Communitygithub.com

connections-optimizer

Réorganise le réseau de l'utilisateur au lieu de traiter les connexions sortantes comme une simple liste de prospection.

Qu'est-ce que connections-optimizer ?

Ce skill transforme la gestion de réseau en une stratégie intelligente et contextuelle. Il analyse et nettoie les abonnements X, les connexions LinkedIn, et les suivis, en proposant des actions de désabonnement, d'abonnement ou de reconnexion basées sur les priorités actuelles de l'utilisateur. Il s'appuie sur des signaux comme la réciprocité, l'activité récente, la pertinence des rôles et la valeur de pont réseau, tout en respectant des listes de non-touch. Le skill génère des brouillons de messages (X DM, LinkedIn, Apple Mail) dans la voix authentique de l'utilisateur via l'intégration de `brand-voice`. Il fonctionne sur X, LinkedIn et Apple Mail, avec des API dédiées ou des workflows navigateur en fallback, et propose trois modes (light-pass, default, aggressive) avec une sécurité par défaut : toujours une revue manuelle avant toute action.

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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Connections Optimizer

Réorganise le réseau de l'utilisateur au lieu de traiter les connexions sortantes comme une simple liste de prospection.

Ce skill gère :

  • Nettoyage et expansion des abonnements X
  • Analyse des abonnements et connexions LinkedIn
  • Files d'attente de nettoyage avec revue préalable
  • Ajout et recommandations d'abonnements
  • Identification des chemins chauds
  • Génération de brouillons Apple Mail, X DM et LinkedIn dans la voix réelle de l'utilisateur

Quand activer

  • l'utilisateur souhaite nettoyer ses abonnements X
  • l'utilisateur souhaite rééquilibrer qui il suit ou à qui il reste connecté
  • l'utilisateur dit « nettoie mon réseau », « qui devrais-je ne plus suivre », « qui devrais-je suivre », « avec qui devrais-je me reconnecter »
  • la qualité de prospection dépend de la structure du réseau, pas seulement d'une génération de liste froide

Entrées requises

Collecter ou déduire :

  • priorités actuelles et travail actif
  • rôles cibles, secteurs, zones géographiques ou écosystèmes
  • sélection de plateforme : X, LinkedIn ou les deux
  • liste de non-touch
  • mode : light-pass, default ou aggressive

Si l'utilisateur ne spécifie pas de mode, utiliser default.

Exigences en outils

Préférés

  • x-api pour l'inspection du graphe X et l'activité récente
  • lead-intelligence pour la découverte de cibles et le classement des chemins chauds
  • social-graph-ranker lorsque l'utilisateur souhaite une évaluation indépendante de la valeur de pont
  • Exa / recherche approfondie pour l'enrichissement des personnes et des entreprises
  • brand-voice avant de rédiger des messages sortants

Alternatives

  • contrôle du navigateur pour l'analyse et la rédaction LinkedIn
  • contrôle du navigateur pour X si la couverture API est limitée
  • rédaction Apple Mail ou Mail.app via automatisation de bureau lorsque l'e-mail est le bon canal

Sécurité par défaut

  • par défaut, revue avant action, jamais de nettoyage automatique aveugle
  • X : nettoyer uniquement les comptes que l'utilisateur suit, jamais les abonnés
  • LinkedIn : traiter la suppression de connexion de 1er degré comme nécessitant une revue manuelle préalable
  • ne pas envoyer automatiquement de DM, invitations ou e-mails
  • émettre un plan d'actions classé et des brouillons avant toute étape d'application

Règles par plateforme

X

  • les abonnements mutuels sont plus stables que les suivis unidirectionnels
  • les non-suivis en retour peuvent être nettoyés plus agressivement
  • les comptes très inactifs ou disparus doivent remonter rapidement
  • l'engagement, la qualité du signal et la valeur de pont comptent plus que le nombre brut d'abonnés

LinkedIn

  • API en priorité si l'utilisateur a effectivement un accès à l'API LinkedIn
  • le workflow navigateur doit fonctionner en l'absence d'accès API
  • distinguer les suivis sortants des connexions 1er degré acceptées
  • les suivis sortants peuvent être nettoyés plus librement
  • les connexions 1er degré acceptées doivent par défaut passer en revue, pas en suppression automatique

Modes

light-pass

  • nettoyer uniquement les suivis unidirectionnels de faible valeur à haute confiance
  • remonter le reste pour revue
  • générer une petite liste d'ajout/abonnement

default

  • file d'attente de nettoyage équilibrée
  • liste de conservation équilibrée
  • file d'attente d'ajout/abonnement classée
  • rédiger des présentations chaleureuses ou des contacts directs si pertinent

aggressive

  • file d'attente de nettoyage plus grande
  • tolérance plus faible pour les non-suivis en retour obsolètes
  • toujours avec revue préalable avant application

Modèle de score

Utiliser ces signaux positifs :

  • réciprocité
  • activité récente
  • alignement avec les priorités actuelles
  • valeur de pont réseau
  • pertinence du rôle
  • historique d'engagement réel
  • présence et réactivité récentes

Utiliser ces signaux négatifs :

  • compte disparu ou abandonné
  • suivi unidirectionnel obsolète
  • groupe thématique hors priorité
  • bruit de faible valeur
  • absence répétée de réponse
  • pas de suivi en retour alors que de meilleurs remplaçants existent

Les mutuels et les vrais ponts de chemins chauds doivent être pénalisés moins agressivement que les suivis unidirectionnels.

Workflow

  1. Capturer les priorités, les contraintes de non-touch et les plateformes sélectionnées.
  2. Extraire l'inventaire actuel des abonnements / connexions.
  3. Noter les candidats au nettoyage avec raisons explicites.
  4. Noter les candidats à conserver avec raisons explicites.
  5. Utiliser lead-intelligence plus les surfaces de recherche pour classer les candidats à l'expansion.
  6. Choisir le bon canal :
    • X DM pour des contacts sociaux chaleureux et rapides
    • LinkedIn message pour une proximité dans le graphe professionnel
    • Apple Mail brouillon pour des présentations ou contacts à plus haut contexte
  7. Exécuter brand-voice avant de rédiger les messages.
  8. Retourner un pack de revue avant toute étape d'application.

Format du pack de revue

RAPPORT CONNECTIONS OPTIMIZER
============================

Mode :
Plateformes :
Ensemble de priorités :

File de nettoyage
- pseudo / profil
  raison :
  confiance :
  action :

File de revue
- pseudo / profil
  raison :
  risque :

Conserver / Protéger
- pseudo / profil
  valeur de pont :

Ajouter / Suivre cibles
- personne
  pourquoi maintenant :
  chemin chaud :
  canal préféré :

Brouillons
- X DM :
- LinkedIn :
- Apple Mail :

Règles de contact sortant

  • Le chemin e-mail par défaut est la création d'un brouillon Apple Mail / Mail.app.
  • Ne pas envoyer automatiquement.
  • Choisir le canal en fonction de la chaleur, de la pertinence et de la profondeur de contexte.
  • Ne pas forcer un DM quand un e-mail ou aucun contact est la bonne décision.
  • Les brouillons doivent ressembler à l'utilisateur, pas à un texte de vente automatisé.

Skills associés

  • brand-voice pour le profil vocal réutilisable
  • social-graph-ranker pour le calcul autonome de valeur de pont et de chemins chauds
  • lead-intelligence pour la découverte pondérée de cibles et de chemins chauds
  • x-api pour l'accès au graphe X, la rédaction et les flux d'application optionnels
  • content-engine lorsque l'utilisateur souhaite également du contenu public autour des mouvements réseau

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 associés