Досье на клиента-компанию
Собирает из Common Room справку о компании-клиенте или отвечает на точечный вопрос о ней: сигналы, оценки, главные контакты, ответственный.
- Что делает
- Собирает из Common Room справку о компании-клиенте или отвечает на точечный вопрос о ней: сигналы, оценки, главные контакты, ответственный.
- Когда брать
- Когда нужно быстро понять, что происходит с клиентом или потенциальным клиентом, и какие сигналы он подаёт.
- Когда не брать
- Если Common Room не подключён: скилл опирается только на его данные.
- Пример запроса
- Изучи компанию datadog.com и скажи, какие сигналы она сейчас подаёт.
- Нужно подключить
- Common Room
Входит в плагин common-room. В Cowork и Claude Code можно поставить плагин целиком.
Как включить
- Нажмите «Скачать на русском» и сохраните архив.
- В Claude откройте Настройки → Capabilities → Skills → Upload skill и выберите архив.
- Включите скилл переключателем.
Для терминала
Распакуйте архив и положите папку account-research в ~/.claude/skills/. Файл SKILL.md должен лежать внутри этой папки.
Текст
---
name: account-research
description: "Изучает компанию по данным Common Room. Срабатывает на «изучи [компанию]», «расскажи про [домен]», «покажи сигналы по [клиенту]», «что происходит с [компанией]» и любой вопрос на уровне клиента-компании."
---Изучение клиента-компании
Получай и обобщай сведения о клиенте-компании из Common Room. Скилл работает в четырёх сценариях: полный обзор, точечные вопросы по полям, ситуации с малым объёмом данных и сочетание данных MCP с рассуждением LLM.
Шаг 0: Загрузи контекст пользователя (Me)
Прежде чем изучать любого клиента, получи из Common Room объект Me. Он содержит:
- профиль пользователя, его должность, роль и персону (Persona) в CR
- сегменты пользователя («Мои сегменты», My Segments)
Все запросы по умолчанию ограничивай сегментами самого пользователя, если только он явно не просит более широкий охват. Так результаты остаются в рамках его территории.
Шаг 1: Определи сценарий взаимодействия
Прежде чем решать, сколько данных запрашивать, выясни, что пользователю нужно на самом деле:
Сценарий 1 — полный обзор: «Расскажи про Datadog» / «Сделай сводку по cloudflare.com» → Запроси полный набор полей и подготовь структурированную справку.
Сценарий 2 — точечный вопрос: «Кто ведёт клиента Snowflake?» / «Есть ли у acme.io сигналы готовности к покупке?» / «Сколько сотрудников в notion.so?» → Запроси только нужные поля. Дай прямой краткий ответ: на простой вопрос полную справку не составляй.
Сценарий 3 — мало данных: «Расскажи про tiny-startup.io» → Если в Common Room по клиенту ограниченные данные, скажи об этом честно: «По этому клиенту доступно мало информации». Никогда не строй догадок и не заполняй пробелы общими фразами.
Сценарий 4 — рассуждение поверх данных: запроси структурированные данные через MCP, затем добавь анализ LLM. Например: «В Stripe 8 000 сотрудников, и компания активно набирает людей на роли в области ИИ. С учётом вашего ICP — финтех-компании на 1–10 тыс. человек — это сильное соответствие».
Шаг 2: Найди клиента
Найди клиента в Common Room по домену или названию компании. Сначала ищи точное совпадение; если результата нет, попробуй частичное и подтверди его с пользователем, прежде чем продолжать.
Шаг 3: Запроси нужные поля
Используй каталог объектов Common Room, чтобы увидеть доступные группы полей и их содержимое. Для полных обзоров запрашивай все группы полей. Для точечных вопросов запрашивай только относящееся к делу.
Ключевые группы полей, которые нужно знать:
- Оценки (Scores) — всегда возвращай как исходные значения или процентили, никогда не словесные метки
- Сводное исследование (Summary research) — результат RoomieAI; часто самый богатый качественный сигнал
- Главные контакты (Top contacts) — отсортированы по убыванию оценки; для полной выборки используй communityMemberID
Что запрашивать:
| Тип запроса пользователя | Какие поля запросить |
|---|---|
| Полный обзор клиента | Все группы полей |
| «Кто ведёт этого клиента?» | Профили компании и ссылки (Company profiles & links), поля CRM (CRM fields) |
| «Подходит ли эта компания?» | Ключевые поля (Key fields), оценки (Scores), описание (about) |
| «Какие сигналы подаёт этот клиент?» | Оценки (Scores), сводное исследование (Summary research), поля CRM (CRM fields) |
| «Кто главные контакты?» | Главные контакты (Top contacts) |
| «Что RoomieAI говорит о них?» | Сводное исследование (Summary research), все исследования (all research) |
| «Найди инженеров в этой компании» | Потенциальные клиенты (Prospects) с фильтром по должности |
Шаг 4: Поиск в интернете (только при малом объёме данных)
Common Room — основной источник данных. Не запускай поиск в интернете, если CR вернул богатые данные.
