企业官网建设流程全解析

如果你做过 B2B 销售或增长运营，大概率经历过这种场景：消息模板写好了，1000 条目标联系人名单也整理好了，但真正开始执行时，只能一条条复制、粘贴、微调、发送。一天下来能发出 50 条就算效率不错，还要时刻担心复制错人，或者发了 200 条之后就完全分不清谁回复过、谁还需要跟进。

最近 Claude Code 和 Codex 这类终端型 Agent 火了之后，很多人的第一反应是拿它们写代码、改 Bug。但还有一个非常值得关注的用法：把它们当作“外联自动化系统的主管”，通过 MCP 协议接入约 30 个工具，让 AI 自己完成线索筛选、背景调研、文案生成、审核队列、消息发送和效果追踪。

这篇文章要拆解的，就是标题里的这句话：Let Claude/Codex run actual 1000s of LinkedIn outreach with ~30 MCP tools。

先给一个明确判断：真正难的已经不是让 AI 写一条消息，而是设计一套可以被 AI 调度的工具链，并且安排好人工审核节点。本文会从 MCP 协议讲起，然后拆解为什么外联场景需要约 30 个工具，接着给出环境搭建、MCP 配置、最小跑通示例、常见问题和工程化建议。无论你是做 B2B 营销、开发者关系、招聘，还是自己在做独立产品，这套思路都能直接落地。

1. 这篇文章真正要解决的问题

单看“用 AI 写 1000 条 LinkedIn 消息”这件事，很多人第一时间想到的是：让 ChatGPT 生成 1000 条个性化文案，然后人工去发。这个想法只对了一半。真正跑过外联的人都知道，一天能发出 30 到 50 条已经算很快，1000 条意味着接近一个月的体力劳动，而且越到后面，消息的个性化程度越低，回复率也越差。

所以这个场景的瓶颈从来不在“内容生成”，而在“流程执行”。你需要一个系统来承担这些环节：

• 导入 1000 条线索，而不是每次手动粘贴一条；
• 解析每条线索所在公司的背景和动态；
• 为每个联系人生成差异化开场白；
• 把所有草稿写入待审核队列；
• 等待人工确认后统一发送；
• 追踪消息状态，谁回复了，谁需要二次跟进；
• 把有效回复回写到 CRM 或表格。

Claude Code 和 Codex 这类终端 Agent 的价值，正在于它们可以作为这个系统的大脑。MCP 协议则解决了大脑与外部系统之间的连接问题：每一个工具都是一台“外接设备”，Agent 在运行时会按需调用。

这篇文章适合以下几类读者：

• 正在做 B2B 销售、增长、开发者关系、人才招聘的从业者；
• 想用 Claude Code / Codex 做真实工作流的开发者；
• 对 MCP 协议感兴趣，想理解它为什么这么火的技术人；
• 想把自己的业务系统接入 Agent，但不知道从哪里开始的人。

如果你只是想知道“哪个模型写文案更好”，这篇文章可能不适合你。如果你想搞清楚“如何把一批 AI 工具编排成一条完整流水线”，那这篇文章能给你一套可以照做的路径。

2. MCP 协议、Claude Code 与 Codex：先弄清楚几个概念

2.1 MCP 到底是什么

MCP 全称是 Model Context Protocol，即模型上下文协议。它最早由 Anthropic 提出并开源，后来被 OpenAI 等公司接受，现在已经成为 Agent 工具接入的事实标准之一。

它定义了一种统一的 JSON-RPC 消息格式，让 AI 应用可以动态发现工具、调用工具、获取结果。不需要为每个工具写一套私有适配器，也不需要把工具逻辑硬编码进模型。

我习惯用一个类比来解释 MCP：USB-C。过去每个外设都有自己的接口，接一个设备要装一套驱动。MCP 相当于统一成一个标准接口，只要新的工具实现了 MCP 协议，Agent 就能即插即用。今天一个 MCP server 可以连接数据库、CRM、表格、浏览器自动化、邮件服务，甚至 Figma 这类设计工具。蓝湖 MCP、Figma MCP 能出现在技术圈热搜里，就是这个生态扩展的结果。

