快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

pip install -r requirements.txt

详细介绍

📌 1.导言

🤖 代理销售机器人：MCP驱动的潜在客户生成和外展系统

为满足客户需求而构建的全栈自主销售渠道 MCP驱动的潜在客户+外展 带回家的作业。它使用 模型上下文协议（MCP） 为了暴露工具， n8n 作为代理编排者，以及溪流用于实时监控。

______________________________________________________________________

📋 任务合规性矩阵

需求	实施细节	状态
1.潜在客户 python `Faker` 图书馆生成具有现实角色/行业的有效线索。通过种子繁殖。	✅ 完成
2.丰富	混合动力系统：脱机模式（规则）& AI模式（Groq Llama-3）用于疼痛点和信心评分。	✅ 完成
3.个性化	生成引用丰富数据的独特冷电子邮件和LinkedIn DM（A/B变体）。	✅ 完成
4.发送	支持试运行（模拟）和现场跑步（模拟SMTP服务器）具有速率限制。	✅ 完成
5.前端	溪流显示漏斗指标、日志和队列状态的仪表板。	✅ 完成
6.编排	n8n 工作流通过API调用MCP工具来协调整个管道。	✅ 完成
7.MCP	快速API 服务器暴露 `generate_leads`, `enrich_leads`等，作为标准工具。	✅ 完成

______________________________________________________________________

🏗️ 系统架构

系统遵循要求 微型工具架构 其中n8n充当“大脑”（代理），Python充当“手”（工具）。

graph TD
    User["User / Dashboard"] -->|Trigger| n8n["n8n Orchestrator (Agent)"]
    n8n -->|HTTP Request| API["MCP Server (FastAPI)"]
    
    subgraph "MCP Tools (Python)"
    API -->|Tool| Gen[Lead Generator]
    API -->|Tool| Enrich["Lead Enricher (Groq/Rules)"]
    API -->|Tool| Draft[Message Drafter]
    API -->|Tool| Send[Outreach Sender]
    end
    
    Gen --> DB[("SQLite Database")]
    Enrich --> DB
    Draft --> DB
    Send --> DB
    DB --> User

______________________________________________________________________

📁 2.项目结构

该项目遵循 清洁微服务架构，分离后端服务、代理工具、自动化工作流和配置。

MCP-Powered Lead Gen+Enrichment+Outreach System/
│
├── app/                        # Main Application Source Code
│   ├── api.py                  # MCP Server (FastAPI) - The entry point
│   ├── dashboard.py            # Streamlit Frontend - The monitoring UI
│   ├── database.py             # SQLite Connection Manager
│   ├── generate_leads.py       # Tool: Generates dummy leads (Faker)
│   ├── enrich_leads.py         # Tool: Enriches leads (Groq LLM / Rules)
│   ├── generate_messages.py    # Tool: Drafts emails (LLM)
│   ├── send_messages.py        # Tool: Sends emails (SMTP)
│   └── mock_server.py          # SMTP Simulator for local testing
│
├── n8n/
│   └── pipeline_workflow.json  # n8n Workflow Export File
│
├── requirements.txt            # Python Dependencies
├── .env.example                # Configuration Example
└── README.md                   # Project Documentation

______________________________________________________________________

🧰 3.技术栈和免费资源

根据分配约束， 零付费工具 被使用。

组件	使用的工具	为什么选择此选项？
语言	Python 3.10+	人工智能/数据工程标准
后端	FastAPI	高性能，易于创建REST API。
前端	Streamlit	数据监控仪表板的快速开发。
数据库	SQLite	轻量级、无服务器、基于文件（零配置）。
AI / LLM	免费等级Llama-3模型的超快速推理速度。
编排	n8n（Docker）	可视化工作流自动化（自托管/免费）。
测试	传真和模拟SMTP	在本地安全生成数据和测试电子邮件。

______________________________________________________________________

⚙️ 4.安装与设置

先决条件

已安装Python 3.8+
已安装Docker桌面（适用于n8n）

步骤1：克隆存储库

git clone https://github.com/ARISTOTILE-GIT/MCP-Powered-Lead-Gen-Enrichment-Outreach-System-.git
cd MCP-Powered-Lead-Gen-Enrichment-Outreach-System-

