Communitygithub.com

connections-optimizer

Reorganiza la red del usuario en lugar de tratar los contactos salientes como una lista de prospección unidireccional.

¿Qué es connections-optimizer?

El skill `connections-optimizer` está diseñado para ayudar a los usuarios a gestionar y reorganizar estratégicamente sus redes profesionales en X y LinkedIn, reemplazando el enfoque tradicional de prospección fría. Su objetivo es identificar contactos de alto valor, podar conexiones de bajo impacto y generar borradores de alcance cálido, todo ello respetando la voz única del usuario. Es compatible con las plataformas X, LinkedIn y Apple Mail, y puede operar tanto mediante API (preferida para X) como mediante control de navegador (para LinkedIn cuando no hay acceso a la API). El skill se activa cuando el usuario desea limpiar su red, reequilibrar sus seguimientos o reconectar con contactos relevantes, y siempre opera bajo un modelo de revisión previa antes de aplicar cualquier cambio, garantizando así la seguridad y el control humano en todo momento.

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

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Optimizador de Conexiones

Reorganiza la red del usuario en lugar de tratar los contactos salientes como una lista de prospección unidireccional.

Este skill maneja:

  • Limpieza y expansión de seguimientos en X
  • Análisis de seguimientos y conexiones en LinkedIn
  • Colas de poda con revisión previa
  • Recomendaciones de agregar y seguir
  • Identificación de caminos cálidos
  • Generación de borradores en Apple Mail, X DM y LinkedIn con la voz real del usuario

Cuándo activarlo

  • el usuario desea podar su lista de seguidos en X
  • el usuario desea reequilibrar a quién sigue o con quién está conectado
  • el usuario dice "limpia mi red", "a quién debería dejar de seguir", "a quién debería seguir", "con quién debería reconectar"
  • la calidad del alcance depende de la estructura de la red, no solo de la generación de listas frías

Entradas requeridas

Recopilar o inferir:

  • prioridades actuales y trabajo activo
  • roles, industrias, geografías o ecosistemas objetivo
  • selección de plataforma: X, LinkedIn, o ambas
  • lista de no tocar
  • modo: light-pass, default, o aggressive

Si el usuario no especifica un modo, usar default.

Requisitos de herramientas

Preferidas

  • x-api para inspección del grafo de X y actividad reciente
  • lead-intelligence para descubrimiento de objetivos y clasificación de caminos cálidos
  • social-graph-ranker cuando el usuario desea que el valor de puente se puntúe independientemente del flujo de prospección general
  • Exa / investigación profunda para enriquecimiento de personas y empresas
  • brand-voice antes de redactar alcances salientes

Alternativas

  • control de navegador para análisis y redacción en LinkedIn
  • control de navegador para X si la cobertura de la API es limitada
  • redacción en Apple Mail o Mail.app mediante automatización de escritorio cuando el correo electrónico es el canal adecuado

Valores predeterminados de seguridad

  • el valor predeterminado es revisión previa, nunca poda automática a ciegas
  • X: podar solo cuentas que el usuario sigue, nunca seguidores
  • LinkedIn: tratar la eliminación de conexiones de 1.er grado como revisión manual obligatoria
  • no enviar automáticamente DMs, invitaciones ni correos electrónicos
  • emitir un plan de acción clasificado y borradores antes de cualquier paso de aplicación

Reglas de plataforma

X

  • los mutuos son más difíciles de eliminar que los seguimientos unidireccionales
  • los no recíprocos pueden podarse de manera más agresiva
  • las cuentas muy inactivas o desaparecidas deben detectarse rápidamente
  • el compromiso, la calidad de la señal y el valor de puente importan más que el número bruto de seguidores

LinkedIn

  • priorizar API si el usuario realmente tiene acceso a la API de LinkedIn
  • el flujo de navegador debe funcionar cuando falte el acceso a la API
  • distinguir los seguimientos salientes de las conexiones de 1.er grado aceptadas
  • los seguimientos salientes se pueden podar con mayor libertad
  • las conexiones de 1.er grado aceptadas deben revisarse de forma predeterminada, no eliminarse automáticamente

Modos

light-pass

  • podar solo seguimientos unidireccionales de bajo valor con alta confianza
  • mostrar el resto para revisión
  • generar una pequeña lista de agregar/seguir

default

  • cola de poda equilibrada
  • lista de conservación equilibrada
  • cola de agregar/seguir clasificada
  • redactar presentaciones cálidas o alcance directo cuando sea útil

aggressive

  • cola de poda más grande
  • menor tolerancia para no recíprocos inactivos
  • aún con puerta de revisión antes de aplicar

Modelo de puntuación

Usar estas señales positivas:

  • reciprocidad
  • actividad reciente
  • alineación con prioridades actuales
  • valor de puente en la red
  • relevancia del rol
  • historial de compromiso real
  • presencia y capacidad de respuesta recientes

Usar estas señales negativas:

  • cuenta desaparecida o abandonada
  • seguimiento unidireccional obsoleto
  • grupo temático fuera de prioridad
  • ruido de bajo valor
  • falta repetida de respuesta
  • sin reciprocidad cuando existen muchos reemplazos mejores

Los mutuos y los puentes de caminos cálidos reales deben penalizarse de forma menos agresiva que los seguimientos unidireccionales.

Flujo de trabajo

  1. Capturar prioridades, restricciones de no tocar y plataformas seleccionadas.
  2. Obtener el inventario actual de seguimientos/conexiones.
  3. Puntuar candidatos a poda con razones explícitas.
  4. Puntuar candidatos a conservar con razones explícitas.
  5. Usar lead-intelligence más superficies de investigación para clasificar candidatos a expansión.
  6. Elegir el canal adecuado:
    • X DM para puntos de contacto sociales cálidos y rápidos
    • Mensaje de LinkedIn para adyacencia en el grafo profesional
    • Borrador de Apple Mail para presentaciones o alcances con mayor contexto
  7. Ejecutar brand-voice antes de redactar mensajes.
  8. Devolver un paquete de revisión antes de cualquier paso de aplicación.

Formato del paquete de revisión

INFORME DEL OPTIMIZADOR DE CONEXIONES
======================================

Modo:
Plataformas:
Conjunto de prioridades:

Cola de poda
- handle / perfil
  motivo:
  confianza:
  acción:

Cola de revisión
- handle / perfil
  motivo:
  riesgo:

Conservar / Proteger
- handle / perfil
  valor de puente:

Objetivos para agregar/seguir
- persona
  por qué ahora:
  camino cálido:
  canal preferido:

Borradores
- X DM:
- LinkedIn:
- Apple Mail:

Reglas de alcance saliente

  • La ruta de correo electrónico predeterminada es la creación de borrador en Apple Mail / Mail.app.
  • No enviar automáticamente.
  • Elegir el canal según calidez, relevancia y profundidad de contexto.
  • No forzar un DM cuando un correo electrónico o ningún alcance sea la decisión correcta.
  • Los borradores deben sonar como el usuario, no como texto de ventas automatizado.

Skills relacionados

  • brand-voice para el perfil de voz reutilizable
  • social-graph-ranker para la puntuación independiente de puentes y el cálculo de caminos cálidos
  • lead-intelligence para el descubrimiento ponderado de objetivos y caminos cálidos
  • x-api para acceso al grafo de X, redacción y flujos de aplicación opcionales
  • content-engine cuando el usuario también desee contenido público de lanzamiento en torno a movimientos de red

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.

Skills relacionados