Communitygithub.com

Social-Graph-Ranker

Gewichtetes Social-Graph-Ranking zur Entdeckung warmer Introductions, Bewertung von Brückenverbindungen und Analyse von Netzwerklücken auf X und LinkedIn. Verwenden Sie dies, wenn der Benutzer die wiederverwendbare Graph-Ranking-Engine selbst möchte, nicht den breiteren Outreach- oder Netzwerkpflege-Workflow.

Was ist Social-Graph-Ranker?

Der Social-Graph-Ranker ist eine kanonische, gewichtete Graph-Ranking-Schicht für netzwerkbewusste Kontaktaufnahme. Er bewertet gegenseitige Verbindungen anhand eines Brücken-Scores, der die Entfernung zu Zielpersonen, die Zielgewichtung, einen Abfallfaktor (λ) und einen Engagement-Bonus (β) berücksichtigt. Die Engine unterstützt X und LinkedIn, erstellt eine Rangfolge der besten Brückenverbindungen, identifiziert bedingte Pfade über zwei Ecken und zeigt Lücken auf, in denen keine warme Verbindung existiert. Sie ist als eigenständiges Werkzeug konzipiert, das in `lead-intelligence` oder `connections-optimizer` integriert werden kann, aber auch direkt für Ad-hoc-Analysen wie die Frage „Wer in meinem Netzwerk kann mich am besten mit diesen Personen verbinden?“ genutzt werden kann.

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

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Social-Graph-Ranker?

Kanoniche gewichtete Graph-Ranking-Schicht für netzwerkbewusste Kontaktaufnahme.

Verwenden Sie dies, wenn der Benutzer Folgendes benötigt:

  • Bestehende Verbindungen nach Intro-Wert zu bewerten
  • Warme Pfade zu einer Zielliste zu kartieren
  • Den Brückenwert von Verbindungen ersten und zweiten Grades zu messen
  • Zu entscheiden, welche Ziele eine warme Einführung versus eine direkte Kaltakquise verdienen
  • Die Graph-Mathematik unabhängig von lead-intelligence oder connections-optimizer zu verstehen

Wann Dies Allein Verwenden

Wählen Sie diese Fähigkeit, wenn der Benutzer hauptsächlich die Ranking-Engine möchte:

  • "Wer in meinem Netzwerk ist am besten positioniert, um mich vorzustellen?"
  • "Bewerte meine Verbindungen danach, wer mich zu diesen Personen bringen kann."
  • "Kartiere meinen Graphen gegen dieses ICP."
  • "Zeig mir die Brückenmathematik."

Verwenden Sie dies nicht allein, wenn der Benutzer wirklich möchte:

  • Vollständige Lead-Generierung und Outbound-Sequenzierung -> verwenden Sie lead-intelligence
  • Netzwerk beschneiden, neu ausbalancieren und erweitern -> verwenden Sie connections-optimizer

Eingaben

Sammeln oder ableiten:

  • Zielpersonen, Unternehmen oder ICP-Definition
  • Aktueller Graph des Benutzers auf X, LinkedIn oder beiden
  • Gewichtungsprioritäten wie Rolle, Branche, Geografie und Reaktionsfähigkeit
  • Durchquerungstiefe und Abfalltoleranz

Kernmodell

Gegeben:

  • T = gewichtete Zielmenge
  • M = Ihre aktuellen Verbindungen / direkten Kontakte
  • d(m, t) = kürzeste Hops-Distanz von Verbindung m zu Ziel t
  • w(t) = Zielgewichtung aus Signal-Bewertung

Basis-Brücken-Score:

B(m) = Σ_{t ∈ T} w(t) · λ^(d(m,t) - 1)

Wobei:

  • λ der Abfallfaktor ist, normalerweise 0,5
  • Ein direkter Pfad den vollen Wert beiträgt
  • Jeder zusätzliche Hop halbiert den Beitrag

Erweiterung zweiten Grades:

B_ext(m) = B(m) + α · Σ_{m' ∈ N(m) \ M} Σ_{t ∈ T} w(t) · λ^(d(m',t))

Wobei:

  • N(m) \ M die Menge der Personen ist, die die Verbindung kennt, Sie aber nicht
  • α die Reichweite zweiten Grades diskontiert, normalerweise 0,3

Reaktionsangepasstes endgültiges Ranking:

R(m) = B_ext(m) · (1 + β · engagement(m))

Wobei:

  • engagement(m) die normalisierte Reaktionsfähigkeit oder Beziehungsstärke ist
  • β der Engagement-Bonus ist, normalerweise 0,2

Interpretation:

  • Stufe 1: Hohes R(m) und direkte Brückenpfade -> Warme Intro-Fragen
  • Stufe 2: Mittleres R(m) und Ein-Hop-Brückenpfade -> Bedingte Intro-Fragen
  • Stufe 3: Niedriges R(m) oder keine brauchbare Brücke -> Direkte Kontaktaufnahme oder Lückenfüller

Bewertungssignale

Gewichten Sie Ziele vor der Graph-Durchquerung mit allem, was für den aktuellen Prioritätssatz wichtig ist:

  • Rollen- oder Titelübereinstimmung
  • Unternehmens- oder Branchenfit
  • Aktuelle Aktivität und Aktualität
  • Geografische Relevanz
  • Einfluss oder Reichweite
  • Wahrscheinlichkeit einer Antwort

Gewichten Sie Verbindungen nach der Durchquerung mit:

  • Anzahl der gewichteten Pfade in die Zielmenge
  • Direktheit dieser Pfade
  • Reaktionsfähigkeit oder vorherige Interaktionshistorie
  • Kontextueller Fit für die Einführung

Arbeitsablauf

  1. Erstellen Sie die gewichtete Zielmenge.
  2. Rufen Sie den Graphen des Benutzers von X, LinkedIn oder beiden ab.
  3. Berechnen Sie die direkten Brücken-Scores.
  4. Erweitern Sie Kandidaten zweiten Grades für die wertvollsten Verbindungen.
  5. Sortieren Sie nach R(m).
  6. Geben Sie zurück:
    • Beste warme Intro-Fragen
    • Bedingte Brückenpfade
    • Graphlücken, wo kein warmer Pfad existiert

Ausgabeformat

SOCIAL-GRAPH-RANKING
====================

Prioritätssatz:
Plattformen:
Abfallmodell:

Top-Brücken
- Verbindung / Kontakt
  Basis-Score:
  Erweiterter-Score:
  Beste-Ziele:
  Pfadzusammenfassung:
  Empfohlene Aktion:

Bedingte Pfade
- Verbindung / Kontakt
  Grund:
  Zusätzliche Hop-Kosten:

Kein warmer Pfad
- Ziel
  Empfehlung: Direkte Kontaktaufnahme / Graphlücke füllen

Verwandte Fähigkeiten

  • lead-intelligence verwendet dieses Ranking-Modell innerhalb der breiteren Zielentdeckungs- und Outreach-Pipeline
  • connections-optimizer verwendet dieselbe Brückenlogik, wenn entschieden wird, wer behalten, beschnitten oder hinzugefügt werden soll
  • brand-voice sollte vor dem Verfassen einer Intro-Anfrage oder einer direkten Kontaktaufnahme ausgeführt werden
  • x-api bietet X-Graph-Zugriff und optionale Ausführungspfade

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