🎯 О чём этот конспект:

Пошаговое руководство по созданию масштабируемого пайплайна лидогенерации и квалификации B2B-контактов. Разбирается связка AI-агента с Computer Use (для автоматизации поиска в Apollo), веб-краулера Spider.cloud и ультрадешёвой классификационной нейросети Jev для фильтрации лидов по вероятностным скорам.

👤 Кому будет полезно:

Фаундерам агентств, вайбкодерам, B2B-маркетологам и специалистам по outbound-продажам (Cold Email), которые хотят автоматизировать сбор и очистку баз лидов без переплат за ручной ресерч или дорогие LLM.

✨ Что получите:

Готовый алгоритм сбора и двухфакторной AI-фильтрации базы на 10 000+ B2B-контактов менее чем за 15 минут и стоимостью около $4, готовый к выгрузке в Smartlead/Instantly.

1. Архитектура скоринга: почему модель Jev меняет B2B-лидогенерацию

Контекст: При масштабном холодном аутриче стандартные базы данных (Apollo, ZoomInfo) содержат до 30–50% нерелевантных контактов из-за пересечения ключевых слов (например, SaaS-сервис для агентств попадает в поиск по слову «marketing agency»). Фильтрация таких лидов через стандартные frontier-модели (GPT-4o, Claude 3.5 Sonnet) стоит от $0.20 до $10 за 1M токенов, что делает проверку сотен тысяч сайтов экономически нецелесообразной. Модель Jev от TypeSafe решает эту задачу за счёт узкой специализации на логической классификации и выводе вероятностей (probabilistic if-then). Jev не предназначена для генерации длинных текстов и копирайтинга писем, но превосходит стандартные LLM в задачах бинарной и категориальной сортировки. Стоимость входных токенов в Jev составляет всего $0.04 за 1M, а стоимость выходных токенов практически нулевая.

Тайминг: ▶ 00:48▶ 01:12

Выгода: Снижение затрат на AI-фильтрацию и скоринг лид-баз на 80–95% по сравнению с GPT-4o при сохранении точности frontier-уровня.

Как применить:

• Шаг 1: Разделение задач пайплайна — Архитектура] — Используйте стандартные большие LLM только для оркестрации и планирования, а для проверки условий (True/False, скоринг 0.0–1.0, определение ниши) выделите микромодель Jev.
• Шаг 2: Подключение через OpenRouter — OpenRouter / TypeSafe] — Получите доступ к Jev через TypeSafe API напрямую или через агрегатор OpenRouter без длительного ожидания аппрува аккаунта.

Результат: Понимание оптимального разделения ролей между генеративными моделями и узкими классификаторами для минимизации стоимости обработки токенов.

2. Формирование ICP и брифинг AI-агента через интерактивный опрос

Контекст: Основная ошибка при парсинге баз — нечёткие критерии целевого клиента (ICP), из-за чего в выборку попадают нерелевантные компании и должности. Прежде чем запускать автоматизированный парсинг, необходимо заставить AI-агента выступить в роли интервьюера и выявить скрытые ограничения. Автор использует голосовой ввод через Whisper Flow для быстрого формирования контекста в интерфейсе Codeex (десктопная оболочка для работы с моделями класса GPT6 Astra). Агент сначала задаёт уточняющие вопросы по географии, размеру штата, точным должностям и анти-паттернам, и только после фиксации параметров переходит к действиям.

Тайминг: ▶ 01:50▶ 02:26▶ 03:29

Выгода: Исключение до 90% заведомо мусорных запросов на этапе постановки задачи до запуска платных краулеров.

Как применить:

• Шаг 1: Запуск брифинга — Codeex / GPT6 Astra] — Отправьте агенту вводный промпт с требованием задать уточняющие вопросы по ICP.

Я хочу собрать крупную базу B2B-лидов для своего бизнеса по лидогенерации (Cold Email). Моя целевая аудитория — владельцы и лица, принимающие решения (LPR) в маркетинговых агентствах.
 
Прежде чем мы начнем собирать базу, помоги мне детализировать Ideal Customer Profile (ICP). Задай мне серию уточняющих вопросов (география, размер компании, точные тайтлы, стоп-факторы), чтобы исключить любые неоднозначности перед парсингом.

• Шаг 2: Ответы на параметры фильтрации — Codeex] — Передайте агенту структурированные ответы:

1. Что продаем: B2B Lead Generation (Cold Email под ключ).
2. Тип агентств: SEO, Paid Ads, Social Media, Web Design.
3. География: United States (HQ).
4. Размер компании: от 11 до 50 сотрудников (Sweet Spot).
5. Целевые должности: CEO, Founder, Co-Founder, Partner, Head of Sales, Head of Business Development.
6. Ключевой критерий: Компания строго должна быть сервисным агентством, а не SaaS/IT-вендором.

Результат: Сформированная спецификация фильтров, готовая для применения в поисковых базах данных.

