Appearance
Social Graph Ranker Skill 是 Everything Claude Code 插件体系中专用于加权社交图谱排名、温介绍路径发现与网络缺口分析的核心技能。它通过算法化分析 X（Twitter）和 LinkedIn 的社交网络，帮助开发者精准识别最佳引荐人、桥接路径和人脉盲区，无需依赖完整的 lead-intelligence 或 connections-optimizer 工作流，即可独立调用社交图引擎，极大提升 AI 辅助外联和人脉运营的效率与策略性。
Everything Claude Code Social Graph Ranker Skill：加权社交图谱排名、温介绍路径发现与网络缺口分析
在 AI 辅助编程与人脉运营场景中，如何高效地识别“谁最适合帮我做温介绍”、“哪些目标应直接外联”、“我的网络有哪些结构性缺口”一直是开发者和增长团队的痛点。Social Graph Ranker Skill 正是为此而生——它是 Everything Claude Code 插件体系中专注于社交关系图谱排名、桥接路径发现和网络缺口分析的独立技能。相比传统的人工梳理或简单的 mutual 统计，这一 Skill 基于加权图算法，系统性地量化每个联系人在温介绍、桥接和网络优化中的价值，让 AI 可以自动、可解释地输出推荐路径和行动建议。
如果你正在用 Claude Code、Codex、Cursor 等 AI 编程助手，并希望系统性提升人脉外联、投资人对接、BD 或招聘等场景的效率，建议先阅读Everything Claude Code 完全指南和Claude Code 快速上手指南，再结合本文深入理解 Social Graph Ranker Skill 的实际用法。
1. 适用场景与对比传统做法
传统做法：
- 人工逐个查看 mutuals，凭印象或简单排序决定找谁帮忙介绍
- 只关注直接关系，忽略二阶桥接和网络结构
- 无法量化“谁的桥接价值最高”或“哪些目标只能冷启动”
使用 Social Graph Ranker Skill 后：
- 自动拉取 X、LinkedIn 或两者的社交图谱，构建加权目标集
- 综合考虑角色、行业、地域、活跃度、响应概率等多维信号
- 基于图论算法（加权路径、衰减、响应度调整）量化每个 mutual 的桥接分数
- 输出结构化推荐：最佳温介绍人、可选桥接路径、无温路径目标及补网建议
典型适用场景：
- 投资人对接、BD 拓展、招聘猎头、社区运营等需要“找人介绍”或“补齐人脉网络”的任务
- 需要独立调用社交图算法，而非完整 lead generation/outreach 流程
- 想要理解和可视化自己的社交网络结构，为后续自动化外联和人脉优化打基础
2. 触发条件与调用时机
建议在以下需求出现时，优先调用 Social Graph Ranker Skill：
- “谁在我的网络里最适合帮我介绍给 X?”
- “请按桥接价值排序我的 mutuals，帮我对接这批目标”
- “我的社交网络里哪些地方存在结构性缺口？”
- “哪些目标只能冷启动，哪些值得温介绍？”
不要单独用它来做：
- 全流程线索挖掘和外联自动化（请用
lead-intelligenceSkill） - 网络修剪、扩展、预热等人脉维护（请用
connections-optimizerSkill）
3. Step by Step 实际操作流程
步骤 1：构建加权目标集
- 明确你的目标对象（如投资人名单、目标公司、ICP 描述等）
- 可为每个目标分配权重，如行业匹配度、影响力、活跃度等
步骤 2：拉取用户社交图谱
- 通过 X、LinkedIn 或两者 API 拉取你的 mutuals/直接关系
- 可指定平台、优先级、遍历深度和衰减容忍度
步骤 3：计算直接桥接分数
- 对每个 mutual，计算其到目标集的最短路径（通常 1-2 跳）
- 路径越短、目标权重越高，分数越高
步骤 4：扩展二阶候选人
- 对桥接价值高的 mutual，进一步分析其二阶关系（你未直接认识但 mutual 认识的人）
- 二阶路径分数会有折扣（如 α=0.3），但能发现隐藏桥梁
步骤 5：响应度与关系强度加权
- 引入 engagement/响应度（如历史互动、活跃度）调整最终排名
- 让“既能桥接又愿意帮忙”的 mutual 排名更靠前
步骤 6：结构化输出结果
Skill 会输出如下结构化报告：
text
SOCIAL GRAPH RANKING
====================
Priority Set: [目标 ICP/名单]
Platforms: [X/LinkedIn]
Decay Model: [如 λ=0.5, α=0.3, β=0.2]
Top Bridges
- mutual: 张三
base_score: 2.1
extended_score: 2.7
best_targets: [李四, 王五]
path_summary: “张三→李四（1跳），张三→王五（2跳）”
recommended_action: “建议请求温介绍”
Conditional Paths
- mutual: 李雷
reason: “需额外一跳桥接”
extra hop cost: 0.5
No Warm Path
- target: 赵六
recommendation: “建议直接冷启动或补齐 mutual”输出示例
text
SOCIAL GRAPH RANKING
====================
Priority Set: AI 投资人
Platforms: X, LinkedIn
Decay Model: λ=0.5, α=0.3, β=0.2
Top Bridges
- mutual: Alice Wang
base_score: 3.0
extended_score: 3.5
best_targets: [Bob Chen, Carol Li]
path_summary: "Alice Wang → Bob Chen (1 hop), Alice Wang → Carol Li (2 hops)"
recommended_action: "建议优先请求温介绍"
Conditional Paths
- mutual: David Zhou
reason: "需二阶桥接"
extra hop cost: 0.3
No Warm Path
- target: Eric Sun
recommendation: "建议直接外联或补齐 mutual"4. 常见配套 Agent 与 Skill 协作关系
lead-intelligence：在自动化线索挖掘和外联流程中，底层调用 Social Graph Ranker 作为路径评分引擎connections-optimizer：在网络修剪、扩展和预热时，利用同样的桥接算法决策保留/补充对象brand-voice：在自动生成温介绍请求或冷启动外联内容前，建议先用该 Skill 保持沟通风格一致x-api：为 Skill 提供 X 平台的社交图谱数据和 API 支持
更多关于 Agent、Skill、Hook 协作模式，可参考Claude Code 快速上手指南。
5. 与其他 Skill 的协作关系
- 可与
lead-intelligence组合，实现“先筛人再自动外联” - 与
connections-optimizer配合，发现网络缺口后自动补齐 - 在外联内容生成前，建议用
brand-voice保持语气一致
6. 注意事项与最佳实践
- 输入目标集和权重时，尽量细化 ICP 画像，提升推荐准确性
- 衰减参数（λ、α、β）可根据实际业务场景调整，默认已适配大多数需求
- Skill 仅做图谱分析与路径推荐，不直接发送外联或维护网络
- 若需全流程自动化，请结合
lead-intelligence或connections-optimizer使用
FAQ
Q: Social Graph Ranker Skill 和 lead-intelligence 有什么区别？
A: Social Graph Ranker 专注于社交图谱排名和路径分析，适合独立调用；lead-intelligence 则包含线索挖掘、外联自动化等完整流程，并在底层调用本 Skill。
Q: 这个 Skill 支持哪些平台？
A: 支持 X（Twitter）、LinkedIn，或两者组合的社交图谱分析。
Q: 可以自定义目标权重和衰减参数吗？
A: 可以，Skill 支持根据角色、行业、地域、响应度等自定义权重，并允许调整 λ、α、β 等参数以适配不同业务需求。