Communitygithub.com

connections-optimizer

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

Qu'est-ce que connections-optimizer ?

Cette compétence optimise et réorganise le réseau professionnel d'un utilisateur sur X (Twitter) et LinkedIn, en dépassant la simple prospection à froid. Elle analyse les abonnements et connexions existants pour identifier les comptes à conserver, à supprimer ou à ajouter, en fonction des priorités actuelles, des rôles cibles et des secteurs d'intérêt. Le système utilise des signaux positifs (réciprocité, activité récente, valeur de pont réseau) et négatifs (comptes inactifs, abonnements à sens unique obsolètes, bruit) pour générer des files d'attente de nettoyage et de recommandations. Il prend en charge plusieurs modes d'intensité (léger, par défaut, agressif) et intègre une génération de brouillons dans la voix réelle de l'utilisateur via X DM, LinkedIn ou Apple Mail, tout en imposant une révision humaine avant toute action automatique.

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

Demander à votre IA préférée

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

Documentation

Optimiseur de Connexions

Réorganise le réseau de l'utilisateur au lieu de traiter les abonnements sortants comme une simple liste de prospection à sens unique.

Cette compétence gère :

  • Nettoyage et expansion de l'abonnement X
  • Analyse des abonnements et connexions LinkedIn
  • Files d'attente de nettoyage avec révision préalable
  • Recommandations d'ajout et d'abonnement
  • 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 avec qui il reste connecté
  • L'utilisateur dit "nettoyer mon réseau", "qui devrais-je ne plus suivre", "qui devrais-je suivre", "avec qui devrais-je me reconnecter"
  • La qualité des actions de prospection dépend de la structure du réseau, pas seulement de la génération de listes à froid

Entrées Requises

Collecter ou déduire :

  • Priorités actuelles et travail actif
  • Rôles, secteurs, zones géographiques ou écosystèmes cibles
  • Sélection de la plateforme : X, LinkedIn, ou les deux
  • Liste à ne pas toucher
  • Mode : light-pass, default ou aggressive

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

Prérequis Techniques

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 en dehors du flux de prospection principal
  • Exa / recherche approfondie pour l'enrichissement des personnes et des entreprises
  • brand-voice avant de rédiger des messages sortants

Solutions de Rechange

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

Sécurité par Défaut

  • Par défaut, révision avant action, jamais de nettoyage automatique aveugle
  • X : ne nettoyer que les comptes que l'utilisateur suit, jamais les followers
  • LinkedIn : traiter la suppression de connexions de 1er degré comme devant être revue manuellement d'abord
  • Ne pas envoyer automatiquement de DM, d'invitations ou d'e-mails
  • Produire un plan d'action classé et des brouillons avant toute étape d'application

Règles par Plateforme

X

  • Les relations mutuelles sont plus stables que les abonnements à sens unique
  • Les comptes qui ne suivent pas en retour peuvent être nettoyés plus agressivement
  • Les comptes fortement inactifs ou disparus doivent être signalés rapidement
  • L'engagement, la qualité du signal et la valeur de pont comptent plus que le nombre brut d'abonnés

LinkedIn

  • Priorité à l'API si l'utilisateur a effectivement un accès API LinkedIn
  • Le flux navigateur doit fonctionner lorsque l'accès API est absent
  • Distinguer les abonnements sortants des connexions de 1er degré acceptées
  • Les abonnements sortants peuvent être nettoyés plus librement
  • Les connexions de 1er degré acceptées doivent par défaut être examinées, pas supprimées automatiquement

Modes

light-pass

  • Ne nettoyer que les abonnements à sens unique de faible valeur à haute confiance
  • Présenter le reste pour examen
  • Générer une petite liste d'ajouts/d'abonnements

default

  • File d'attente de nettoyage équilibrée
  • Liste de conservation équilibrée
  • File d'attente d'ajouts/d'abonnements classée
  • Brouillons d'introductions chaleureuses ou de prospection directe si pertinent

aggressive

  • File d'attente de nettoyage plus large
  • Tolérance plus faible pour les non suiveurs en retour obsolètes
  • Toujours soumis à révision avant application

Modèle de Scoring

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
  • Abonnement à sens unique obsolète
  • Cluster thématique hors priorité
  • Bruit de faible valeur
  • Non-réponse répétée
  • Pas de suivi en retour quand de meilleures alternatives existent

Les relations mutuelles et les ponts chauds réels doivent être pénalisés moins agressivement que les abonnements à sens unique.

Flux de Travail

  1. Capturer les priorités, les contraintes "ne pas toucher" et les plateformes sélectionnées.
  2. Récupérer l'inventaire actuel des abonnements/connexions.
  3. Scorer les candidats au nettoyage avec des raisons explicites.
  4. Scorer les candidats à conserver avec des raisons explicites.
  5. Utiliser lead-intelligence et les surfaces de recherche pour classer les candidats à l'expansion.
  6. Associer le bon canal :
    • X DM pour des points de contact sociaux rapides et chaleureux
    • Message LinkedIn pour une proximité dans le graphe professionnel
    • Brouillon Apple Mail pour des présentations ou prospections à plus fort contexte
  7. Exécuter brand-voice avant de rédiger les messages.
  8. Retourner un dossier de révision avant toute étape d'application.

Format du Dossier de Révision

RAPPORT D'OPTIMISATION DES CONNEXIONS
======================================

Mode :
Plateformes :
Ensemble de priorités :

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

File de Révision
- pseudo / profil
  raison :
  risque :

Conserver / Protéger
- pseudo / profil
  valeur de pont :

Cibles d'Ajout / d'Abonnement
- personne
  pourquoi maintenant :
  chemin chaud :
  canal préféré :

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

Règles de Prospection Sortante

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

Compétences Connexes

  • brand-voice pour le profil vocal réutilisable
  • social-graph-ranker pour le scoring de pont et le calcul des chemins chauds autonomes
  • 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 de lancement public autour des mouvements de 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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

Skills associés