KeyFrame內部研究專用

Claude Code + Clay Makes Lead Generation Actually Fun

Nate Herk·7月12日週日·18 min英文

三句話摘要

用Claude Code整編Clay的B2B資料平臺,實現從尋客、資料豐富到個性化郵件生成的完整陌生開發自動化流程。 用Claude Code作編排器接入Clay的B2B資料,關鍵在於提前用足夠的業務背景資訊「熱身」模型,讓它能在規模化尋客的同時生成高轉化的個性化郵件,從而把陌生開發的成本降到每條線索約$0.24美元、整個流程時間縮到數分鐘。 解決三層問題:找到合適企業→獲取真實聯絡方式→撰寫非垃圾郵件。傳統冷開發難在資料獲取和規模化寫作,這個流程用Claude Code作編排層統一處理。

重點整理

重點
  • 1

    解決三層問題:找到合適企業→獲取真實聯絡方式→撰寫非垃圾郵件。傳統冷開發難在資料獲取和規模化寫作,這個流程用Claude Code作編排層統一處理。

  • 2

    關鍵是上下文垂直度:即使Clay提供最優質資料,如果Claude Code不瞭解你的業務背景(案例研究、報價、網站文案、常見問題),生成的郵件也會很弱。需要預先餵給模型你的完整背景。

  • 3

    Clay的資料瀑布優勢:單一供應商找到正確電子郵件的命中率僅30%,但Clay會自動嘗試多個資料來源,達到80~90%的成功率,大幅降低成本。

  • 4

    工具鏈閉合:從找客→資料豐富→郵件生成→匯出CSV→在Clay配置活動→購買預熱域名→傳送,整個流程不離開Clay和Claude Code兩個平臺。

實用技巧與重點

乾貨
  • 工具與平臺
  • Clay.com:B2B資料平臺,支援查詢電子郵件、電話號碼、公司資訊、Google評分等
  • Claude Code:MCP伺服器對接Clay操作
  • 支援的Clay操作:查詢電子郵件、豐富個人/公司資訊、查詢電話號碼
  • 成本資料
  • 本次演示:172個Clay積分 ≈ $12 USD,獲得50條線索
  • 推算:100條線索約$24(1%轉化率一個客戶通常價值遠超$24)
  • Clay採購功能
  • 購買預熱好的郵箱域名(與公司名相近即可)
  • 每個域名可創5個帳號
  • 自動每天限制30封,確保不被標記垃圾
  • 支援Gmail或Outlook
  • 生成的潛在客戶欄位
  • 公司名稱、決策者、職位、電郵地址、郵件狀態(已驗證)、電話、網站、城市、Google評分、評論數、業務痛點、近期市場動態、顯著成就、個性化引言、郵件主題、郵件正文
  • 安裝步驟
  • 訪問Clay.com並註冊帳號
  • 在Claude Code終端執行安裝(必須透過終端,不能用VS Code擴充或桌面應用)
  • 執行`/marketplace`新增Clay外掛市場連結
  • 請求Claude驗證,授權工作區
  • 測試Clay MCP伺服器連線
  • Campaign設定
  • 匯入CSV(選擇表格、逗號分隔符)
  • 新建Campaign → 新增潛在客戶清單 → 使用變數(如{{email_subject}}、{{email_body}})→ 預覽效果
  • 可設定後續郵件(如3天無回復再跟進)

結論

結論

用Claude Code作編排器接入Clay的B2B資料,關鍵在於提前用足夠的業務背景資訊「熱身」模型,讓它能在規模化尋客的同時生成高轉化的個性化郵件,從而把陌生開發的成本降到每條線索約$0.24美元、整個流程時間縮到數分鐘。

完整解析

詳細

陌生開發的傳統困境在於三個環節的低效:找到合適的企業很難,獲取真實聯絡方式困難,編寫個性化郵件在規模化時幾乎不可能。講者用一個虛擬案例"Tradewind Automations"(家庭服務企業AI自動化代理)展示瞭如何用Claude Code編排Clay來完整解決這個問題。

關鍵洞察是分工:Clay作為資料來源頭負責企業查詢和資訊豐富,Claude Code則作為編排層用自然語言理解需求並驅動整個流程。講者首先在Claude Code中提供了豐富的業務背景——包括案例研究、常見問題、定價、網站文案等——這些資訊讓模型能夠生成真正貼切的個性化郵件,而不是模板化的垃圾郵件。然後透過設定/goal指令(目標導向工作流),讓Claude Code自主分配6個並行代理分別在不同城市尋找25家公司,最終彙總、驗證、去重,確保輸出的50條線索完全符合要求。

整個演示耗時約1小時(包含大量驗證和郵件重寫),成本172個Clay積分約12美元。輸出是一張CSV表單,包含公司名、決策者、職位、已驗證郵箱、電話、網站、Google評分、業務痛點、近期動態、個性化主題行和正文。講者特別演示了一封郵件,精確指出了目標公司(評分4.7星但有客戶投訴回電慢)的具體痛點,然後用自己的案例研究(幫助本地企業將漏接來電轉為訂單)來建立說服力。

最後一步是在Clay平臺中完成營銷活動的閉環。將CSV匯入建立表單,新建活動,用變數{{email_subject}}和{{email_body}}對映每一行的郵件內容。如果沒有自己的郵箱賬戶,可以直接在Clay購買預熱好的域名郵箱(與公司名相近),系統會自動限制每天30封、確保送達率。整個流程從資料到傳送只需在兩個平臺間切換,無需學習複雜的新介面。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。