Apollo 插件实战：在 Claude Cowork 中一键集成 Apollo MCP，完成线索挖掘、联系人富化与外呼序列批量加载-酒店常州论坛

Apollo 插件实战：在 Claude Cowork 中一键集成 Apollo MCP，完成线索挖掘、联系人富化与外呼序列批量加载

【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins

本篇技术指南围绕本仓库中的 Apollo 插件展开，该插件由 Apollo.io 官方构建，将 Apollo MCP Server 与 Claude Cowork / Claude Code 深度集成：无需手动配置 MCP 服务器，安装后即可用三个斜杠命令完成"线索挖掘（prospect）→ 联系人富化（enrich-lead）→ 序列批量加载（sequence-load）"的完整销售外呼工作流。读完本文，你将掌握该插件的架构组成、三大技能的执行管线、涉及的核心 Apollo MCP 工具与参数，以及安装、OAuth 鉴权和 Credit 消耗机制。

插件是什么：一个"零代码"的文件化技能包

从仓库结构看，Apollo 插件完全遵循知识工作插件的通用组织方式——全部由 Markdown 与 JSON 文件构成，没有代码、没有构建步骤、没有基础设施依赖：

partner-built/apollo/ ├── .claude-plugin/plugin.json # 插件清单（元数据） ├── .mcp.json # MCP 服务器连接配置 ├── LICENSE # MIT 许可 ├── README.md # 插件说明文档 └── skills/ ├── enrich-lead/ │ └── SKILL.md # 联系人富化技能 ├── prospect/ │ └── SKILL.md # ICP 线索挖掘技能 └── sequence-load/ └── SKILL.md # 序列批量加载技能

插件清单 .claude-plugin/plugin.json 声明了插件身份：名称为apollo，版本0.1.0，作者为 Apollo.io，采用 MIT 许可，关键字覆盖apollo、sales、prospecting、icp、enrichment、sequences、mcp。它描述的核心价值是"3 个预置技能将多个 Apollo API 串联成完整销售工作流——无需手动步骤、无需切换标签页"。

每个技能都是带 YAML frontmatter 的 Markdown 文件，其中name、description、user-invocable: true与argument-hint共同决定了该命令如何被 Claude 识别、何时被唤起、以及如何提示用户输入参数——这正是"文件即技能"这一插件理念的具体体现。

一键式 MCP 服务器集成

插件最突出的设计是安装即自动完成 Apollo MCP Server 配置。查看 .mcp.json 可以看到全部连接配置只有四行：

{ "mcpServers": { "apollo": { "type": "http", "url": "https://mcp.apollo.io/mcp" } } }

也就是说，Apollo 的 MCP 服务器是由官方托管的 HTTP 远程服务，插件通过该文件把服务器地址、传输方式（type: http）一次性声明好。用户安装插件后无需手动编辑任何配置文件，只需用 Apollo 账号完成 OAuth 鉴权，Claude 就能直接调用 Apollo 的后台 API。插件文档也特别强调："无需手动服务器设置，无需编辑配置文件——安装插件并完成鉴权即可"。

三大核心技能详解

插件自带三个高价值技能，每个技能都将多个 Apollo MCP 工具串联成端到端的可执行流程。下表是官方 README 中的能力总览：

技能	功能
`/apollo:enrich-lead`	输入姓名、LinkedIn URL 或邮箱，返回包含邮箱、电话、公司情报与下一步动作的完整联系人卡片
`/apollo:prospect`	用自然语言描述理想客户画像（ICP），返回排序后的、已富化的决策者线索排名表
`/apollo:sequence-load`	查找线索、富化、去重后批量载入外呼序列，自动处理去重与报名（enrollment）

enrich-lead：任意标识 → 完整联系人档案

技能定义于 skills/enrich-lead/SKILL.md，argument-hint为[name, company, LinkedIn URL, or email]。官方示例展示了它接受的输入形态：

/apollo:enrich-lead Tim Zheng at Apollo
/apollo:enrich-lead https://www.linkedin.com/in/timzheng
/apollo:enrich-lead sarah@stripe.com
/apollo:enrich-lead Jane Smith, VP Engineering, Notion
/apollo:enrich-lead CEO of Figma

执行管线分为五步：

Step 1 — 解析输入：从$ARGUMENTS中提取一切可用标识——名、姓、公司名或域名、LinkedIn URL、邮箱、职位（作为匹配提示）。若输入存在歧义（例如只有 "CEO of Figma"），先调用mcp__claude_ai_Apollo_MCP__apollo_mixed_people_api_search，带上相关职位与域名过滤条件定位人选，再进入富化环节。

Step 2 — 富化联系人：调用mcp__claude_ai_Apollo_MCP__apollo_people_match，按已知信息传入first_name、last_name、domain/organization_name、linkedin_url、email，并将reveal_personal_emails设为true（是否揭示个人邮箱）。技能文件在此明确要求：调用前必须告知用户富化会消耗 1 个 Apollo Credit。若精确匹配失败，则以更宽松的过滤条件调用apollo_mixed_people_api_search，给出前 3 个候选，由用户选择后重新富化。

