在Google Sheets里给LinkedIn公司打ICP匹配分

原文要点

原模板在Google Sheets的Input页粘贴LinkedIn公司链接，通过Periodix Actions节点抓取完整公司档案：行业、人数与区间、6/12/24个月人数增长、平均在职时长、总部与全部办公室、成立年份、粉丝数、网站、专长、标语与简介；再用Claude（可换OpenAI或Gemini）按你写的ICP描述打1到10分并给一句话理由，分数、理由和是否匹配写回Researched页，已查过的自动跳过。ICP描述和分数阈值集中在一个配置步骤。Periodix Actions是付费服务，作者称起步价每月10美元、含1000次查询，并称其经LinkedIn自身基础设施连接而非浏览器抓取，这些说法均出自作者。

这次做成什么

做一个“贴链接→抓档案→AI打ICP分→写回表格”的研究流程，并用一个可调阈值决定是否合格。本站给出ICP提示词、表结构和三行虚构输入的演练方案；Periodix账号与付费要求以官方为准。

准备什么

• Periodix Actions账号并已连接一个LinkedIn档案（官方称有免费试用）
• n8n Cloud或自托管实例，已安装Periodix Actions节点
• AI提供方API密钥：Claude默认，也可OpenAI或Gemini
• Google账号及Sheets OAuth2凭据，建好Input和Researched两个标签页

具体怎么做

1. 建表与写ICP配置

   建两个标签页：Input页只要一列company_url；Researched页按材料2的表头建齐24列。打开ICP Config步骤，用两三句话写清你的理想客户画像（行业、规模、地区、增长特征），并把score_threshold设为7作为起步值。

2. 配置抓取节点

   在Periodix Actions的Get Company Profile节点里选择已连接的LinkedIn档案。前置节点读取Input页所有行，并与Researched页已有company_url比对，跳过已研究过的公司。注意每次公司查询计一次result额度。

3. 配置ICP打分节点

   在ICP Fit节点接入你的AI凭据，使用材料1的提示词：把ICP描述与抓到的公司档案字段拼入，要求模型只输出JSON（score、reason）。解析后按score_threshold得出icp_fit（yes/no），连同扁平化后的档案字段一起追加到Researched页，并写researched_at时间戳。

4. 小批量试跑与调阈值

   先贴3到5条链接手动触发，检查Researched页各行字段是否齐全、理由是否对应ICP要点。若误放太多就调高score_threshold，漏掉目标客户就调低或改写ICP描述；确认稳定后可把手动触发换成Schedule Trigger自动处理新行。

可直接复制的材料

你是B2B销售研究助手。根据下面的理想客户画像（ICP）和一家公司档案，判断匹配程度。
严格只输出JSON：{"score": 7, "reason": "一句话理由，不超过50字，须引用档案中的具体事实"}
评分标准：10分=行业、规模、地区、增长全部契合；7分=核心条件契合、个别项不符；4分=部分契合但关键短板明显；1分=基本无关。不要因为公司知名度加分。
ICP描述：{{$json.icp_description}}
公司档案：行业{{$json.industry}}；人数{{$json.employee_count}}（{{$json.employee_range}}）；近12个月人数增长{{$json.headcount_growth_12m}}；平均在职{{$json.avg_tenure}}；总部{{$json.hq_city}}, {{$json.hq_country}}；专长{{$json.specialties}}；简介{{$json.description}}

{
  "researched_headers": ["company_url", "public_identifier", "name", "website", "industry", "employee_count", "employee_range", "hq_city", "hq_country", "offices", "office_count", "founded", "followers", "headcount_growth_6m", "headcount_growth_12m", "headcount_growth_24m", "avg_tenure", "specialties", "tagline", "description", "icp_score", "icp_reason", "icp_fit", "researched_at"],
  "icp_config": {
    "icp_description": "面向中国SaaS出海服务商，目标客户是50到500人、总部在长三角或珠三角、近一年人数正增长的跨境电商或制造业软件公司。",
    "score_threshold": 7
  }
}

company_url
https://www.linkedin.com/company/example-sailsoft/
https://www.linkedin.com/company/example-harborparts/
https://www.linkedin.com/company/example-lantern-media/

输入与输出示例

本站虚构演示，未真实调用Periodix或任何模型；分数与理由为结构示意，不代表真实公司。

输入

Input页贴入上述3条虚构链接，ICP为“50到500人、长三角/珠三角、近一年人数正增长的跨境电商或制造业软件公司”，阈值7。

对应输出

示意输出：example-sailsoft评分8、理由“杭州180人跨境物流软件商，12个月人数增长18%，契合ICP”，icp_fit为yes；example-harborparts评分5、理由“制造业但人数900且增长持平”，fit为no；example-lantern-media评分2、理由“内容营销公司，行业不符”，fit为no。三行连同档案字段和researched_at写入Researched页。

做完检查这些

• 重复贴入同一公司URL时该行被跳过，不产生重复查询和额度消耗
• Researched页24列全部有值或明确为空，icp_score在1到10之间且icp_reason引用档案事实
• score等于阈值时icp_fit的判定（yes或no）与你配置的比较口径一致
• 修改score_threshold后重跑未研究行，fit结果随之变化
• 切换AI提供方凭据后输出JSON结构保持一致可解析

容易卡住的地方

• Periodix Actions为付费服务，作者称起步价每月10美元含1000次查询，价格与试用政策以官网为准
• 每次公司查询计一次result，大批量粘贴前先在试用额度内验证字段映射
• “15倍成本优势”“零账号损失”等说法均出自作者，未独立核实，不作为采购依据
• AI评分受ICP描述质量影响很大，描述含糊会导致分数漂移，需先小样本人工抽查校准
• LinkedIn数据字段偶尔缺失（如无增长数据），提示词里应允许模型在理由中说明缺失