/linkedin-search — LinkedIn 候选人搜索#

根据用户的搜索要求，使用 Chrome DevTools MCP 自动搜索 LinkedIn 候选人，保存档案到 ./linkedin-save/{role}/ 目录，防止重复扫描。

---

参数分层#

用户的自然语言查询条件必须明确分为两层， 在 PRE-CHECK 通过后、开始搜索前完成拆解：

第一层：搜索参数（硬嵌入搜索 query）#

这两类条件直接决定 Google/LinkedIn 的搜索字符串， 不满足则无法检索：

参数说明示例职位关键词必须出现在 query 中presales solution architect地点城市或国家，必须出现在 query 中hanoi / vietnam

构建搜索 query 时直接拼入：

text

site:linkedin.com/in/ ("presales" OR "pre-sales") "cloud" "hanoi"

第二层：LLM 分析参数（获取 profile 内容后由 LLM 推断）#

这类条件 无法在搜索阶段过滤，必须等拿到 profile 文本后，由 LLM 阅读并推断：

参数硬/软推断方式云经验年限（≥5年）硬性累加各段 cloud 相关工作经历时长总工作经验（≤15年）硬性推算首份工作起始年份 → 至今年数售前经历明确硬性职位名含 presales/pre-sales/solution consultant 或 bio 有描述公有云经验软性工作经历提及 AWS/Azure/GCP/OCI/VNG/Viettel Cloud 等私有云经验软性工作经历提及 OpenStack/VMware/私有化部署/on-premise cloud

LLM 推断规则：

• 时长不足以判断时，标注 unknown，match_level 降为 B 或 C
• 所有硬性条件均满足 → A；部分满足或有一项 unknown → B；仅 URL，内容极少 → C

---

运行时环境要求#

执行本 skill 前，必须满足以下所有条件。 在正式开始搜索前，依次完成 PRE-CHECK 检查；任一条件不满足时，立即输出修复提示并停止执行。

条件一：Chrome 调试会话已启动#

Chrome 必须以远程调试模式运行在 端口 9222，且使用带有 LinkedIn 登录态的用户配置文件。

验证方法： 调用 mcp__chrome-devtools__list_pages，若返回页面列表则通过。

不满足时的提示：

text

❌ Chrome 调试会话未就绪

请在终端执行以下步骤：

1. 关闭当前所有 Chrome 窗口（或强制退出）：
   pkill -9 -f "Google Chrome"

2. 复制登录态配置文件（首次使用时执行）：
   mkdir -p /tmp/chrome_debug_profile
   cp -r ~/Library/Application\ Support/Google/Chrome/Default/{Cookies,"Login Data","Web Data",Preferences,"Local State"} \
     /tmp/chrome_debug_profile/ 2>/dev/null

3. 以调试模式启动 Chrome：
   nohup "/Applications/Google Chrome.app/Contents/MacOS/Google Chrome" \
     --remote-debugging-port=9222 \
     --user-data-dir="/tmp/chrome_debug_profile" \
     --no-first-run --disable-sync \
     > /tmp/chrome_debug.log 2>&1 &

4. 等待 3 秒后重新执行 /linkedin-search

条件二：LinkedIn 已登录#

浏览器中必须有已登录 LinkedIn 的会话（用于访问个人档案和内部搜索）。

验证方法： 导航至 https://www.linkedin.com/feed/，执行脚本检查：

javascript

() => document.querySelector('.global-nav__me-photo') !== null ||
      document.querySelector('[data-control-name="nav.homepage"]') !== null ||
      !document.URL.includes('/login')

返回 true 则通过。

不满足时的提示：

text

❌ LinkedIn 未登录

请在 Chrome 浏览器中手动登录 LinkedIn：
1. 在已打开的 Chrome 窗口中访问 https://www.linkedin.com
2. 完成登录（账号/密码或验证码）
3. 确认进入 LinkedIn 主页 feed 后，重新执行 /linkedin-search

条件三：linkedin-save 目录存在#

./linkedin-save/ 目录必须存在于当前工作目录下。

验证方法：

bash

ls ./linkedin-save/ 2>/dev/null || echo "MISSING"