3. Сбор первичной базы через Apollo.io с помощью Computer Use

Контекст: Для сбора сырых данных часто требуются сложные скрипты к API или ручной ввод десятков параметров в веб-интерфейсе. Функция Computer Use в GPT6 Astra позволяет AI-агенту управлять браузером пользователя: находить нужные вкладки, кликать по элементам интерфейса, вводить поисковые запросы и обрабатывать задержки интерфейса Apollo.io. Агент самостоятельно выставляет диапазоны сотрудников (11–20, 21–50), локацию (US), список должностей и индустриальные теги. После применения фильтров база сужается до целевых контактов, которые затем экспортируются в CSV для глубокой проверки.

Тайминг: ▶ 03:00▶ 04:20▶ 05:27▶ 06:50

Выгода: Полная автоматизация рутинной настройки сложных поисковых фильтров в Apollo без необходимости писать интеграционный код под API.

Как применить:

• Шаг 1: Инициализация Computer Use — Codeex + Chrome] — Откройте вкладку Apollo.io в браузере и отдайте команду агенту на управление интерфейсом:

Перейди в мою открытую вкладку Apollo.io с помощью Computer Use. Настрой поисковые фильтры на основе нашего ICP:
1. Employees: выбери диапазоны 11-20 и 21-50.
2. Location -> Account HQ: United States.
3. Job Titles: CEO, Owner, Founder, Partner, Head of Sales, Head of Business Development.
4. Keywords: marketing agency, advertising agency, digital agency.
Не экспортируй контакты автоматически, только настрой все фильтры и покажи итоговое количество.

• Шаг 2: Ручная донастройка и экспорт — Apollo.io] — Добавьте фильтр Email Status = Verified для исключения невалидных адресов. Выделите полученный пул контактов (в примере автора — ~9 300–10 000 лидов) и скачайте CSV-файл на локальный диск.
• Шаг 3: Загрузка в проект — Codeex] — Прикрепите экспортированный CSV-файл к диалогу с агентом для передачи на этап очистки.

Результат: Сырая база из ~10 000 контактов с верифицированными почтами, выгруженная за несколько минут.

4. Двухэтапная очистка лидов: веб-скрапинг через Spider.cloud и скоринг через Jev

Контекст: Поисковые базы содержат много «ложных срабатываний»: например, софтверные компании с описанием «SaaS-платформа для маркетинговых агентств» попадают в выборку агентств из-за тегов. Кроме того, по тайтлу «Owner» часто отбираются нерелевантные сотрудники вроде «Product Owner» или «Business Process Owner». Чтобы решить эту проблему, строится двухэтапный конвейер: сначала Spider.cloud собирает текстовый контент главной страницы сайта компании (стоимость $0.001 за 10 сайтов), затем модель Jev анализирует спарсенный текст и должность контакта, выставляя вероятность соответствия от 0.0 до 1.0.

Тайминг: ▶ 07:11▶ 08:18▶ 09:12▶ 10:25

Выгода: Автоматическое отсеивание до 40–50% мусорных лидов (SaaS, смежные ниши, неподходящие роли) при расходе менее $0.0004 на контакт.

Как применить:

• Шаг 1: Создание конфигурационного файла .env — VS Code / Terminal] — Подготовьте переменные окружения для безопасного хранения ключей:

SPIDER_API_KEY=your_spider_cloud_api_key_here
OPENROUTER_API_KEY=your_openrouter_api_key_here

• Шаг 2: Промпт для классификации через Jev — Codeex / Python Script] — Сформулируйте задачу для агента на запуск классификации по двум критериям (бизнес-модель и тайтл):

Создай пайплайн обработки лидов из загруженного CSV:
1. Для каждой компании используй spider.cloud для скрапинга главной страницы сайта (homepage text).
2. С помощью модели Jev (через OpenRouter) классифицируй, является ли компания РЕАЛЬНЫМ маркетинговым агентством (услуги клиентам), а не SaaS/продуктовой платформой.
3. Отдельным промптом к Jev проверь Job Title контакта: исключи такие роли, как "Product Owner", "Store Owner", "Architect", оставив только реальных фаундеров и руководителей агентства.
4. Выведи результат с коэффициентами уверенности (Confidence Score / Probability от 0.0 до 1.0) и стоимостью выполнения задачи.

• Шаг 3: Тестовый прогон на 1 контакте — Codeex] — Запустите тест. Агент спарсит сайт и проверит роль (в тесте автора контакт с должностью «Product Owner» в SaaS-компании получил статус Rejected по обоим параметрам со стоимостью проверки $0.00064).

Результат: Проверенный рабочий скрипт скоринга, готовый к масштабированию на весь массив данных.

5. Параллельная обработка 10 000 лидов и фильтрация по Confidence Score

Контекст: Последовательная проверка 10 000 сайтов занимает часы. Для ускорения агент запускает параллельные асинхронные запросы (100 concurrent workers) напрямую через API Spider.cloud и OpenRouter. По итогам прогона формируется итоговая таблица со скорами. Контакты делятся на три категории: Qualified (высокая уверенность), Rejected (явное несоответствие) и Review (пограничные значения, где требуется скорректировать порог отсечения).

