Sales Agent Builder

Sales Agent Builder

Quand utiliser ce skill

Conçois un agent commercial automatisant tout ou partie du cycle outbound : enrichissement de leads, qualification structurée (BANT/MEDDIC), rédaction d'emails personnalisés, séquences multi-touch, mise à jour CRM, prise de rendez-vous. S'applique aux équipes SDR/BDR, startups B2B en croissance et toute équipe cherchant à industrialiser les tâches répétitives sans sacrifier la personnalisation.

---

Workflow en étapes

1. Choix du mode d'autonomie

Avant de coder : décide du niveau d'autonomie selon la maturité de l'équipe.

| Mode | Comportement | Quand l'utiliser | |---|---|---| | Human-in-the-loop | Propose les emails, attend validation avant envoi | Phase initiale ( 10% confirmé | | Fully autonomous | Gère l'intégralité du cycle sans intervention | Après 3+ mois de données, superviseur actif |

Toujours démarrer en human-in-the-loop. Passer en semi-autonome uniquement après validation de 100 emails minimum et taux de réponse > 10%.

---

2. Architecture des cinq modules

┌─────────────────────────────────────────────────────┐
│  Lead entrant (CSV / webhook CRM / formulaire)      │
└────────────────────┬────────────────────────────────┘
                     ▼
         ┌─────────────────────┐
         │ A. Enrichissement   │  Apollo, Clay, Hunter.io
         └──────────┬──────────┘
                    ▼
         ┌─────────────────────┐
         │ B. Qualification     │  BANT / MEDDIC → score 0-100
         └──────────┬──────────┘
                    ▼
         ┌─────────────────────┐
         │ C. Génération       │  Email + variantes A/B
         │    d'outreach       │
         └──────────┬──────────┘
                    ▼
         ┌─────────────────────┐
         │ D. Séquences        │  Multi-touch J0/J3/J5/J8/J10/J15
         │    & follow-ups     │
         └──────────┬──────────┘
                    ▼
         ┌─────────────────────┐
         │ E. CRM + Reporting  │  HubSpot / Salesforce / Pipedrive
         └─────────────────────┘

---

3. Enrichissement automatique des leads

Pour chaque lead entrant, collecter : taille/secteur/financement (Crunchbase, Apollo), profil LinkedIn, actualités récentes (levées, recrutements, partenariats), stack technique (BuiltWith), et score ICP.

# Enrichissement via Apollo API
import requests

def enrich_lead(lead: dict, api_key: str) -> dict:
    resp = requests.post(
        "https://api.apollo.io/v1/people/match",
        json={
            "first_name": lead["first_name"],
            "last_name": lead["last_name"],
            "organization_name": lead["company"],
            "api_key": api_key,
        },
        timeout=10,
    )
    resp.raise_for_status()
    person = resp.json().get("person", {})
    return {
        "title": person.get("title"),
        "linkedin_url": person.get("linkedin_url"),
        "seniority": person.get("seniority"),
        "company_size": person.get("employment_history", [{}])[0].get("organization", {}).get("estimated_num_employees"),
        "technologies": person.get("organization", {}).get("current_technologies", []),
    }

Critère de décision : si l'enrichissement retourne dict: score = 0 reasons = []

# Budget (0-25) if lead.get("companysize", 0) > 200: score += 25; reasons.append("Budget probable (>200 employés)") elif lead.get("companysize", 0) > 50: score += 15; reasons.append("Budget estimé moyen")

# Authority (0-25) seniortitles = ["VP", "Director", "Head", "Chief", "CXO", "Founder"] if any(t in (lead.get("title") or "") for t in seniortitles): score += 25; reasons.append("Décisionnaire identifié")

# Need (0-25) — basé sur stack / industrie painindustries = ["fintech", "ecommerce", "saas"] if lead.get("industry", "").lower() in painindustries: score += 20; reasons.append("Industrie cible prioritaire")

# Timeline (0-25) — basé sur signaux (recrutement SDR, levée récente) if lead.get("recentfunding") or lead.get("hiringsales"): score += 25; reasons.append("Signal de croissance détecté")

tier = "Hot" if score >= 70 else "Warm" if score >= 40 else "Cold" return {"score": score, "tier": tier, "reasons": reasons}

**Règle :** ne faire entrer dans les séquences automatiques que les leads `Warm` (≥ 40) et `Hot` (≥ 70). Les `Cold` vont dans une nurture séparée.