Step 3 — 富化公司：调用mcp__claude_ai_Apollo_MCP__apollo_organizations_enrich，用人物的公司域名拉取公司基本信息（firmographic）背景。

Step 4 — 输出联系人卡片：技能规定了严格的输出格式——姓名与职位一行、公司信息一行、随后是字段明细表：

**[Full Name]** | [Title] [Company Name] · [Industry] · [Employee Count] employees | Field | Detail | |---|---| | Email (work) | ... | | Email (personal) | ... (if revealed) | | Phone (direct) | ... | | Phone (mobile) | ... | | Phone (corporate) | ... | | Location | City, State, Country | | LinkedIn | URL | | Company Domain | ... | | Company Revenue | Range | | Company Funding | Total raised | | Company HQ | Location |

Step 5 — 提供下一步动作，让用户选择：

保存到 Apollo——调用mcp__claude_ai_Apollo_MCP__apollo_contacts_create，run_dedupe设为true，创建为联系人；
加入序列——询问目标序列后走 sequence-load 流程；
找同事——用apollo_mixed_people_api_search，q_organization_domains_list设为该公司域名；
找相似人群——用相同职位/资历在其他公司检索相似人选。

prospect：自然语言 ICP → 排序线索表

技能定义于 skills/prospect/SKILL.md，argument-hint为[describe your ideal customer]。官方示例：

/apollo:prospect VP of Engineering at Series B+ SaaS companies in the US, 200-1000 employees
/apollo:prospect heads of marketing at e-commerce companies in Europe
/apollo:prospect CTOs at fintech startups, 50-500 employees, New York
/apollo:prospect procurement managers at manufacturing companies with 1000+ employees
/apollo:prospect SDR leaders at companies using Salesforce and Outreach

执行管线分为七步：

Step 1 — 解析 ICP：从自然语言描述中抽取结构化过滤条件。公司维度：行业/垂直关键词 →q_organization_keyword_tags；员工数区间 →organization_num_employees_ranges；公司地点 →organization_locations；指定域名 →q_organization_domains_list。人物维度：职位 →person_titles；资历级别 →person_seniorities；人物地点 →person_locations。若 ICP 描述含糊，先提 1～2 个澄清问题；最低限度必须要有职位/角色 + 行业或公司规模。

Step 2 — 搜索公司：调用mcp__claude_ai_Apollo_MCP__apollo_mixed_companies_search，带上公司过滤条件，per_page设为 25。

Step 3 — 富化头部公司：对前 10 家公司域名调用mcp__claude_ai_Apollo_MCP__apollo_organizations_bulk_enrich，获取营收、融资、员工数等数据用于公司排序。

Step 4 — 找决策者：调用mcp__claude_ai_Apollo_MCP__apollo_mixed_people_api_search，传入 ICP 中的person_titles、person_seniorities，并用q_organization_domains_list限定在已富化的公司域名内，per_page设为 25。

Step 5 — 富化头部线索：调用mcp__claude_ai_Apollo_MCP__apollo_people_bulk_match，每次调用最多富化 10 条，每人传first_name、last_name、domain，reveal_personal_emails设为true；超过 10 条则分批调用。技能文件在此明确要求：行动前必须告知用户将精确消耗多少个 Credit。

Step 6 — 输出排序线索表：按官方格式展示：

### Leads matching: [ICP Summary] | # | Name | Title | Company | Employees | Revenue | Email | Phone | ICP Fit | |---|---|---|---|---|---|---|---|---|

ICP Fit 打分规则（四维：职位、资历、公司规模、行业）：

Strong：四项全部匹配；
Good：四项中匹配三项；
Partial：四项中匹配两项。

结尾附摘要：Found X leads across Y companies. Z credits consumed.

Step 7 — 提供下一步动作：全部保存到 Apollo（apollo_contacts_create+run_dedupe: true）、载入序列（走 sequence-load 流程）、深挖某公司（运行/apollo:company-intel）、调整过滤条件重跑、或将线索格式化为 CSV 风格表格便于复制导出。

sequence-load：线索查找、富化、去重、报名一气呵成

技能定义于 skills/sequence-load/SKILL.md，argument-hint为[targeting criteria + sequence name]。官方示例：

/apollo:sequence-load add 20 VP Sales at SaaS companies to my "Q1 Outbound" sequence
/apollo:sequence-load SDR managers at fintech startups → Cold Outreach v2
/apollo:sequence-load list sequences（列出所有可用序列）
/apollo:sequence-load directors of engineering, 500+ employees, US → Demo Follow-up
/apollo:sequence-load reload 15 more leads into "Enterprise Pipeline"

