Communitygithub.com

connections-optimizer

Reorganize a rede do usuário em vez de tratar saídas como uma lista de prospecção unidirecional.

O que é connections-optimizer?

O skill Connections Optimizer ajuda a reorganizar e otimizar a rede profissional do usuário nas plataformas X (antigo Twitter) e LinkedIn, transformando a gestão de relacionamentos em um processo estratégico e bidirecional, em vez de uma simples lista de prospecção fria. Ele analisa conexões existentes, identifica quem seguir, deixar de seguir ou manter, priorizando sinais como reciprocidade, relevância para metas atuais e valor de ponte na rede. Suporta modos de ação leve, padrão e agressivo, sempre com uma abordagem de revisão antes da aplicação automática, e gera rascunhos personalizados para contatos via DM do X, mensagens do LinkedIn ou Apple Mail, utilizando o perfil de voz do usuário. A ferramenta é ideal para profissionais que desejam limpar e equilibrar sua rede, melhorar a qualidade dos relacionamentos e aumentar a eficácia de abordagens de outreach baseadas em contexto e calor humano.

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Otimizador de Conexões

Reorganize a rede do usuário em vez de tratar saídas como uma lista de prospecção unidirecional.

Este skill gerencia:

  • Limpeza e expansão de seguidores no X
  • Análise de seguidores e conexões no LinkedIn
  • Filas de poda com revisão prioritária
  • Recomendações de adicionar e seguir
  • Identificação de caminhos quentes
  • Geração de rascunhos no Apple Mail, X DM e LinkedIn na voz real do usuário

Quando Ativar

  • O usuário quer podar seus seguidores no X
  • O usuário quer reequilibrar quem segue ou com quem mantém conexão
  • O usuário diz "limpar minha rede", "quem devo deixar de seguir", "quem devo seguir", "com quem devo me reconectar"
  • A qualidade do outreach depende da estrutura da rede, não apenas da geração de listas frias

Entradas Necessárias

Coletar ou inferir:

  • prioridades atuais e trabalho ativo
  • cargos-alvo, setores, geografias ou ecossistemas
  • seleção de plataforma: X, LinkedIn ou ambas
  • lista de não tocar
  • modo: light-pass, default ou aggressive

Se o usuário não especificar um modo, use default.

Requisitos de Ferramentas

Preferenciais

  • x-api para inspeção do grafo do X e atividade recente
  • lead-intelligence para descoberta de alvos e ranqueamento de caminhos quentes
  • social-graph-ranker quando o usuário quiser que o valor de ponte seja pontuado independentemente do fluxo de leads mais amplo
  • Exa / pesquisa profunda para enriquecimento de pessoas e empresas
  • brand-voice antes de redigir abordagens externas

Alternativas

  • controle de navegador para análise e redação no LinkedIn
  • controle de navegador para X se a cobertura da API for limitada
  • Apple Mail ou redação via Mail.app através de automação de desktop quando o e-mail for o canal adequado

Padrões de Segurança

  • O padrão é revisão primeiro, nunca poda automática cega
  • X: podar apenas contas que o usuário segue, nunca seguidores
  • LinkedIn: tratar remoção de conexões de 1º grau como manual-com-revisão
  • Não enviar DMs, convites ou e-mails automaticamente
  • Emitir um plano de ação ranqueado e rascunhos antes de qualquer etapa de aplicação

Regras de Plataforma

X

  • Mútuos são mais prioritários que seguidores unidirecionais
  • Não seguidos de volta podem ser podados de forma mais agressiva
  • Contas muito inativas ou desaparecidas devem ser destacadas rapidamente
  • Engajamento, qualidade de sinal e valor de ponte importam mais que número bruto de seguidores

LinkedIn

  • Priorizar API se o usuário realmente tiver acesso à API do LinkedIn
  • Fluxo via navegador deve funcionar quando o acesso à API não estiver disponível
  • Distinguir seguidores de saída de conexões de 1º grau aceitas
  • Seguidores de saída podem ser podados mais livremente
  • Conexões de 1º grau aceitas devem ser definidas como revisão, não remoção automática

Modos

light-pass

  • Podar apenas seguidores unidirecionais de baixo valor com alta confiança
  • Expor o restante para revisão
  • Gerar uma pequena lista de adicionar/seguir

default

  • Fila de poda equilibrada
  • Lista de manutenção equilibrada
  • Fila de adicionar/seguir ranqueada
  • Rascunhar introduções calorosas ou abordagens diretas onde for útil

aggressive

  • Fila de poda maior
  • Menor tolerância para não seguidos de volta obsoletos
  • Ainda com portão de revisão antes de aplicar

Modelo de Pontuação

Use estes sinais positivos:

  • reciprocidade
  • atividade recente
  • alinhamento com prioridades atuais
  • valor de ponte na rede
  • relevância de cargo
  • histórico real de engajamento
  • presença e capacidade de resposta recentes

Use estes sinais negativos:

  • conta desaparecida ou abandonada
  • seguimento unidirecional obsoleto
  • cluster de tópicos fora de prioridade
  • ruído de baixo valor
  • falta repetida de resposta
  • nenhum seguimento de volta quando existem muitos substitutos melhores

Mútuos e pontes reais de caminhos quentes devem ser penalizados de forma menos agressiva que seguidores unidirecionais.

Fluxo de Trabalho

  1. Capturar prioridades, restrições de não tocar e plataformas selecionadas.
  2. Obter o inventário atual de seguidores/conexões.
  3. Pontuar candidatos a poda com razões explícitas.
  4. Pontuar candidatos a manter com razões explícitas.
  5. Usar lead-intelligence mais superfícies de pesquisa para ranquear candidatos a expansão.
  6. Combinar o canal correto:
    • DM no X para pontos de contato sociais rápidos e calorosos
    • Mensagem no LinkedIn para adjacência no grafo profissional
    • Rascunho no Apple Mail para introduções ou abordagens de maior contexto
  7. Executar brand-voice antes de redigir mensagens.
  8. Retornar um pacote de revisão antes de qualquer etapa de aplicação.

Formato do Pacote de Revisão

RELATÓRIO DO OTIMIZADOR DE CONEXÕES
=====================================

Modo:
Plataformas:
Conjunto de Prioridades:

Fila de Poda
- handle / perfil
  motivo:
  confiança:
  ação:

Fila de Revisão
- handle / perfil
  motivo:
  risco:

Manter / Proteger
- handle / perfil
  valor de ponte:

Alvos para Adicionar/Seguir
- pessoa
  por que agora:
  caminho quente:
  canal preferido:

Rascunhos
- DM no X:
- LinkedIn:
- Apple Mail:

Regras de Abordagem Externa

  • O caminho padrão para e-mail é a criação de rascunho no Apple Mail / Mail.app.
  • Não enviar automaticamente.
  • Escolher o canal com base no calor, relevância e profundidade de contexto.
  • Não forçar um DM quando um e-mail ou nenhuma abordagem for a decisão correta.
  • Rascunhos devem soar como o usuário, não como texto de vendas automatizado.

Skills Relacionados

  • brand-voice para o perfil de voz reutilizável
  • social-graph-ranker para a matemática independente de pontuação de ponte e caminho quente
  • lead-intelligence para descoberta ponderada de alvos e caminhos quentes
  • x-api para acesso ao grafo do X, redação e fluxos opcionais de aplicação
  • content-engine quando o usuário também quiser conteúdo público de lançamento em torno de movimentos de rede

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.

Habilidades Relacionadas