Когда данных в CR мало (сценарий 3: вернулось несколько полей, нет активности, нет оценок), запусти точечный поиск в интернете, чтобы заполнить пробелы:
"[название компании]" news— за последние 30 дней- Ищи: раунды финансирования, поглощения, запуски продуктов, смену руководителей, публикации в прессе
Если пользователь прямо просит внешний контекст или свежие новости, запускай поиск в интернете независимо от богатства данных.
Шаг 5: Примени рассуждение (сценарий 4)
Когда вопрос пользователя предполагает обобщение, а не просто извлечение данных, добавь анализ:
- Сравни данные о клиенте с известными критериями ICP из контекста сессии
- Выяви признаки соответствия (размер, отрасль, технологический стек, характер найма)
- Отметь признаки подходящего момента (финансирование, статус пробного периода, всплеск недавней активности)
- Формулируй выводы так, чтобы было ясно: они получены из данных, а не предположены
Если известен контекст компании пользователя (см. references/my-company-context.md), соотноси находки с ценностным предложением и ICP пользователя.
Шаг 6: Подготовь результат
Включай только те разделы, по которым Common Room вернул реальные данные. Разделы без данных полностью пропускай, а не заполняй догадками.
Полный обзор (когда данных много):
## [Название компании] — обзор клиента
**Общая картина**
[2–3 предложения: чем занимается, тариф/стадия, статус отношений]
**Ключевые сведения**
[Число сотрудников, отрасль, местоположение, домен, финансирование — из ключевых полей]
**CRM и ответственный** [Если вернулись поля CRM]
[Ответственный, стадия сделки, ARR]
**Оценки** [Если вернулись оценки]
[Все доступные оценки как исходные значения или процентили]
**Главные сигналы** [Если есть активность/сигналы]
[3–5 самых важных сигналов с датами]
**Главные контакты** [Если вернулись контакты]
[Имя | Должность | Оценка — первые 5 по убыванию оценки]
**Исследование RoomieAI** [Если сводное исследование не пустое]
[Результат сводного исследования; перечисли названия всех доступных тем исследования]
**Рекомендуемые следующие шаги**
[2–3 конкретных действия, подкреплённых сигналами]Точечный вопрос: прямой ответ из 1–3 предложений. Полная справка не нужна.
Мало данных (вернулось несколько полей, большинство разделов были бы пустыми):
## [Название компании] — обзор клиента (данных мало)
**Доступные данные:** [Перечисли точно, что вернул Common Room]
[Покажи только вернувшиеся поля]
**Поиск в интернете**
[Результаты поиска в интернете — или «Значимых свежих новостей не найдено»]
**Примечание:** в Common Room мало данных по этому клиенту. Возможно, его нужно обогатить в Common Room.Стандарты качества
- Оценки всегда приводи как исходные значения или процентили, никогда не как категориальные метки
- На точечные вопросы отвечай точно и не выдавай лишнего
- Прямо говори, когда данных нет или они устарели; не строй догадок
- Полные справки должны читаться за 2–3 минуты
- Каждый факт должен прослеживаться до вызова инструмента — не включай данные, которые Common Room не вернул
Справочные файлы
- **
references/signals-guide.md** — классификация типов сигналов и руководство по их толкованию
Перевод: iiuniversitet. Оригинал: https://github.com/anthropics/knowledge-work-plugins/tree/main/partner-built/common-room/skills/account-research, лицензия Apache-2.0. Изменения: перевод на русский язык.
Оригинал на английском
---
name: account-research
description: "Research a company using Common Room data. Triggers on 'research [company]', 'tell me about [domain]', 'pull up signals for [account]', 'what's going on with [company]', or any account-level question."
---
# Account Research
Retrieve and synthesize account information from Common Room. Handles four interaction patterns: full overviews, targeted field questions, sparse data situations, and combined MCP data + LLM reasoning.
## Step 0: Load User Context (Me)
Before researching any account, fetch the `Me` object from Common Room. This provides:
- The user's profile, title, role, and Persona in CR
- The user's segments ("My Segments")
Default all queries to the user's own segments unless the user explicitly asks for a broader view. This keeps results scoped to their territory.