2.2 Claude Code 和 Codex 各是什么

Claude Code 是 Anthropic 推出的终端智能体，一般通过claude命令启动。它不只是简单的聊天机器人，而是能读取项目文件、执行命令、修改代码、调用外部工具的 Agent。

Codex 是 OpenAI 推出的终端智能体，定位和 Claude Code 很接近，默认使用 OpenAI 的模型，也支持配置自定义 endpoint 接入其他模型服务。两者都原生支持 MCP，这是它们能跑复杂任务的关键。

很多搜索词里出现的“Claude Code 安装”“Codex 安装”“VSCode 配置 Claude Code”，说明已经有一批开发者开始把这类 Agent 当作开发环境的一部分。但 Claude Code 和 Codex 的能力边界并不只是写代码，它们可以通过 MCP 调用几乎任何具备接口的外部系统。

2.3 MCP 与 Agent Skill 的区别

最近还有一个概念很火：Agent Skill。它和 MCP 容易混淆，但两者解决的问题不同。

• Skill 是给 Agent 的“行为手册”，它改变的是 Agent 在思考时用什么方法论、按什么步骤做事；
• MCP 是给 Agent 的“外接工具接口”，它改变的是 Agent 能调用什么真实世界能力。

举个例子：你可以给 Claude Code 写一个 Skill，规定“外联消息要先调研公司背景再动笔，长度不超过 200 字符”。这个 Skill 只负责规范行为。但真正去查询公司库、写入数据库、发消息，仍然要靠 MCP server。

在实际工程中，两者通常配合使用：Skill 负责约束流程，MCP 负责提供能力。很多人把这两个概念混为一谈，会导致配置了 Skill 却发现 Agent 仍然无法操作外部系统的困惑。

3. 为什么 1000 条外联需要约 30 个 MCP 工具

3.1 外联流程拆解

LinkedIn 外联不是“写一条消息发出去”这么简单。按工程化视角拆解，一条完整的外联链路由六个阶段组成：

1. 定位与筛选：找到目标联系人，包括职位、公司、行业、地域等维度；
2. 数据补全与验证：补齐公司简介、人员背景、邮箱或联系方式，验证数据有效性；
3. 个性化内容生成：根据每个联系人的背景生成差异化消息；
4. 审核与队列管理：把草稿放入待审核队列，人工确认后放行；
5. 执行发送与跟踪：实际发送连接请求或私信，记录发送状态；
6. 数据回写与复盘：把回复情况写回 CRM，统计回复率和后续跟进任务。

这六个阶段需要的能力完全不同，一个通用的聊天界面无法覆盖，甚至一个两个 MCP server 也覆盖不了。这就是为什么场景会需要约 30 个 MCP 工具。

3.2 工具不是越多越好，而是分类要全

“约 30 个 MCP 工具”这个数字看起来很夸张，实际上是把整套外联流水线中所有可能用到的外部能力加总。按类型拆开看，大约是下面这个结构：

累计数量在 21 到 35 之间，所以“约 30 个”是一个合理规模。

但这里要特别提醒：不是一次任务把所有工具全部启用。工具数量越多，Agent 的上下文占用越严重，选择出错的概率也越高。正确做法是把工具按阶段分组，比如“线索获取阶段”只启用线索类和数据增强类，“发送阶段”才启用发送和追踪类工具。

3.3 MCP 生态不限于 LinkedIn

MCP 的价值也不只是让 Agent 调浏览器或发私信。现在很多业务系统都在提供 MCP server，比如通过 MCP 直接连接数据库、通过 MCP 接入设计稿、通过 MCP 写入 CRM。Workbuddy 这类工具可以让 Agent 通过 MCP 直接访问数据库，本质上也是一种“外联系统”。

所以，本文讲的是 LinkedIn 外联，但背后的架构思路是通用的。你换一个场景，比如邮件营销、开发者社区招募、客户成功回访，只需要替换对应的 MCP server 即可。

