做过 B2B 销售的都知道，见客户前最让人焦虑的不是谈什么，是查资料。打开搜索引擎，要做的事一大串：
翻官网看公司介绍 搜最近有没有融资新闻 查 LinkedIn 找关键人的背景 翻财报估算经营状况
半小时过去了，脑子里还是一堆碎片信息。更头疼的是，做完这些你还是不确定自己到底漏了什么。
这类重复性的信息收集工作，AI 能不能接手？这是我第一次在 Smithery 上看到 account-research 这个 Skill 时脑子里冒出来的问题。不是说 AI 搜索不够智能，而是销售场景里的”研究”不只是查几篇网页，它需要把分散的信息拼成一幅完整的画像，还要能对接公司内部的 CRM 和历史记录。
account-research 是 Anthropic 在 Smithery.ai 上发布的官方 Skill，专门用来做公司和个人的销售情报研究。它的核心逻辑很简单：把销售背调这个事拆成几个固定步骤，用 AI 自动跑完。基础版走网页搜索，高级版可以接入企业现有的数据富集工具和 CRM 系统。
说真的，这篇文章不跟你讲销售方法论。我就是把这个 Skill 的 SKILL.md 从头拆到尾，顺带把它背后的设计思路一起理清楚。如果你在做 AI 销售工具、或者自己就是天天要做客户背调的人，看完应该能省不少时间。
环境准备
account-research 不需要安装任何东西。它跑在 Smithery.ai 这个 AI 工具平台上，你只要有一个 Anthropic Claude 的账号，打开 Smithery 页面找到这个 Skill，点一下”Install”就完事了。从本质上讲，Skill 是一份结构化的指令文件，AI 加载它后就知道了”怎么做好客户研究”这件事。
安装后，用起来也很直接。在 Claude 聊天窗口里直接说”Research Stripe”或者”Look up the CTO at Notion”，Skill 就会被自动触发。不需要记任何特殊命令，不需要切换界面。这种零门槛的接入方式，对非技术背景的销售团队来说是个实实在在的优势。
前置条件很简单：一个能正常联网搜索的 Claude 环境就行。如果你公司内部有数据富集工具或者 CRM 系统，可以按需对接，但这不是必选项。没有这些，Skill 也一样能跑，只不过输出来源会局限在公开网页信息。
有一点值得留意。Skill 默认依赖 Claude 的内置搜索能力做网页搜索，如果你用的是离线模型或受限环境（比如某些企业内网部署），搜索功能可能跑不起来。这种情况需要另外配置搜索工具，文档里没有细讲这块，算是一个小坑。
操作流程
account-research 的执行流程分五步，每一步都很干净。比起传统的”先搜这个再搜那个再自己整理”，这套流程把销售研究这件事标准化了。
第一步是解析需求。你说”Research Stripe”，Skill 会判断你要做的是公司研究。你说”Who is the CTO at Notion”，它会切成人物加公司的混合研究。你说”Intel on acme.com”，它会根据域名反查公司信息。这一步看起来简单，但它解决了销售场景里一个很实际的问题：你不需要按固定格式输入，怎么表达都行。
第二步是网页搜索，这是整个系统的基础层，不管有没有接入外部数据源都会执行。Skill 会一次性跑七组搜索：
-
公司官网和介绍页 -
最近新闻（重点关注 90 天内的动态） -
融资历史 -
招聘信息 -
关键人物的 LinkedIn 资料 -
产品页面 -
客户案例
这种”地毯式搜索”的设计意图很清楚：宁可多搜再筛选，也不能漏掉关键信号。
第三步和第四步是可选的增强层。如果你接了数据富集工具，Skill 会拿到公开搜索很难直接获取的结构化数据：
-
精确的员工数 -
详细技术栈 -
融资历史和投资人信息 -
企业邮箱等联系方式
如果你接了 CRM，它还能拉出你们公司跟这个客户的历史互动记录，之前谁联系过、谈了什么、有没有丢过单。这两步的信息密度远高于纯搜索，但前提是你得有这些数据源。
第五步是信息合成，也是整个流程里最能体现设计水平的一步。Skill 不是简单地把搜到的内容罗列出来，而是按优先级融合：富集工具的数据优先级高于网页搜索，CRM 的历史上下文叠加上去。然后自动识别”合格信号”（positive signals）、“潜在风险”（concerns）和”未知信息”（gaps）。这一步做的是判断，不是摘抄。
关键设计
拆完 SKILL.md 之后，account-research 有几个设计选择让我印象很深。
先说最明显的一个：模块化的”分层增强”架构。Skill 把功能明确切成两层，基础层是网页搜索，增强层是外部数据源。没有富集工具和 CRM？没关系，基础层照跑不误。这种设计跟很多 AI 产品的思路正好相反：大部分产品会让你先配好所有数据源才让用，account-research 是”能用就行，越接越强”。
这背后的设计意图不难理解。销售团队的技术栈差异很大，有的用 Salesforce，有的用自建 CRM，有的干脆只有 Excel。如果 Skill 把某个特定的 CRM 连接写成硬依赖，大部分用户根本跑不起来。把基础能力和外部连接解耦，门槛一下子就低了。
输出结构的设计也值得聊一下。account-research 的报告格式不是随机生成的，它有一个固定的九段结构，每次输出都按同一个模板走：
Quick Take