不满足时的提示：

text

❌ linkedin-save 目录不存在

正在自动创建...（执行 mkdir -p ./linkedin-save）

此条件由 skill 自动修复，无需用户干预。

条件四：当前工作目录正确#

Skill 在 /Users/junye/project/test-case/linkedin-zp 下执行，档案相对路径才正确。

验证方法：

bash

pwd

不满足时的提示：

text

❌ 当前工作目录不匹配

当前目录：{实际pwd结果}
期望目录：/Users/junye/project/test-case/linkedin-zp

请在正确目录下重新打开会话，或确认 linkedin-save 目录的实际位置。

---

PRE-CHECK 执行顺序#

text

[1] 检查 Chrome 调试会话     → 失败则输出提示，停止
[2] 检查 LinkedIn 登录态     → 失败则输出提示，停止
[3] 检查/创建 linkedin-save  → 自动修复
[4] 检查当前工作目录         → 不匹配则警告（不强制停止）
[5] 拆解用户查询 → 分层输出第一层/第二层参数
[6] 读取已扫描 URL 集合      → 正常继续
✅ 全部通过 → 开始搜索

[5] 拆解输出示例：

text

🔍 搜索参数拆解结果：

【第一层 — 搜索 Query（硬嵌入）】
  职位关键词：presales solution architect / pre-sales / solution consultant
  地点：hanoi, vietnam

【第二层 — LLM 分析条件（profile 获取后推断）】
  硬性：云经验 ≥ 5年 / 总经验 ≤ 15年 / 售前明确
  软性：公有云经验优先 / 私有云经验加分

目标候选人数：20人
保存目录：./linkedin-save/presales-architect/

---

执行步骤#

执行前必须完成上方 PRE-CHECK（含参数分层），全部通过后再执行以下步骤。

STEP 0 — 确定保存目录，读取已扫描 URL（防重复）#

根据职位关键词确定子目录：

职位类型目录售前架构师 / Presales Architect./linkedin-save/presales-architect/解决方案架构师 / Solution Architect./linkedin-save/solution-architect/云销售 / Cloud Sales./linkedin-save/cloud-sales/其他./linkedin-save/general/

读取已扫描 URL（用于后续去重跳过）：

bash

grep -h "^url:" ./linkedin-save/{role_dir}/*.md 2>/dev/null | awk '{print $2}'

STEP 1 — 搜索候选人 URL（Google → LinkedIn 内部）#

使用 第一层参数（职位关键词 + 地点）直接构建搜索 query。

优先：Google site 搜索

搜索策略依次尝试（将 {职位} 和 {地点} 替换为实际第一层参数）：

text

# A: 精确职位
site:linkedin.com/in/ ("presales" OR "pre-sales") "cloud" "{地点}"

# B: 扩展职位变体
site:linkedin.com/in/ "solution architect" "cloud" "presales" "{地点}"

# C: 按目标公司
site:linkedin.com/in/ ("presales" OR "solution architect") "cloud" ("FPT" OR "Viettel" OR "VNPT" OR "CMC" OR "AWS" OR "Oracle") "{地点}"

翻页：URL 加 &start=10、 &start=20。

提取 Google 结果 JS：

javascript

() => {
  const out = [];
  document.querySelectorAll('h3').forEach(h3 => {
    const block = h3.closest('.g') || h3.closest('[data-hveid]') || h3.closest('[jscontroller]');
    const a = block && block.querySelector('a[href*="linkedin.com/in/"]');
    if (a) out.push({
      url: a.href.split('?')[0].replace(/^https?:\/\/[a-z]+\.linkedin\.com/, 'https://www.linkedin.com'),
      title: h3.innerText,
      snippet: block ? block.innerText.slice(0, 300) : ''
    });
  });
  return out;
}

备用：LinkedIn 内部搜索（当 Google 结果不足时）

将第一层参数拼入 URL（ {keywords} = 职位关键词， {geoUrn} = 地点对应 ID）：

text

https://www.linkedin.com/search/results/people/?keywords={keywords}&geoUrn=%5B%22{geoUrn}%22%5D&origin=FACETED_SEARCH&page=N

常用 geoUrn：

• 越南 Vietnam： 104195383
• 河内 Hanoi： 104195383（越南范围，无单城市 ID）
• 胡志明市 HCM： 104195383

提取 LinkedIn 搜索结果 JS：

javascript

async () => {
  const sleep = ms => new Promise(r => setTimeout(r, ms));
  for (let y = 0; y <= 5000; y += 300) { window.scrollTo(0, y); await sleep(150); }
  await sleep(2000);
  return Array.from(document.querySelectorAll('a[href*="/in/"]'))
    .map(a => ({ href: a.href.split('?')[0], text: a.innerText.trim().slice(0, 200) }))
    .filter(l => /linkedin\.com\/in\/[^/]+\/?$/.test(l.href) && l.text.length > 3)
    .filter((v, i, a) => a.findIndex(x => x.href === v.href) === i);
}