4. 环境准备与前置条件

4.1 基础环境要求

在开始之前，你需要准备以下环境：

• Node.js 18 及以上版本，因为 Claude Code、Codex 和大多数 MCP server 都基于 Node.js 生态；
• 一个可用的 Claude 账号或 OpenAI 账号；
• 一个终端环境。macOS、Linux 可以直接用系统终端，Windows 推荐使用 PowerShell 或 WSL；
• 准备一个实验目录，不要直接在正式项目目录里做第一个测试。

如果使用 Claude Code 时遇到 “unfortunately, claude is not available to new users right now” 这类提示，说明当前注册通路受限，可以稍后再试，或使用已有账号和组织账号。

4.2 安装 Claude Code 与 Codex

安装命令以官方文档为准，下面给出常见安装方式作为示例：

# 检查 Node.js 环境 node -v npm -v # 安装 Claude Code（以官方安装文档为准） npm install -g @anthropic-ai/claude-code claude --version # 安装 Codex CLI（以官方安装文档为准） npm install -g @openai/codex codex --version

如果安装后终端提示“claude 不是内部或外部命令”，一般是 npm 全局 bin 目录没有加入 PATH，或者安装过程失败。重新安装前可以先执行npm config get prefix查看全局安装路径。

4.3 注册 MCP Server

确认 CLI 安装成功后，可以用内置命令注册 MCP server：

# 查看当前版本支持的 MCP 命令 claude mcp --help codex mcp --help # Claude Code 注册示例：添加一个线索查询 MCP claude mcp add linkedin-prospect \ --env LINKEDIN_ACCESS_TOKEN=your_token_here \ -- npx @example/linkedin-prospect-mcp # 查看已注册的 MCP server claude mcp list # Codex 注册示例 codex mcp add linkedin-prospect \ -- npx @example/linkedin-prospect-mcp codex mcp list

上面示例中的@example/linkedin-prospect-mcp是占位包名，实际使用时应换成你自己搭建或社区维护的 MCP server。这里想说明的是注册方式：通过mcp add命令，把某个可执行命令注册为 Agent 可调用的工具。

如果你管理大量 MCP server，更推荐使用项目级配置文件.mcp.json，下一章会给出完整示例。

5. 核心架构与编排设计：让 Agent 成为“流程主管”

5.1 分层架构

用 Claude Code / Codex 跑 1000 条 LinkedIn 外联，核心不是写一段提示词，而是设计一套分层架构。推荐按四层拆分：

• 入口层：Claude Code 或 Codex CLI，负责接收任务指令；
• 编排层：Agent 的推理能力，根据任务拆分步骤，决定何时调用哪个 MCP 工具；
• 工具层：约 30 个 MCP server，提供读线索、查公司、写表格、发消息等能力；
• 数据层：CSV、SQLite、PostgreSQL 或 Airtable，存放线索、草稿、发送记录和回复状态。

这套架构还有一个重要组成部分：审批层。审批层不一定是系统，而是流程节点，典型做法是“所有消息进入待审核队列，人工确认后才允许发送”。

5.2 状态机设计

外联系统的核心是一张状态表，每条线索在不同阶段之间流转。建议至少包含以下状态：

• draft：AI 已生成消息草稿；
• review：草稿进入人工审核队列；
• approved：人工审核通过，允许发送；
• sent：已发送；
• replied：对方已回复；
• archived：已归档或无效线索。

为什么要显式维护状态机？因为 1000 条外联不是一次性发完，而是分批进行。如果没有状态管理，AI 很容易重复生成、重复发送，或者遗漏跟进。状态机是防止这类事故最简单有效的办法。