步骤2：安装依赖项

pip install -r requirements.txt

步骤3：设置环境

在根目录中创建.env文件并添加Groq API密钥：

GROQ_API_KEY=gsk_your_actual_api_key_here

______________________________________________________________________

▶️ 5.如何运行系统

*要查看整个管道的运行情况，您需要 3个终端窗口 同时运行。*

终端1：模拟SMTP服务器

在本地捕获电子邮件以确保安全测试（干式/实时模式）。

python app/mock_server.py

终端2：后端MCP服务器

露出工具(generate, enrich, send)通过HTTP端点。

python app/api.py

*服务器启动时间 http://localhost:8000*

终端3：前端仪表板

监控管道进度和日志。

streamlit run app/dashboard.py

*仪表板在以下位置打开 http://localhost:8501*

______________________________________________________________________

🔄 6.编排：n8n工作流

编排逻辑由以下人员处理 n8n，履行 “代理人” 要求。

1.启动n8n（Docker）

docker run -it --rm --name n8n -p 5678:5678 --add-host=host.docker.internal:host-gateway n8nio/n8n:latest

2.导入工作流：

打开 http://localhost:5678.

*点击 “添加工作流” -> “从文件导入”.*

选择 n8n/sales_pipeline_workflow.json （包含在此回购中）。

3.执行：

点击“执行工作流”以触发代理循环。

______________________________________________________________________

📘 7.使用指南（模式）

仪表板允许您控制 “情报” 和 “安全” 通过交互式开关切换管道。

🎛️ 发送模式：模拟运行vs实时运行

🔹 试运行（仅测试）

模拟发送过程
将生成的内容记录到数据库/仪表板
不与SMTP服务器交互
状态更新到： SENT_DRY_RUN

🔹 实时运行（发送电子邮件）

实际连接到模拟SMTP服务器
在本地发送真实电子邮件
状态更新到： SENT

______________________________________________________________________

🧠 丰富模式：人工智能vs离线

🔹 离线（规则-快速）

使用基于以下内容的启发式规则 行业/角色
指定标准痛点
速度极快
非常适合大批量测试

🔹 AI代理（希腊LLM）

呼叫 Groq API（Llama-3型）
深入分析主角角色
生成高度个性化的痛点和购买触发因素
输出速度较慢，但质量明显较高

______________________________________________________________________

📝 消息生成：人工智能与模板

🔹 人工智能一代

在以下情况下使用 AI Agent富集 已启用
使用AI生成的痛点起草独特的电子邮件
由...驱动 Llama-3

🔹 模板回退

在以下情况下使用 线下丰富 被选中
使用结构化模板
确保消息一致性，无需LLM调用

______________________________________________________________________

🌟 8.已实施的奖励功能

除了核心要求外，以下内容 “很高兴有” 添加了以下功能：

💾 CSV导出

下载所有生成的潜在客户
直接从仪表板导出消息日志
可用于外部分析和报告

______________________________________________________________________

🧹 日志管理

直接从UI中清除数据库
擦除应用程序日志文件
无需重新启动后端或仪表板服务器

______________________________________________________________________

📉 漏斗分析

视觉转换漏斗图
跟踪管道流量：

- New → Enriched → Messaged → Sent

帮助识别下降和瓶颈

______________________________________________________________________

📜 实时日志

仪表板中嵌入的实时日志查看器
观察AI生成的内容
有助于调试和透明度

______________________________________________________________________

📈 9.输出和工件

1.仪表板监控

*Streamlit仪表板提供了管道健康状况的全面视图。*

2.潜在客户数据示例（JSON）

{
  "id": "lead_550e8400-e29b-41d4-a716-446655440000",
  "created_at": "2023-10-27T10:00:00Z",
  "status": "SENT",
  
  "basic_info": {
    "full_name": "Sarah Connor",
    "role": "Chief Technology Officer",
    "company_name": "SkyNet Systems",
    "industry": "Technology",
    "email": "sarah.connor@skynetsystems.com",
    "linkedin_url": "https://www.linkedin.com/in/sarah-connor-tech",
    "website": "https://www.skynetsystems.com",
    "country": "United States"
  },

