Communitygithub.com

Verbindungsoptimierer

Organisiert das Netzwerk des Benutzers neu, anstatt ausgehende Kontakte als reine Einweg-Liste zu behandeln.

Was ist Verbindungsoptimierer?

Dieses Skill reorganisiert das berufliche und soziale Netzwerk eines Benutzers auf X und LinkedIn, indem es Follows und Verbindungen analysiert, bereinigt und optimiert. Es hilft, inaktive oder minderwertige Kontakte zu identifizieren, die man entfolgen oder trennen sollte, sowie wertvolle Brückenkontakte zu finden, mit denen man sich neu vernetzen kann. Das Skill unterstützt verschiedene Modi – von einer leichten Bereinigung bis zu einer aggressiven Umstrukturierung – und erstellt stets eine priorisierte Übersicht zur manuellen Überprüfung, bevor Änderungen vorgenommen werden. Es integriert sich in Apple Mail, X und LinkedIn, generiert Entwürfe im authentischen Sprachstil des Benutzers und stellt sicher, dass niemals blind automatisch gehandelt wird. Dadurch eignet es sich ideal für Nutzer, die ihr Netzwerk strategisch ausbalancieren und echte Beziehungen aufbauen möchten.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/connections-optimizer

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht Verbindungsoptimierer?

Organisiert das Netzwerk des Benutzers neu, anstatt ausgehende Kontakte als reine Einweg-Liste zu behandeln.

Dieses Skill behandelt:

  • Bereinigung und Erweiterung von X-Follows
  • Analyse von LinkedIn-Follows und -Verbindungen
  • Prüf-Warteschlangen mit Vorschaumodus
  • Empfehlungen zum Hinzufügen und Folgen
  • Identifikation von Warmpfaden
  • Entwurferstellung in Apple Mail, X DM und LinkedIn in der echten Stimme des Benutzers

Wann aktivieren

  • Der Benutzer möchte seine X-Follows bereinigen
  • Der Benutzer möchte seine Follows oder Verbindungen neu ausbalancieren
  • Der Benutzer sagt "Aufräumen meines Netzwerks", "Wem sollte ich entfolgen?", "Wem sollte ich folgen?", "Mit wem sollte ich mich neu verbinden?"
  • Die Outreach-Qualität hängt von der Netzwerkstruktur ab, nicht nur von der Erstellung kalter Listen

Erforderliche Eingaben

Erfasse oder leite ab:

  • aktuelle Prioritäten und aktive Arbeit
  • Zielrollen, Branchen, Regionen oder Ökosysteme
  • Plattformauswahl: X, LinkedIn oder beide
  • Nicht-berühren-Liste
  • Modus: light-pass, default oder aggressive

Wenn der Benutzer keinen Modus angibt, verwende default.

Tool-Anforderungen

Bevorzugt

  • x-api für X-Graph-Inspektion und aktuelle Aktivität
  • lead-intelligence für Zielerkennung und Warmpfad-Bewertung
  • social-graph-ranker, wenn der Benutzer den Brückenwert unabhängig vom Lead-Workflow bewertet haben möchte
  • Exa / Deep Research für Personen- und Unternehmensanreicherung
  • brand-voice vor der Erstellung von Outbound-Entwürfen

Fallbacks

  • Browser-Steuerung für LinkedIn-Analyse und Entwurfserstellung
  • Browser-Steuerung für X, wenn die API-Abdeckung eingeschränkt ist
  • Apple Mail oder Mail.app-Entwurferstellung per Desktop-Automation, wenn E-Mail der richtige Kanal ist

Sicherheitsstandards

  • Standard ist Prüfung zuerst, niemals blinde Auto-Bereinigung
  • X: Nur Konten bereinigen, denen der Benutzer folgt, niemals Follower
  • LinkedIn: Behandlung von Entfernungen von Verbindungen ersten Grades als manuelle Prüfung zuerst
  • Keine automatischen DMs, Einladungen oder E-Mails senden
  • Einen bewerteten Aktionsplan und Entwürfe ausgeben, bevor ein Schritt ausgeführt wird

Plattformregeln

X

  • Gegenseitige Follows sind klebriger als Einweg-Follows
  • Nicht-Rück-Follower können aggressiver entfernt werden
  • Stark inaktive oder verschwundene Kontakte sollten schnell auftauchen
  • Engagement, Signalqualität und Brückenwert sind wichtiger als reine Follower-Zahl

