-profile？

在 OpenClaw 或 Claude Code 对话框中运行命令「/install ideal-customer-profile」即可一键安装，无需额外配置。

ideal-customer-profile 是免费的吗？

是的，ideal-customer-profile 完全免费，采用 MIT-0 许可证，可自由下载、安装和使用。

ideal-customer-profile 支持哪些平台？

ideal-customer-profile 跨平台运行，可在任意部署了 OpenClaw / Claude Code 的环境中使用（cross-platform）。

谁开发了 ideal-customer-profile？

由 liuzhirui6-max（@liuzhirui6-max）开发并维护，当前版本 v1.0.0。

推荐 Skills
self-improving agent
Captures learnings, errors, and corrections to enable continuous improvement. Use when: (1) A command or operation fails unexpectedly, (2) User corrects Clau...
⬇ 463283 · by pskoett
Skill Vetter
Security-first skill vetting for AI agents. Use before installing any skill from ClawdHub, GitHub, or other sources. Checks for red flags, permission scope, and suspicious patterns.
⬇ 259410 · by spclaudehome
Polymarket
Query Polymarket prediction markets. Check odds, find trending markets, search events, track price movements.
⬇ 232503 · by joelchance
Self-Improving + Proactive Agent
Self-reflection + Self-criticism + Self-learning + Self-organizing memory. Agent evaluates its own work, catches mistakes, and improves permanently. Use when...
⬇ 200423 · by ivangdavila
Github
Interact with GitHub using the `gh` CLI. Use `gh issue`, `gh pr`, `gh run`, and `gh api` for issues, PRs, CI runs, and advanced queries.
⬇ 191115 · by steipete
ontology
Typed knowledge graph for structured agent memory and composable skills. Use when creating/querying entities (Person, Project, Task, Event, Document), linkin...
⬇ 190156 · by oswalpalash

💬 留言讨论