└─ 2-3句：他们是谁、为什么可能需要你、最佳切入角度
Company Profile
└─ 基础六项：名称、网站、行业、规模、总部、成立时间
Recent News
└─ 每条新闻标注日期和对外呼的影响
Hiring Signals
└─ 在招岗位分布 + 增长信号解读
Key People
└─ 背景、任期、联系方式和沟通切入点
Tech Stack
└─ 技术选型 + 集成机会分析（需富集工具）
Prior Relationship
└─ CRM 历史记录（需 CRM 对接）
Qualification Signals
└─ 正向信号 / 风险点 / 待确认项
Recommended Approach
└─ 最佳联系人 + 开场钩子 + 发现性问题
但这里有一个让我犹豫的设计取舍。这个输出结构对”公司研究”场景非常友好，对”竞品分析”和”会议准备”也做了变体适配，但如果你的需求完全不在这些预设模板里，想自由定制输出格式，目前 Skill 没有提供配置开关。极端点说，你想让它在研究完后直接生成一封外呼邮件草稿，它做不到，得用另一个叫 draft-outreach 的关联 Skill。
使用场景
account-research 最直接的场景就是 B2B 销售的外呼准备。假设你要跟一家叫 Acme Corp 的潜在客户约第一次电话，你只需要在 Claude 里说一句”Research Acme Corp, acme.com”。几分钟后，你手里会有一份结构化的报告，覆盖了外呼需要的所有关键信息：
-
公司做什么的、有多大 -
最近有没有融资、招了多少人 -
关键决策人是谁 -
他们现在用的技术栈是什么
最关键的是最后那部分”推荐切入角度”，直接告诉你应该怎么开场。
竞品研究是另一个被明确支持的场景。文档里单独列了”Competitor Research”这个变体，它会在标准报告的基础上自动调整侧重点，更多关心产品对比和定位差异，而不是销售切入。做竞品分析的人不需要再手动切换搜索策略，Skill 自己知道该搜什么。
Pre-meeting research 这个场景也很实用。如果你约了一组人的会议，Skill 可以针对每个参会者输出背景信息和交流要点。从文档描述来看，这个场景会用到”Call Prep”这个关联 Skill，把人员研究和会议议程合在一份报告里。
但得说清楚边界。account-research 擅长的是把已有信息整合起来，不是挖掘隐秘信息。如果一家公司没有公开的融资记录，它不会虚构一个”估计融资 500 万美元”。如果一个人的 LinkedIn 资料很少，人物画像那部分会比较薄。这不是 AI 的能力问题，是数据源本身的限制。另外，如果目标公司非常小众，网页搜索结果稀疏，报告的深度会打折扣。
洞察与反思
拆完整个 Skill 之后，我对它的判断有点复杂。
从技术角度看，account-research 没有特别惊艳的地方。它就是一套搜索整合的逻辑，加上模板化的输出格式。任何一个有经验的 Prompt 工程师花半天时间，应该能写出类似的东西。但换个角度想，这件事的价值本来就不在技术上。
account-research 真正解决的是一个”纪律性”问题。销售背调这件事，理论上每个人都应该做，实际上大多数人做不到位。不是懒，是每次从头查太累了。Skill 用一套固定的执行流程把这个动作自动化了，执行成本从半小时降到三句话。这种改变比单独的任何一项搜索技术都有用。
让我觉得更有意思的是 Anhropic 做 Skills 生态的打法。account-research 不是孤立的，它旁边还有 call-prep、draft-outreach、prospecting 这几个关联 Skill。四者拼在一起，几乎覆盖了 B2B 销售从线索发现到首次外呼的完整链条。这比单独做一个”AI 销售助手”聪明多了：每个 Skill 职责清晰，组合起来是流水线，拆开来也能独立用。
但有一个根本性限制绕不开。这个 Skill 的输出质量严重依赖 Claude 的搜索能力。如果 Claude 搜到的信息不完整或者过期了，Skill 没有独立的校验机制来告诉你”这部分可能不太对”。在正式销售场景里，把错的公司信息发给客户，比没做背调更糟糕。目前这个风险，Skill 自己没有处理。
资源地址
| 资源 | 地址 |
|---|---|
| Smithery 页面 | https://smithery.ai/skills/anthropics/account-research |
| GitHub（Anthropic Skills 仓库） | https://github.com/anthropics/skills |
总结
account-research 不是那种看了会让你”哇”一下的东西。它的所有能力你手动也能做。但它的价值正好卡在”能做但懒得做”和”做了但做得不系统”之间。尤其是对于每天要见多个客户的销售，这种把重复劳动压成一句话就能触发的东西，比什么花哨的 AI 功能都实在。
如果你已经在用 Claude，装一个试试。就算不加任何外部数据源，纯靠搜索出来的报告质量也够一次常规外呼准备了。如果你们团队的 CRM 系统恰好能接进去，那就是另一个量级的效率提升。
但别把它当成”自动背调机”来用。看过报告之后，该自己上网验证一下关键信息点，尤其是公司收入、融资轮次、关键人的职级这些容易出错的数据。AI 再好，背调这件事最后的判断还是要人来下。