## Step 1: Identify the Interaction Pattern
Determine what the user actually needs before deciding how much data to fetch:
**Pattern 1 — Full Overview:** "Tell me about Datadog" / "Summarize cloudflare.com"
→ Fetch the full field set and produce a structured briefing.
**Pattern 2 — Targeted Question:** "Who owns the Snowflake account?" / "Is acme.io showing buying signals?" / "What's the employee count for notion.so?"
→ Fetch only the relevant field(s). Return a direct, concise answer — do not produce a full brief for a simple question.
**Pattern 3 — Sparse Data:** "Tell me about tiny-startup.io"
→ If Common Room has limited data for an account, say so honestly: "There is limited information available for this account." Never speculate or fill gaps with generic statements.
**Pattern 4 — Combined Reasoning:** Fetch structured MCP data, then layer in LLM analysis — e.g., "Stripe has 8,000 employees and is hiring heavily for AI roles. Based on your ICP of 1k–10k fintech companies, this is a strong fit."
## Step 2: Look Up the Account
Search Common Room for the account by domain or company name. Exact match first; if no result, try partial match and confirm with the user before proceeding.
## Step 3: Fetch the Right Fields
Use the Common Room object catalog to see available field groups and their contents. For full overviews, request all field groups. For targeted questions, request only what's relevant.
**Key field groups to know about:**
- **Scores** — always return as raw values or percentiles, never labels
- **Summary research** — RoomieAI output; often the richest qualitative signal
- **Top contacts** — sorted by score desc; use communityMemberID for full lookups
**Choosing what to fetch:**
| User query type | Fields to request |
|-----------------|------------------|
| Full account overview | All field groups |
| "Who owns this account?" | Company profiles & links, CRM fields |
| "Is this company a good fit?" | Key fields, scores, about |
| "What signals is this account showing?" | Scores, summary research, CRM fields |
| "Who are the top contacts?" | Top contacts |
| "What does RoomieAI say about them?" | Summary research, all research |
| "Find engineers at this account" | Prospects (with title filter) |
## Step 4: Web Search (Sparse Data Only)
Common Room is the primary data source. Do not run web search when CR returns rich data.
When CR data is sparse (Pattern 3 — few fields returned, no activity, no scores), run a targeted web search to fill gaps:
- `"[company name]" news` — scoped to the last 30 days
- Look for: funding rounds, acquisitions, product launches, executive changes, press coverage
If the user explicitly asks for external context or recent news, run web search regardless of data richness.
## Step 5: Apply Reasoning (Pattern 4)
When the user's question invites synthesis — not just data retrieval — layer in analysis:
- Compare account data to known ICP criteria from session context
- Identify fit signals (size, industry, tech stack, hiring patterns)
- Note timing signals (funding, trial status, recent activity spike)
- Frame insights as clearly derived from data, not assumed
When the user's company context is available (see `references/my-company-context.md`), position findings relative to the user's value proposition and ICP.
## Step 6: Produce Output
Only include sections where Common Room returned actual data. Omit sections entirely rather than filling them with guesses.
**Full overview (when data is rich):**
```
## [Company Name] — Account Overview
**Snapshot**
[2–3 sentences: what they do, plan/stage, relationship status]
**Key Details**
[Employee count, industry, location, domain, funding — from key fields]
**CRM & Ownership** [If CRM fields returned]
[Owner, opp stage, ARR]
**Scores** [If scores returned]
[All available scores as raw values or percentiles]
**Signal Highlights** [If activity/signals exist]
[3–5 most important signals with dates]
**Top Contacts** [If contacts returned]
[Name | Title | Score — top 5 sorted by score desc]
**RoomieAI Research** [If summary research is non-null]
[Summary research output; list all available research topic names]
**Recommended Next Steps**
[2–3 specific, signal-backed actions]
```
**Targeted question:** 1–3 sentence direct answer. No full brief needed.
**Sparse data (few fields returned, most sections would be empty):**
```
## [Company Name] — Account Overview (Limited Data)
**Data available:** [List exactly what Common Room returned]
[Present only the returned fields]
**Web Search**
[Findings from web search — or "No significant recent news found"]
**Note:** Common Room has limited data on this account. The account may need enrichment in Common Room.
```
## Quality Standards
- Scores must always be raw values or percentiles — never categorical labels
- For targeted questions, answer precisely and don't over-deliver
- Be explicit when data is missing or stale — don't speculate
- Keep full briefings readable in 2–3 minutes
- **Every fact must trace to a tool call** — don't include data not returned by Common Room
## Reference Files
- **`references/signals-guide.md`** — signal type taxonomy and interpretation guide
Источник: anthropics/knowledge-work-plugins / common-room / account-research ↗. Ссылка проверена 2026-10-10.