Тайминг: ▶ 10:50▶ 11:17▶ 11:51▶ 12:33

Выгода: Полная обработка 10 000 лидов за 15 минут с итоговыми затратами $4.00 ($3 на скрапинг сайтов + $1 на AI-скоринг Jev).

Как применить:

• Шаг 1: Запуск конкурентных потоков — Codeex / Terminal] — Отдайте агенту команду на параллельное выполнение:

Запусти пайплайн скрапинга через Spider.cloud и классификации через Jev на всем списке лидов. 
Используй 100 одновременных потоков (100 concurrent operations) для максимальной скорости.

• Шаг 2: Фильтрация по порогу вероятности (Probability Threshold) — Codeex / CSV] — Отфильтруйте полученную таблицу по правилу отсечения:

Проанализируй итоговый CSV-файл со скорами:
- Оставь все контакты, где Agency Probability >= 0.85 И Title Probability >= 0.85.
- Все строки со статусом "Rejected" или скором ниже 0.85 удали.
- Экспортируй финальный очищенный список для загрузки в Smartlead.

• Шаг 3: Загрузка в Smartlead / Instantly — Smartlead API] — Передайте полученный чистый CSV (в примере автора — ~4 691–5 400 идеально подходящих контактов) в кампанию холодного аутрича.

Результат: Финальная база из тысяч проверенных целевых лидов с валидными почтами, очищенная от нецелевых должностей и чужих ниш за копейки.

FAQ

В: В чём ключевое отличие Jev от стандартных моделей вроде GPT-4o Mini или Claude 3.5 Haiku? О: Jev от TypeSafe спроектирована исключительно под классификацию и вероятностный вывод (True/False, категории, скоринг). Она не генерирует длинные тексты, но входные токены стоят всего $0.04 за 1M, а выходные токены бесплатны. Это делает её в 5–10 раз дешевле любой компактной модели конкурентов при сопоставимой точности классификации.

В: Обязательно ли использовать Apollo для первичного сбора базы? О: Нет. Apollo удобен огромным объёмом данных, но вы можете использовать любые альтернативы: GetLeads.io (подключается через MCP-сервер к LLM), Prospeo, LeadMagic, QuickEnrich или парсить открытые каталоги и директории напрямую.

В: Почему нельзя обойтись стандартными фильтрами по ключевым словам в Apollo? О: Базы данных сопоставляют ключевые слова по прямому вхождению в текст сайта. Если IT-компания пишет «мы разрабатываем софт для marketing agencies», Apollo пометит её как агентство. Только посещение сайта краулером и семантический анализ через LLM/Jev позволяют понять реальную бизнес-модель компании.

В: Зачем использовать Spider.cloud вместо стандартного BeautifulSoup или Puppeteer? О: Spider.cloud берет на себя обход блокировок, Cloudflare, рендеринг JavaScript и отдает чистый спарсенный текст всего за $0.001 за 10 страниц. Это избавляет от необходимости поднимать свои прокси и инфраструктуру парсинга.

В: Безопасно ли передавать API-ключи агенту в Codeex? О: Передавать ключи открытым текстом в промпты не рекомендуется. Создайте локальный файл .env в корневой директории проекта и укажите агенту считывать переменные окружения оттуда.

В: Как интерпретировать статус «Review» в выводе Jev? О: Статус «Review» присваивается, когда уверенность модели находится в диапазоне 0.70–0.85 (например, сайт содержит мало текста или агентство оказывает гибридные услуги). Вы можете либо установить жесткий фильтр отсечения (отсекать всё, что ниже 0.85), либо уточнить системный промпт с более детальным определением ниши.

Ресурсы и ссылки

• Codeex — десктопная среда/интерфейс для работы с моделями GPT6 Astra и Computer Use — упомянут в видео.
• TypeSafe (Jev) — специализированная микромодель для классификации и вероятностного скоринга — упомянут в видео.
• OpenRouter — единый шлюз для доступа к AI-моделям, включая Jev, без ручной верификации — упомянут в видео.
• Spider.cloud — быстрый и дешёвый API-краулер для скрапинга веб-страниц — упомянут в видео.
• Apollo.io — база B2B-контактов и данных о компаниях — упомянут в видео.
• Whisper Flow — инструмент голосового ввода для формирования детальных промптов — упомянут в видео.
• GetLeads.io — AI-ориентированная база лидов с поддержкой MCP-интеграций — упомянут в видео.
• Smartlead — платформа для автоматизации и масштабирования холодных email-рассылок — упомянут в видео.

Конспект создан на основе видео «How To Scrape 10,000 Leads With AI (GPT-6 Astra + Jev)» канала Matt Lucero. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=ysGuQEwmMTA