STEP 2 — 逐一访问档案（跳过已扫描），LLM 分析第二层条件#

对每个新 URL：

1. navigate_page（允许超时，继续执行）
2. 执行滚动+提取脚本获取原始文本：

javascript

async () => {
  const sleep = ms => new Promise(r => setTimeout(r, ms));
  for (let y = 0; y <= 8000; y += 300) { window.scrollTo(0, y); await sleep(200); }
  await sleep(2000);
  const t = document.body.innerText;
  const ei = t.indexOf('工作经历');
  return {
    header: t.slice(0, 2500),
    exp: ei > -1 ? t.slice(ei, Math.min(ei + 4000, t.length)) : '',
    url: location.href.split('?')[0]
  };
}

1. LLM 分析第二层条件（根据 header + exp 文本推断）：

text

分析目标（逐项推断，无法判断则填 unknown）：
- cloud_years：累加含 AWS/Azure/GCP/OCI/云 字样的工作段时长
- total_years：推算最早工作年份 → 至今
- presales：职位名或 bio 是否含 presales/pre-sales/solution consultant/售前
- public_cloud：是否有 AWS/Azure/GCP/OCI/公有云 经历
- private_cloud：是否有 OpenStack/VMware/私有化/on-premise 经历
- match_level：
    A = 地点✅ + cloud_years≥目标 + total_years≤上限 + presales✅
    B = 上述条件部分可验证 / 有一项 unknown
    C = 仅 URL 或内容极少，需人工核实

1. 立即保存档案 → STEP 3

STEP 3 — 保存档案（URL 必存，内容尽力）#

文件路径： ./linkedin-save/{role_dir}/{linkedin_id}.md

其中 linkedin_id = URL 最后一段，例如 nguyen-the-hung-70725b1b

档案格式（最小化版，仅 URL 时）：

markdown

---
name: unknown
url: {完整LinkedIn URL}
location: unknown
current_role: unknown
cloud_years: unknown
total_years: unknown
public_cloud: unknown
private_cloud: unknown
presales: unknown
match_level: C
scanned_date: {YYYY-MM-DD}
---

档案格式（有内容时，LLM 推断填充）：

markdown

---
name: Nguyen The Hung
url: https://www.linkedin.com/in/nguyen-the-hung-70725b1b/
location: Hanoi, Vietnam
current_role: Customer Solution Consultant – GCP @ Google
cloud_years: 8
total_years: 15
public_cloud: true
private_cloud: true
presales: true
match_level: A
scanned_date: 2026-04-28
---

## 摘要
{LLM 对第二层条件的2-3句评估说明}

## 工作经历
{从页面提取的工作经历文本}

STEP 4 — 循环直到达标#

统计 match_level 为 A 或 B 的档案数量：

bash

grep -l "match_level: [AB]" ./linkedin-save/{role_dir}/*.md 2>/dev/null | wc -l

未达目标则切换搜索词继续（仍只改 第一层参数 变体，第二层条件不变）：

• 职位变体： "technical presales" / "pre-sales engineer" / "solution consultant"
• 地点不变，但可加公司名替换地点做补充： FPT / Viettel / CMC / VNPT / Noventiq

---

输出汇总#

完成后输出：

text

## 候选人汇总 — {职位}，{地点}

【搜索条件】职位: presales solution architect | 地点: hanoi
【分析条件】云经验≥5年 | 总经验≤15年 | 售前明确 | 公有云优先

| # | 姓名 | 职位@公司 | 云年限 | 总年限 | 公有云 | 私有云 | 售前 | 级别 | 链接 |
|---|------|-----------|--------|--------|--------|--------|------|------|------|
| 1 | Nguyen The Hung | GCP Consultant @ Google | 8yr | 15yr | ✅ | ✅ | ✅ | A | [🔗](url) |
...

A级: N人 | B级: N人 | C级: N人（待核实）
已保存至 ./linkedin-save/presales-architect/（共 N 个档案）

---

注意事项#

• URL 必存：哪怕页面完全空白，也要保存含 URL 的最小档案
• 3度墙：3度好友工作经历节不可见，LLM 仅凭 header/bio 推断，标记 C 级， exp 字段留空
• 导航超时：超时后继续执行滚动脚本（页面可能已部分加载）
• 重复检测：每次保存前 grep 检查 URL 是否已存在，跳过已扫描
• 速率：每个档案访问后自然等待（滚动脚本本身约需4秒）
• 第一层不可协商：地点和职位关键词必须进 query，不能只靠 LLM 事后过滤