5.3 为什么要加人工审核节点

很多人做外联自动化时，最担心的就是 AI 直接发送消息导致账号异常或者内容失控。更稳妥的方案是：

1. AI 只负责生成草稿并写入审核队列；
2. 人工检查 10% 到 20% 的样本，确认内容质量；
3. 审核通过后，由另一个独立的发送工具执行发送；
4. 发送间隔、每日上限单独控制。

这个模式牺牲了一点自动化程度，但换来了可审核、可回滚、可追责。在生产环境中，宁可慢一点，也不要让 AI 裸奔发送。

6. 完整示例：从 0 到 1 跑通最小外联任务

这一章用一个最小示例跑通流程。目标是：让 Claude Code 或 Codex 读取线索 CSV，调用两个 MCP 工具，生成 10 条待审核消息。

6.1 准备线索数据

在项目目录下创建leads.csv：

name,company,title,linkedin_url 李华,云启科技,CTO,https://www.linkedin.com/in/lihua 张伟,星途数据,创始人,https://www.linkedin.com/in/zhangwei 王芳,晨光智能,市场总监,https://www.linkedin.com/in/wangfang

这是外联系统的输入。字段不需要太多，够用即可。

6.2 创建 MCP 配置文件

在项目根目录创建.mcp.json：

{ "mcpServers": { "linkedin-prospect": { "command": "npx", "args": ["@example/linkedin-prospect-mcp"], "env": { "LINKEDIN_ACCESS_TOKEN": "your_token_here" } }, "company-info": { "command": "npx", "args": ["@example/company-info-mcp"] }, "spreadsheet-store": { "command": "npx", "args": ["@example/spreadsheet-store-mcp"] } } }

这是当前 Claude Code 和 Codex 都支持的 MCP 配置文件格式。其中linkedin-prospect负责查询联系人，company-info负责获取公司简介，spreadsheet-store负责把草稿写入表格。

6.3 编写任务 Prompt

创建task.md，内容就是让 Agent 执行外联任务的指令：

你是外联系统主管。请按以下步骤执行： 1. 读取 leads.csv 中前 10 条记录。 2. 对每条记录调用 company-info 中的 get_company_summary 工具，获取公司一句话简介。 3. 使用 create_draft_message 工具生成一条不超过 200 字符的个性化消息。 4. 将生成结果写入 spreadsheet-store 中的 pending_review 表，状态设为 draft。 5. 最后输出统计摘要，包括读取数量、生成数量和失败数量。

这段话里的工具名需要和你实际接入的 MCP server 暴露的方法保持一致。如果写错工具名，Agent 会返回tool not found错误。

6.4 运行任务

把任务文本交给 Claude Code 或 Codex：

# Claude Code 非交互模式 claude -p "$(cat task.md)" # 或进入交互模式后粘贴 task.md 内容 claude # Codex 执行 codex exec "$(cat task.md)"

如果你的 CLI 版本不支持exec子命令，不同版本可能使用其他子命令，以codex --help输出为准。

6.5 MCP 协议最小骨架示例

如果你对 MCP 协议本身感兴趣，或者想自己写一个简单的 MCP server，下面这个 Node.js 示例展示了协议最核心的三个方法：initialize、tools/list、tools/call。

// 文件路径：demo-mcp-server.js const readline = require("readline"); const tools = [ { name: "create_draft_message", description: "根据联系人信息生成外联消息草稿", inputSchema: { type: "object", properties: { name: { type: "string", description: "联系人姓名" }, company: { type: "string", description: "公司名称" } } } } ]; const rl = readline.createInterface({ input: process.stdin }); rl.on("line", (line) => { try { const req = JSON.parse(line); if (req.method === "initialize") { const result = { protocolVersion: "2024-11-05", capabilities: { tools: {} }, serverInfo: { name: "demo-mcp-server", version: "1.0.0" } }; process.stdout.write( JSON.stringify({ jsonrpc: "2.0", id: req.id, result }) + "\n" ); } else if (req.method === "tools/list") { process.stdout.write( JSON.stringify({ jsonrpc: "2.0", id: req.id, result: { tools } }) + "\n" ); } else if (req.method === "tools/call" && req.params.name === "create_draft_message") { const args = req.params.arguments || {}; const text = "Hi " + (args.name || "") + ", I came across " + (args.company || "your company") + " and wanted to connect."; process.stdout.write( JSON.stringify({ jsonrpc: "2.0", id: req.id, result: { content: [{ type: "text", text }] } }) + "\n" ); } } catch (err) { process.stderr.write(