LinkedIn

  • API zuerst, wenn der Benutzer tatsächlich LinkedIn-API-Zugriff hat
  • Browser-Workflow muss funktionieren, wenn kein API-Zugriff besteht
  • Unterscheide ausgehende Follows von akzeptierten Verbindungen ersten Grades
  • Ausgehende Follows können freier entfernt werden
  • Akzeptierte Verbindungen ersten Grades sollten standardmäßig geprüft, nicht automatisch entfernt werden

Modi

light-pass

  • Nur Einweg-Follows mit hoher Sicherheit und geringem Wert entfernen
  • Den Rest zur Prüfung vorlegen
  • Eine kleine Hinzufügen/Folgen-Liste erstellen

default

  • Ausgeglichene Entfernungs-Warteschlange
  • Ausgeglichene Behalten-Liste
  • Bewertete Hinzufügen/Folgen-Warteschlange
  • Warme Einleitungen oder direkte Outreach-Entwürfe, wo sinnvoll

aggressive

  • Größere Entfernungs-Warteschlange
  • Geringere Toleranz für veraltete Nicht-Rück-Follower
  • Dennoch Prüfpflicht vor Ausführung

Bewertungsmodell

Verwende diese positiven Signale:

  • Gegenseitigkeit
  • Aktuelle Aktivität
  • Übereinstimmung mit aktuellen Prioritäten
  • Netzwerk-Brückenwert
  • Rollenrelevanz
  • Echte Interaktionshistorie
  • Aktuelle Präsenz und Reaktionsfähigkeit

Verwende diese negativen Signale:

  • Verschwundenes oder aufgegebenes Konto
  • Veralteter Einweg-Follow
  • Thema außerhalb der Priorität
  • Wertloses Rauschen
  • Wiederholte Nicht-Reaktion
  • Kein Rück-Follow, wenn viele bessere Ersatzmöglichkeiten existieren

Gegenseitige Follows und echte Warmpfad-Brücken sollten weniger aggressiv bestraft werden als Einweg-Follows.

Arbeitsablauf

  1. Prioritäten, Nicht-berühren-Einschränkungen und ausgewählte Plattformen erfassen.
  2. Aktuelles Following-/Verbindungs-Inventar abrufen.
  3. Entfernungskandidaten mit expliziten Gründen bewerten.
  4. Behaltenskandidaten mit expliziten Gründen bewerten.
  5. lead-intelligence plus Recherche-Oberflächen nutzen, um Erweiterungskandidaten zu bewerten.
  6. Den richtigen Kanal auswählen:
    • X DM für warme, schnelle soziale Kontaktpunkte
    • LinkedIn-Nachricht für professionelle Graph-Nähe
    • Apple Mail-Entwurf für Kontext-reiche Einleitungen oder Outreach
  7. brand-voice vor der Erstellung von Nachrichten-Entwürfen ausführen.
  8. Ein Überprüfungspaket vor jedem Ausführungsschritt zurückgeben.

Format des Überprüfungspakets

VERBINDUNGSOPTIMIERER-BERICHT
============================

Modus:
Plattformen:
Prioritätsset:

Entfernungs-Warteschlange
- Handle / Profil
  Grund:
  Vertrauen:
  Aktion:

Prüf-Warteschlange
- Handle / Profil
  Grund:
  Risiko:

Behalten / Schützen
- Handle / Profil
  Brückenwert:

Hinzufügen / Folgen-Ziele
- Person
  Warum jetzt:
  Warmpfad:
  Bevorzugter Kanal:

Entwürfe
- X DM:
- LinkedIn:
- Apple Mail:

Outbound-Regeln

  • Standard-E-Mail-Pfad ist Apple Mail / Mail.app-Entwurfserstellung.
  • Nicht automatisch senden.
  • Den Kanal basierend auf Wärme, Relevanz und Kontexttiefe auswählen.
  • Keine DM erzwingen, wenn eine E-Mail oder gar kein Outreach der richtige Schritt ist.
  • Entwürfe sollten wie der Benutzer klingen, nicht wie automatisierte Verkaufstexte.

Verwandte Skills

  • brand-voice für das wiederverwendbare Stimmprofil
  • social-graph-ranker für die eigenständige Brückenbewertung und Warmpfad-Berechnung
  • lead-intelligence für gewichtete Ziel- und Warmpfad-Erkennung
  • x-api für X-Graph-Zugriff, Entwurferstellung und optionale Ausführungsflüsse
  • content-engine, wenn der Benutzer auch öffentliche Launch-Inhalte rund um Netzwerkänderungen wünscht

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Verwandte Skills