执行管线分为八步：

Step 1 — 解析输入：抽取定位条件（person_titles、person_seniorities、q_organization_keyword_tags、organization_num_employees_ranges、person_locations/organization_locations）与序列信息——序列名（"to"、"into"、"→" 之后的文本）和数量（未指定时默认为 10）。若用户只说 "list sequences"，直接跳到第 2 步展示全部序列。

Step 2 — 找到目标序列：调用mcp__claude_ai_Apollo_MCP__apollo_emailer_campaigns_search，q_name设为序列名。若无匹配或有多个匹配，则以| Name | ID | Status |表格列出全部序列，请用户选择。

Step 3 — 获取发信邮箱账号：调用mcp__claude_ai_Apollo_MCP__apollo_email_accounts_index列出已关联的邮箱账号——只有一个则自动使用；多个则展示并询问以哪个账号发送。

Step 5 — 富化并创建联系人：对每个获批线索，先用mcp__claude_ai_Apollo_MCP__apollo_people_bulk_match（每批最多 10 条，传first_name、last_name、domain，reveal_personal_emails为true）富化；再逐人调用mcp__claude_ai_Apollo_MCP__apollo_contacts_create，传入first_name、last_name、email、title、organization_name，有电话则填direct_phone或mobile_phone，run_dedupe设为true以开启去重，并收集所有创建出的联系人 ID。

Step 6 — 加入序列：调用mcp__claude_ai_Apollo_MCP__apollo_emailer_campaigns_add_contact_ids，关键参数为：id与emailer_campaign_id（均为序列 ID）、contact_ids（创建的联系人 ID 数组）、send_email_from_email_account_id（第 3 步选定的邮箱账号 ID），以及sequence_active_in_other_campaigns: false（安全默认值）。

Step 7 — 确认报名结果：输出如下摘要：

**Sequence loaded successfully** | Field | Value | |---|---| | Sequence | [Name] | | Contacts added | [count] | | Sending from | [email address] | | Credits used | [count] | **Contacts enrolled:** | Name | Title | Company | Email | |---|---|---|---|

Step 8 — 提供下一步动作：继续加载下一批线索、查看序列详情与已报名联系人、用mcp__claude_ai_Apollo_MCP__apollo_emailer_campaigns_remove_or_stop_contact_ids移除特定联系人、或用status: "paused"加auto_unpause_at日期重新添加来暂停某个联系人。

安装方式：Cowork 与 Claude Code 双通道

Claude Cowork（一键安装）

Cowork 用户只需点击 README 中的安装链接（Install in Cowork），即可一步完成安装；安装后重启 Cowork，确保 MCP 服务器正确启动。

Claude Code（命令行安装）

Claude Code 用户按三步操作：

1. 添加插件市场（marketplace）：

/plugin marketplace add apolloio/apollo-mcp-plugin

2. 安装插件：

/plugin install apollo@apollo-plugin-marketplace

3. 重启 Claude Code：确保 MCP 服务器正确启动。

鉴权：OAuth 一次登录，全程可用

Apollo MCP Server 采用OAuth鉴权，流程简洁：

安装完成后，在 Claude Code 或 Cowork 中运行/mcp；
选中Apollo服务器并点击Authenticate；
在浏览器中完成 Apollo.io 登录；
完成——所有命令即刻可用。

Credit 消耗机制与费用提醒

Apollo 的部分操作会消耗 Apollo 平台 Credit（额度），这是使用该插件必须明确的成本模型：

人物富化（三个技能都会用到）按人计费，每人消耗 1 个 Credit；
批量富化（/apollo:prospect、/apollo:sequence-load使用）按批次中的人数计费，每人 1 个 Credit；
插件在任何消耗 Credit 的操作前都会先向用户发出警告——这一点在三个 SKILL.md 文件中均有明确指令（enrich-lead 要求在apollo_people_match前告知、prospect 要求在apollo_people_bulk_match前告知确切数量、sequence-load 要求在报名前给出预览与确认），确保费用透明、可控。

自定义与扩展思路

插件是文件化的，修改成本极低，可围绕团队实际流程做定制：

调整技能指令：直接编辑 skills/enrich-lead/SKILL.md、skills/prospect/SKILL.md 与 skills/sequence-load/SKILL.md，例如修改联系人卡片字段、调整 ICP 澄清问题的数量、改变 ICP Fit 打分阈值或默认批量大小；
调整输出规范：prospect 技能中的 ICP Fit 三级打分、sequence-load 中的预览与确认环节，都可以按销售团队的内部约定改写；
扩展技能：参照现有 SKILL.md 的 frontmatter 与步骤式编排，新增如/apollo:company-intel等基于 Apollo MCP 工具的新技能（README 与技能文件中已多次提及这一扩展点）。

许可与致谢

插件采用 MIT 许可，详见 LICENSE。其中 MCP Server 由 Apollo.io 提供，插件规范（Plugin Specification）由 Anthropic 提供。在整个 knowledge-work-plugins 仓库中，该插件属于partner-built（合作伙伴构建）目录，与销售、营销等业务插件的定位互补，专为面向 Apollo 数据源的销售外呼场景设计。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析