---

### 5. Génération d'emails d'outreach personnalisés

Contraintes non négociables :  3 mois)
- NOT_RELEVANT : hors cible, mauvaise personne
- OBJECTION_PRICE : problème de budget
- OBJECTION_TOOL : déjà un outil concurrent
- NEGATIVE : refus définitif
- QUESTION : demande d'information

Réponse : {email_body}
Réponds avec le code catégorie uniquement."""

Pour OBJECTION_PRICE et OBJECTION_TOOL : utilise une bibliothèque d'objections validée par l'équipe commerciale. Pour INTERESTED : escalade immédiate vers un humain avec contexte complet du lead.

---

8. Intégration CRM

# Mise à jour HubSpot après qualification (SDK officiel)
from hubspot import HubSpot

client = HubSpot(access_token=HUBSPOT_TOKEN)

def update_lead_hubspot(contact_id: str, score: int, summary: str):
    client.crm.contacts.basic_api.update(
        contact_id=contact_id,
        simple_public_object_input={
            "properties": {
                "hs_lead_status": "QUALIFIED" if score >= 70 else "IN_PROGRESS",
                "qualification_score": str(score),
                "qualification_notes": summary,
                "lifecyclestage": "salesqualifiedlead" if score >= 70 else "lead",
            }
        },
    )

Actions minimales à logger dans le CRM pour chaque lead : email envoyé, email ouvert, réponse reçue, classification de la réponse, score de qualification, meeting booké.

---

9. Métriques à monitorer

| Métrique | Cible | Alarme si | |---|---|---| | Taux d'ouverture emails | > 40% | 15% | 5% | 3% | | Spam rate | 0.08% | | Pipeline généré (€) | Dépend du deal size | — |

Génère un rapport hebdomadaire automatique (Slack/email) pour le manager avec ces indicateurs et les top 3 emails par taux de réponse.

---

Garde-fous et conformité

• RGPD / CAN-SPAM : lien de désinscription fonctionnel dans chaque email. Respecter les opt-outs sous 48h. Ne jamais prospecter sur des listes achetées sans consentement documenté.
• Délivrabilité : maximum 100-200 emails/jour par domaine. Réchauffage progressif sur 4 semaines (10 → 30 → 80 → 150/jour). Surveiller bounce (< 2%) et spam (< 0.1%) en continu.
• Escalade humaine obligatoire : toute réponse INTERESTED ou réponse ambiguë → transfer immédiat à un commercial avec contexte complet. L'agent ne négocie jamais seul.
• Audit trail : chaque email envoyé par l'agent doit être loggé avec timestamp, version du template, données d'enrichissement utilisées. Conserve 12 mois minimum pour conformité.

---

Anti-patterns à éviter

• Générer des emails sans accroche contextualisée : "J'espère que vous allez bien" = taux de réponse < 3%. L'accroche doit citer une donnée concrète.
• Lancer la séquence complète avant validation : envoyer J0 à J15 sans analyser les réponses intermédiaires brûle les leads et risque le blacklistage.
• Score de qualification sans justification : un score sans reasons est inexploitable par le commercial. Toujours fournir les critères.
• Pas de limite de volume au démarrage : un nouveau domaine qui envoie 500 emails J1 sera blacklisté sous 48h. Respecter le réchauffage.
• CRM non synchronisé : un agent qui envoie des emails sans logger dans le CRM crée des doublons de prospection et détruit la relation client.
• Objections gérées par l'agent sans validation humaine : les réponses aux objections complexes doivent être validées par l'équipe commerciale avant d'être intégrées à la bibliothèque.

---

Stack recommandée (2026)

| Besoin | Outils | |---|---| | Enrichissement | Apollo.io, Clay, Hunter.io, LinkedIn Sales Navigator | | Séquences email | Instantly.ai, Lemlist, Outreach | | Orchestration agent | LangChain, LangGraph, Anthropic SDK | | CRM | HubSpot API, Salesforce API, Pipedrive API | | Booking | Calendly API, Cal.com (open source) | | Monitoring | Datadog, Grafana, PostHog | | Modèle LLM | Claude Sonnet (rédaction), Claude Haiku (classification) |

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: khalilbenaz
• Source: khalilbenaz/claude-skills-collection
• License: MIT
• Homepage: https://khalilbenaz.github.io/claude-skills-collection/

Install and usage instructions live in the source repository linked above.