  "enrichment_data": {
    "company_size": "Enterprise (1000+ employees)",
    "persona_tag": "Technical Decision Maker",
    "confidence_score": 92,
    "pain_points": [
      "Struggling with high cloud infrastructure costs and AWS bill shock.",
      "Technical debt slowing down new feature release cycles.",
      "Difficulty hiring and retaining senior DevOps engineers."
    ],
    "buying_triggers": [
      "Recently raised Series C funding.",
      "Posted 5 new job openings for 'Cloud Architect' last week."
    ]
  },

  "generated_outreach": {
    "email_subject": "Scaling SkyNet's tech without the cloud cost bloat",
    "email_body": "Hi Sarah,\n\nI noticed SkyNet Systems is scaling rapidly after your recent Series C. Congrats! As a CTO, balancing speed with spiraling cloud costs is often the biggest headache.\n\nOur AI-driven infrastructure tool helps engineering leaders like you slash AWS bills by 20% while automating technical debt reduction. \n\nWorth a 15-minute chat to see how we can optimize your roadmap?",
    "linkedin_dm": "Hi Sarah, saw SkyNet's growth. Impressive! If cloud costs or tech debt are slowing down your new releases, our AI tool helps CTOs reclaim engineering time. Open to a quick chat?",
    "sent_at": "2023-10-27T10:05:30Z"
  }
}

3.生成的电子邮件示例

Subject: Scaling Tech Debt at SkyNet Systems?

Hi Sarah,
I noticed SkyNet is scaling rapidly. As a CTO, dealing with cloud costs and technical debt usually becomes a bottleneck. 
Our automated optimization tool helps engineering leaders reclaim 20% of their roadmap...

______________________________________________________________________

🪪 10.许可证

该项目是为代理人工智能实习技术评估而创建的。

目录标签

实时监控Python云端部署销售自动化本地部署AI销售线索生成拓展系统

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

none

工具数量（toolCount，工具数）

0

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/26651f2d2736a81e397ae9d5b5689aca

一个全栈自主销售管道，用于生成、丰富和拓展销售线索，支持AI和规则两种模式，并提供实时监控仪表板。

继续浏览同类 MCP

更多运维云端 MCP（13,854）返回 MCP 目录

上一个 MCP

MCP Postman

一个通过Claude AI MCP接口提供对Postman集合和环境进行API访问的Cloudflare Worker服务，用于API测试、文档和管理任务。

下一个 MCP

MCP Powerschool

一个为PowerSchool设计的FastMCP服务器，使学生能够通过Model Context Protocol查询成绩、作业、成绩历史和考勤记录。

MCP Powered Lead Gen Enrichment Outreach System

快速接入

详细介绍

📌 1.导言

🤖 代理销售机器人：MCP驱动的潜在客户生成和外展系统

📋 任务合规性矩阵

🏗️ 系统架构

📁 2.项目结构

🧰 3.技术栈和免费资源

⚙️ 4.安装与设置

先决条件

步骤1：克隆存储库

步骤2：安装依赖项

步骤3：设置环境

▶️ 5.如何运行系统

终端1：模拟SMTP服务器

终端2：后端MCP服务器

终端3：前端仪表板

🔄 6.编排：n8n工作流

1.启动n8n（Docker）

2.导入工作流：

3.执行：

📘 7.使用指南（模式）

🎛️ 发送模式：模拟运行vs实时运行

🔹 试运行（仅测试）

🔹 实时运行（发送电子邮件）

🧠 丰富模式：人工智能vs离线

🔹 离线（规则-快速）

🔹 AI代理（希腊LLM）

📝 消息生成：人工智能与模板

🔹 人工智能一代

🔹 模板回退

🌟 8.已实施的奖励功能

💾 CSV导出

🧹 日志管理

📉 漏斗分析

📜 实时日志

📈 9.输出和工件

1.仪表板监控

2.潜在客户数据示例（JSON）

3.生成的电子邮件示例

🪪 10.许可证

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP