← 主页 NO.196

第 196 期 · 产品 · 收录于 2026 年 8 月 23 日

她用 Claude Code 在 LinkedIn 上每周拿到 5 个工作邀约——Basia Kubicka(Land PM Job 训练营)

Basia Kubicka · Aakash Gupta

产品 AI 产品

视频 92:20 原文约 7.4 万字预计阅读 29 分钟来源视频 ↗ 中英对照全文

原平台热度 YouTube ↗ 高赞

4,346观看

111赞

2.6%点赞率

16评论

4.5万频道订阅

数据截至 8 月 27 日

TL;DR · 三句话

一Basia Kubicka 6 个月从 0 到 5 万粉（现 7 万）、每周 5 个 inbound 工作邀约，靠的不是粉丝数而是一套可复制的系统——档案（当落地页而不是简历）、内容（被动人脉）、评论与私信（主动人脉）三件事；招聘方找到你的三条路径共同瓶颈都是「头像 + tagline」。 → 详细
二整套系统跑在 Claude Code 里：JD keyword miner skill 从 5 份相似 JD 挖出 ≥75% 重合的关键词，profile writer skill 按「结果而非职责」重写档案并把非典型履历的红旗翻成优势；CLAUDE.md 指向 ICP 与定位，story bank 让 Claude 写权威帖时自己去取她的真实故事——这是普通聊天窗口搭不出来的 harness。 → 详细
三内容就是产品管理披了层皮：先写透 ICP、定 3–5 个品牌支柱，用 Apify 代理抓取 + X factor（相对创作者自己 30 天均值的倍数）找「帖子本身好」的爆款，拆成模板换上自己的故事；求职者每周 3 条、两条「我是怎么做的」权威帖配一条「怎么做」触达帖，再先申请、后定向评论招聘经理及其团队。 → 详细

结论先行：私信里的五个 offer，和一套「别人也装得上」的系统

Basia Kubicka 开场就说「我是因为 LinkedIn 才辞掉全职工作的」——光这一周就平均收到 5 个真实工作机会，而且她不是讲道理，直接把私信截屏给主持人 Aakash Gupta 看：全是别人主动找上门的机会，「有些职位市场上根本还不存在，有些是对方想专门为我设一个岗位」。 → 详细
她的数据：6 个月从 0 到 5 万粉，现在 7 万。但她强调「重点不是粉丝数，而是这套系统本身在起作用」——证据是她刚带完第一期训练营，教别人装同一套系统，到第五周很多学员就开始拿到类似的结果。 → 详细
Aakash 的定位语：她从 0 到 5 万的速度「比我见过的几乎所有做 PM 内容的人都快」，每周 5 个 inbound offer「在市场里算最高的一档」；本期她免费公开全部：没有 MCP 的情况下怎么把 LinkedIn 连上 Claude、她的 skill 文件、维护 story bank 的 Claude Code harness、怎么改档案。 → 详细
一句要先记住的结论：LinkedIn 没有官方 MCP（Model Context Protocol，让 AI 直接调用外部服务的标准接口），她用的是一个「代理」方案，后面会演示。 → 详细

系统三件事：档案是落地页、内容是被动人脉、评论私信是主动人脉

系统只有三个部件。第一是档案（profile）——「很多人把 LinkedIn 档案当成线上简历，其实不是，它是你的落地页（landing page，营销里专门为了让访客采取行动而设计的页面）」；第二是内容，被动的人脉拓展，让别人通过内容找到你；第三是主动人脉，你去别人的内容下评论、发私信。这三件事就是整期节目的路线图。 → 详细
她坦白起步时「做得非常非常差」，雇了一批人来教，最后发现的关键是：内容创作和产品管理几乎一回事——要想用户旅程，要想 ICP（Ideal Customer Profile，理想客户画像，这里指「谁会来看你的档案」）。 → 详细

招聘方找到你的三条路径，共同瓶颈是「头像 + tagline」

路径一·被动发现：招聘经理刷信息流看到一条有共鸣的帖子→紧接着看到的是你的头像和 tagline（LinkedIn 名字下那行一句话定位）→两者配合才会点进档案→档案必须能「卖」出去。所以「tagline 一定要非常有针对性」。 → 详细
路径二·主动出击：你找到一个正在招的岗位→找到发这个岗位的招聘经理/招聘专员→去他们的内容下评论、在主页上活跃→他们看到的同样是头像 + tagline→再落到你的档案。 → 详细
路径三·招聘专员搜索：他们在 LinkedIn Recruiter 工具里做布尔关键词搜索（用 AND / OR 组合关键词的老式搜索），搜完后面对几百上千个候选人一路往下刷，第一眼看到的还是头像和 tagline。结论：档案必须针对正确关键词优化，tagline 是三条路径的公共瓶颈，所以先从它开始。 → 详细

现场演示第一步：用 JD keyword miner skill 从 5 份 JD 里挖关键词

演示设定：她给自己找了 5 个 API 相关 PM 岗位（OpenAI 的 API agents、API agentic、API developer platform、API 端平台、APIs and applications）。为什么要挑得这么像？「一旦你开始往不同方向发散，就很难找到一组统一的关键词来优化档案」——这是整套方法的前提。她也声明自己现在不在找工作，当前档案完全没做求职优化，「这反倒挺好，能学到很多」。 → 详细
档案要优化的部位清单：banner（头图，很多人拿来放名言，其实应该继续推销价值）、头像、tagline、about（很多人没用它来卖专长）、featured、activity（内容在这里起作用）、experience。 → 详细 → 详细
操作：在 VS Code 里打开 Claude Code，粘 5 个 JD 的 URL，让 Claude 跑名为「JD keyword miner」的 skill（她自嘲「名字非常有创意」）。skill 的硬规则：关键词重合度至少 75%，目的是让这 5 个岗位的任何一个招聘经理看到档案时都觉得「我就是为他们量身定做的」。她举例：市场和产品这两种岗位技能差异大，关键词重合就「非常非常小」。 → 详细 → 详细
skill 内部「就是一个 MD 文件」，步骤：收集 JD → 提取术语并分类 → 归一化、按覆盖率排序 → 诊断这些岗位是否聚焦，不聚焦就直接停下来让你重想申请方向（她说这是关键一步）→ 输出全部关键词。 → 详细 → 详细
输出结果：覆盖率 80%；关键词按类别列出、每个词在几份 JD 里出现过，从「每份都出现」一路排到「只属于某一份」；再往下是该突出的技能、可直接用进档案的反复出现短语、「这些岗位到底想要什么」、需要留意的差距（gaps to flag），最后是一份关键词简报（keyword brief），并自动建议「要不现在就重写你的档案」。她回「好」，只需再贴一份自己现在的档案。 → 详细 → 详细

LinkedIn profile writer skill：先对「真相」再动笔，档案只为结果优化

第二个 skill 带几份参考文件 + skill 正文。流程：①收集输入——关键词简报、当前档案、背景信息（档案信息不够就追问）；②把关键词对应到真实经历、定好细分定位（niche）；③动笔前先问清缺什么。 → 详细 → 详细
核心原则原话：「很多人的 LinkedIn 档案看起来像座鬼城，真正的成就和结果都没写上去。你的档案应该围绕结果来优化，而不是你负责过什么。别人雇你是为了结果。你越能讲出具体数字、具体成果和你带来的影响，就越好。」 → 详细
现场追问示例：「要把档案多大程度转向这 5 个岗位？」她选「全力求职」；「哪些能如实声称？」——创办并发布过 AI 产品（是）、MCP / agent SDK（是）、公开 API / SDK 平台（是）、「只做过内部 AI 工具」（不选，因为不是「只」）；「创始人算不算产品角色？」她答是——她大半辈子是创始人，只在离开上一份工作前两年正式挂过 PM 头衔。 → 详细
skill 里还编了「招聘方怎么看你」的视角——Aakash 点破本质：「你是在教 Claude PM 招聘经理是怎么想的。Claude 知道一般招聘的人怎么想，但神经网络里没有专门针对 PM 招聘经理的那部分；而如今的 PM 招聘经理特别执着于领域经验，你把人类知道的这些编码进了框架文件。」skill 先定 niche：领域 / 产品类型（API、marketplace、B2B、B2C）/ 超能力 / 最出彩的公司阶段（0 到 1 还是上市公司），再依次处理 tagline、banner、about、技能与经历的垂直具体度。 → 详细 → 详细
她怎么写 skill：「我绝对不手写，那太费时间。把自己学到的所有东西用上，写初版、跑一遍、不断迭代，直到得到我想要的结果。」 → 详细

非典型履历怎么办：about 栏是你唯一的「解释机会」，edge pass 把红旗翻成优势

Aakash 问「创始人算不算 PM 经验」这类判断该怎么做。Basia：非典型路径比想象中常见——研究员想转产品、COO 想拿 CPO。她帮过一位最早做语言翻译的女士，把故事改成「我以前翻译语言，现在把用户需求翻译成 spec」。原则：别人往往只看经历栏就下判断，不给你解释机会；about 栏就是那个主动回应红旗的地方。 → 详细
skill 的第二轮可选处理「edge pass」：讲出最大优势→找出招聘方第一眼看到的最大弱点→把弱点翻成优势→测试转化→围绕这一个 edge（独特优势）重写整份档案。 → 详细

改写输出逐项点评：headline 要带结果、banner 是 hero 区、about 前三行是钩子

Headline 给了 3 个选项，推荐版：「产品经理｜API 与开发者平台｜Agentic AI、MCP、0 到 1｜我帮团队把 AI 模型变成开发者愿意在上面构建的产品｜创始人，AI 创业公司 0 到 700 万，Techstars」。她的判断：太长了，「Claude 初稿当然很棒，但仍需要人的判断」；好的部分是开头就说清「我是专注 X 的 PM」+ 三个主关键词（0 到 1 是她的主背景）；后半段她会删掉换成一个具体成果，「0 到 700 万是一个很具体的结果」——思路是在 tagline 里也要亮出结果。 → 详细
Banner：宣言句「我构建开发者真正愿意在上面发布产品的 API 与 agent 层」。banner 不进关键词检索，但「它是你落地页上的 hero 区域（网页首屏最醒目的那块）」。她的思维转换原话：「如果你在找工作，你的 LinkedIn 档案不是关于你的，而是关于他们、他们的问题，以及你怎么帮他们解决问题。」 → 详细
About：LinkedIn 只显示前三行，之后要点「查看更多」，所以「前三行必须把人勾住」；正文要极易略读（别堆成一整块），高亮核心点——既针对那些 JD 做了关键词优化，又在讲她的故事，「不会显得只是在堆关键词」。skill 还给了时间线版和极简版。emoji 会不会惹人反感？「有可能，我喜欢，它传达情绪」；不想用就换数字、空行、箭头，目标只有一个：便于扫读。 → 详细 → 详细

Featured 板块放什么：不是 app，是「会讲故事的案例」；Premium 值不值

Featured 可以放案例研究文章、一页纸 case study、demo，「在这个 vibe coding 满天飞的时代，你大概也该分享一些自己做出来的东西」，比如 GitHub 主页或任何能证明你会做原型的东西。 → 详细
但别直接丢应用链接：「除非对方正好是你要解决的问题的目标用户，否则他点进去什么也看不出来。重要的不是应用本身，而是你的思考方式。」她听说有人被录用，是因为给叔叔做了个 app 并有真实用户——整场面试就围绕「叔叔的 app」怎么识别问题展开，「重点不在于会做原型，而在于怎么想、怎么把用户纳入思考」。所以放案例研究，案例里再链到 app。 → 详细 → 详细
Featured 对所有人开放（「添加板块 → 推荐」里加）。Premium 她认为积极求职期值得买：InMail 额度、open profile（别人不用付费就能联系你）、「顶尖申请者」标识等，记忆中约 100 美元/月。 → 详细 → 详细

经历、技能板块与收尾小项：量化一切、技能板块塞满、URL 去掉随机数

经历栏重写后「全都围绕数字展开，尽量量化实际交付的结果——不是我负责过什么，而是我交付了什么」；Claude 在没有数据的地方留方括号等你填真实数字，骨架已经对准 75% 关键词匹配。Basia 提醒：关键词只是一方面，之后真人会来看，档案的唯一目标是拿到第一条 DM。 → 详细 → 详细
技能可挂三处：about 里的顶级技能（skill 会告诉你该加哪些）、每段经历下的技能、整个技能板块（可被背书）。技能板块「想塞多少都行」且 recruiter 筛人时主动用它过滤，所以「说实话越多越好」；但经历下面别挂 40 个，「真的很难看」。 → 详细
收尾：open profile 只对 Premium 有效；自定义 URL 别留一串随机数字，用全名。档案优化到此为止。 → 详细

她的内容失败史：六个月 12 个赞，一条「你有点像垃圾信息」的私信，然后「拿钱砸问题」

她保留一条帖子当「对照组」：开头「昨天我差点就要放弃我的 AI 项目了，结果事情还能变得更糟」——12 个赞，「我到现在都记得那 12 个人」。头六个月一塌糊涂；六个月末收到前同事 David 的私信：「问候！我能否礼貌地建议一下，你那些 AI 营销帖子有点像垃圾信息了。」「扎心。」 → 详细
「那天我差点就不干了」，两条路：放弃（当时看起来完全合理），或「拿钱砸问题」去找已经做通的人学。她选了后者，曲线随即抬头——图上红色是自己瞎摸索的阶段，之后是学会做内容后的走势。结论原话：「它是一项可以学会的技能，我能学会，你也能。」 → 详细 → 详细
内容系统就是产品管理：从 ICP 出发（想跟谁说话）→理解他们的痛点、提供大量价值→做用户研究（受众已经对什么话题、什么帖型有反应）→加上你的 USP（Unique Selling Proposition，独特卖点）→发布、迭代再迭代。「如果你觉得这套流程干过，那是故意的——这就是产品管理，只是披了层内容创作的皮。」 → 详细

三种帖型 ToFU / MoFU / BoFU：「怎么做」博触达、「我是怎么做的」立权威，求职者两条权威配一条触达

帖子分漏斗顶部（ToFU，top of funnel）、中部（MoFU）、底部（BoFU），她的 Claude Code 里就用这三个缩写。ToFU 为触达：把你推到从未见过你的新受众面前，带来「原本想象不到的新机会」；MoFU 为权威；BoFU 找线索，创始人、销售才用，本期不展开。 → 详细
最简单的区分：触达型是「怎么做 X」——任何人都能写的通用指南，不跟具体的人绑定所以容易被转发；权威型是「我是怎么落地 X 的」。同一话题可以写成两种。ToFU 内部又分 7 种类型（本期不展开）。 → 详细 → 详细
为什么必须两种都做：只做权威→网络里已有的人知道你厉害，但「新的人永远触达不到，或者触达得非常慢」；只做触达→粉丝涨了但「没人知道你擅长什么，那就没有理由雇你」。 → 详细
求职者配方：一周至少 3 条，两条权威 + 一条触达。理由：招聘经理落到你档案往下滚看到的是你的动态，「我不在乎你爆没爆，我想看的是你怎么思考」。不找工作时再去优化触达。 → 详细

现场写一条权威帖（上）：自建抓取工具做「用户研究」，把别人的爆款拆成模板

要重做的帖子：她那条讲自己 vibe coder 经历的爆款，开头「我经历过这个循环」——讲的不是所有 vibe coder，而是她自己的经历、学到的、交付的，然后给解法和收获，「这就是做权威型帖子的思路」。 → 详细
她的调研工具：自己在 Claude Code 里 vibe coding 出来的本地工具（跑在 localhost），抓取 LinkedIn 帖子，后来又加了 Twitter、Substack、Instagram，专找已经在别人那里表现很好的内容。原话：「这就是用户研究。我想看的是什么已经引起共鸣了，而不是自己瞎琢磨、硬憋一个犀利观点。我直接看大家已经喜欢的东西，然后加上我自己的视角。」她对「爆」的定义：超过 750 个赞（可按目标调）。 → 详细
原帖来自另一位创作者，讲数据分析师的成长循环。她「真的就是把它当模板用了，不用去琢磨文案技巧」：把「数据分析师的生活」换成「vibe coder 的生活」6 条，中间一句「那时候我才痛苦地学到」，然后是解法，最后是 mic drop（压轴金句）。她还换了一张不同的图。 → 详细
爆款帖的通用解剖：图片 + 钩子（前两三行） 配合让人停下滚动→桥（通常一条故事线，原帖就是作者自己挣扎的经历）→干货（高度教育性；「LinkedIn 是职业平台，大家来那儿不是为了学习，所以你要尽可能地给」——她的干货就是「怎么正确做 vibe coding」）→mic drop（两到四行总结，把观点落定）→互动提问或 CTA（她当时推的是自己的 LinkedIn Learning 课程）。「每一条表现特别好的帖子通常都有这些组成部分。」 → 详细 → 详细
模板化的具体操作：复制原帖→Claude 新开会话→「能帮我把它模板化吗？」让 Claude 分出哪些是可复用的固定件、哪些要替换。结果：「作为 ____，这个循环我经历了太多次」（空格填「产品经理」）；故事线固定节拍——充满希望的开始→现实一拳打碎→东拼西凑想修好→虚假安慰的小胜利→没人理会不了了之；「那时候我才痛苦地学到」原样复用；「一行真相」（加粗）+「痛点重述」；干货部分她会「加倍下注」，原帖只有 3 点，她喜欢加更多；mic drop 固定句式：「这是目前最被低估的技能」+ 对比句「我们过度投入的是什么 / 我们通常忽视的是什么」。然后让 Claude「改写成 vibe coding 版本」。 → 详细 → 详细

选题从哪来：先写透 ICP，再定 3–5 个品牌支柱，求职者直接从 JD 里挖题

Aakash 问「怎么选中 vibe coding 这个话题？这是求职者最难的部分」。Basia 承认这一块本该最先讲：一切从 ICP 开始。她自己不找工作，现在讲 AI agent 和 vibe coding 是为了在这个领域立权威；求职者的 ICP 是招聘经理，「他的主要痛点是什么？读 JD 就知道」——所以她会从 JD 里挖选题，再用抓取工具看这个话题上什么已经引起共鸣。 → 详细
她起步的第一步是把 ICP 写得非常细：「他们是谁、气质、能量、处在人生哪个阶段、梦想、恐惧、痛点、心里想但没说出口的、他们用的原话」，以及理想粉丝真正想学什么。 → 详细
品牌支柱：选 3–5 个持续覆盖的主题，既不东一榔头西一棒子讲 50 个话题，也不是「只会聊一件事的扁平人设」——「想想你的朋友圈，你有多大可能愿意跟一个翻来覆去只聊一件事的人混在一起？」她的支柱：AI agent、vibe coding、泛产品 AI，再加一些个人的东西展示个性。求职者版：申请 API 平台就聊开发者工具、API 定价；申请 0 到 1 就聊自己怎么做客户发现——「所有过去做过、又和要申请的岗位相关的事」；还可以再往细分深挖（fintech PM、房地产 PM）。 → 详细 → 详细
Aakash 的补充：有时会收到现任同事「你好像在 LinkedIn 上花了不少时间啊」，所以要挑「在现雇主和未来雇主眼里都显得不错」的支柱；vibe coding 人人能聊、适合触达型，权威型要更具体，比如「我是做 API 的 fintech PM」。Basia：「百分之百。」 → 详细

不敢发帖的心理关：「我到底为谁做这件事」+ 一个足够大的「为什么」

很多人不敢发是怕同事、朋友、家人评判。她第一次发时「脑袋都快在抖，胃里翻江倒海」。等有了规律，大家知道「哦，她现在搞内容了」就没人议论了，但刚开始人们确实会议论。 → 详细
帮到她的问题：「我到底为谁做这件事？是为我的朋友吗？如果他们不想看，可以取关、可以删掉我，这是他们的选择。而我想要的是拥有所有的机会，因为你永远不知道谁在看。」后来发生的事（比如 LinkedIn Learning 找她去教 vibe coding）「全都只是因为我把自己展示出来了」。「你得有一个足够大的为什么，强到压过一开始会遭遇的所有东西——跟所有事一样，一开始都得先烂，才能变好。」Aakash 补一句：做得越大遭遇越多，脸皮会越练越厚。 → 详细 → 详细

为什么必须在 Claude Code 里做：CLAUDE.md 指向 ICP 与定位，story bank 是「最棒的东西」

Aakash 现场顿悟：「我现在明白你为什么要在 Claude Code 里做了。你有 ICP、有定位，我猜你的 CLAUDE.md（Claude Code 每次启动都会读的项目说明文件）就指向这些。这种 harness（把规则、资料、skill 组装起来约束 AI 的整套脚手架）在普通 Claude 聊天里搭不出来，光靠 skill 不够，你需要 Claude Code。」Basia：「百分之百。」 → 详细
Story bank（故事库）：一个文件，装满她人生、经历、做过的事的大量细节。写权威帖时 Claude 可以「直接到这里来，抓取贴合某个话题的具体细节，我不用一遍遍重复讲」。 → 详细
它怎么长起来的：第一步是让 Claude 采访她；之后不是专门坐下来写，而是很情境化——有个帖子想法但故事还不在库里，就先把故事讲给 Claude 写帖子，会话结束时说一句「能把这个故事加进我的 story bank 吗」。「我可以直接让 Claude 不断往里加，不用花太多时间。」 → 详细

现场写一条权威帖（下）：看初稿、重新 prompt、再用「火车过桥」配图

初稿的问题：它写的是「用 AI 构建」而不是「vibe coding」；故事线「为新 app 点子兴奋→prompt 它→修补错误」不错但细节不够。Aakash 要求看「真实的反应」而不是将就。她的重 prompt：「不要写 building with AI，直接说 vibe coding；描述六个要点那条故事线时写得更细、更具体。」 → 详细 → 详细
初稿里已经成型的干货：「vibe coding 不等于交付。每次用 AI 做东西，读一遍它写的代码，故意把它弄坏，用你自己的话写下每个部分到底在干什么。」很多人问她「全是 AI 写的，为什么大家会喜欢」——「是 AI 写的，但那只是初稿。之后人的那一部分才更重要，尤其是写 hook 的时候，我会花大量时间反复打磨。这事没有大家想的那么直接。」 → 详细
二稿立刻有了故事感：「周日晚上你为一个新 app 点子兴奋起来→prompt 出来，它居然真的在浏览器里跑起来→点一个按钮冒出看不懂的红色报错→把报错粘回去，它修好了→三小时后勉强能用」。她说「已经足够接近，还会再改几处」。 → 详细
配图：灵感来自朋友 Louise 一条用「房子」类比讲 vibe coding 的帖子（叙事、结构都不同，但她喜欢「左右对比 vibe coding vs vibe engineering」的概念）。她复制那张图丢进 ChatGPT，要求「感觉氛围类似，左边 vibe coding、右边 vibe engineering，但画一列火车过桥：左边高速列车驶过地基脆弱的桥、桥在底下断裂；右边慢一点的区域列车驶过地基牢固的桥」。背后的意思：vibe coding 快、立刻看到结果、bug 一出就塌；vibe engineering 要写 PRD、前期步骤多、更慢但稳，「两者都能把你从 A 带到 B」。图要配合帖子的 mic drop「这就是 vibe coder 和 vibe engineer 的区别」。她用 Wispr Flow（语音转文字工具）口述 prompt。 → 详细 → 详细 → 详细

借鉴还是抄袭：一条光谱、标注出处、创作者之间的「content swap」

她的立场：「我只是拿了一个模板，帖子完全不同、话题完全不同，除了模板和组织结构，其他都不一样。」界限没有非黑即白，是一条光谱：一端是纯原创爆了，另一端是「一字不差复制粘贴连图都拿走」。 → 详细 → 详细
她的规则：原封不动用别人的图→一定标出处，通常事先问一声；从不逐字照搬，除非是事先约好的 content swap（内容互换）——比如度假没时间做内容，就打电话给 Louise 说「我要用你这条，第三行 tag 你」，对方也可以同样用她的，互换表现最好的内容，「用同样的 hook、同样的图，知道它一定能打」；一群创作者朋友之间互相拿、互相 tag、说一句「去关注 ta」，大家都受益。 → 详细
文字模板：用模板不点名出处没问题，「因为对方很可能也在用模板，这就是现实」。图片：Louise 的图也是 ChatGPT 做的，没有专有性；但若是别人花时间做的详细信息图，她会说「灵感来自某某，去关注 ta」。「没有一条清晰的线，我们都是人，就需要互相沟通、把事说定。」 → 详细

没有 MCP 怎么把 LinkedIn 连上 Claude：Apify 的第三方 actor + 代理服务器

她用 Apify——一个市场，上面有第三方开发者做好的各种 API（Apify 叫它们 actor），按用量付费，这里是按每次抓取计价。LinkedIn 不喜欢被爬，所以这些 actor 的作者用了代理服务器：「跟你自己的账号没有关联，LinkedIn 检测不到，你也不需要登录 LinkedIn 就能用。这是最快、最省事的方式。」 → 详细
操作就是打开 Apify 搜「LinkedIn post scraping」。Aakash 激动：「这可是大量的 alpha，没有别人会教你怎么做这个。」Basia 声明她不卖数据，「对我来说就是为了获得分析内容的能力」。 → 详细 → 详细 → 详细

她的内容分析工具两大功能：X factor 筛「帖子本身好」，embedding 相似度找「被反复验证的模式」

X factor：取某创作者最近 30 天 / 30 条帖子的移动平均（她自己平均 300 赞），和最新一条比，得出倍数。例：创作者 Mantan 的一条帖子比他 30 天平均好 24–25 倍——「这告诉我帖子本身很好，不是因为粉丝多、也不是运气」。她按 X factor 筛，然后点进去读，「搞清楚这条 hook 到底是什么让人想点开」。 → 详细
按图片分组：很多创作者互相汲取灵感——她做的一张图，Louise 也用了，这条帖子「三个月里已经爆了五次」；另一条爆了三次（同一人两次、信息图略有不同）；还有一条视频在好几个创作者那里都爆了。推论：一个在多人处反复跑赢的模式，对你大概率也会跑赢平均，「可能不会爆到 2,500 赞，但比你其他帖子会表现不错」。 → 详细 → 详细
技术实现：每次抓取帖子都用 Voyage API 给图片和正文生成 embedding（把内容变成可比相似度的数字向量），得到相似度分数，拖滑块调阈值就能把「左右对比」这类视觉模式聚出来。工具是 vibe coding 做的，演示中也确实卡了一下，Aakash 打圆场「vibe coding 的站偶尔出点小毛病」。 → 详细 → 详细

主动出击第一步：从 JD 里找团队名，在公司主页 People 里用一个关键词把招聘经理筛出来

现场拿 TikTok 的「AI developer platform」岗位演示。第一件事：在 JD 里找团队名——大公司 JD 通常写明；小公司只有一个核心产品，就直接找 head of product 之类更高级别的人。 → 详细
操作：打开 TikTok 公司主页→点 People→先按地点筛（岗位在西雅图，假设招聘经理也在）剩 30 人→再加关键词「product management」剩 9 人；但 LinkedIn 这里只能加一个关键词，于是去掉 Seattle、换成「AI developer platform」。然后逐个翻档案，快速办法是直接在档案里搜这个关键词——过程中排掉了前员工、实习 PM、做 marketplace 的、做 onboarding 的，最后找到一位 developer platform 方向的 PM。 → 详细 → 详细

评论怎么写才会被注意：叫名字、加价值、结尾开放式提问——非创作者「没有 25 条通知」所以一定会看到你

找到的是个 PM，大概率是未来同级、向招聘经理汇报，所以先从他的内容互动起。进 Activity→Show all 看帖子：「很高兴分享一年前入职 TikTok」这种很难加价值，「可以像别人一样说恭喜」；另一条分享带俱乐部学到的东西，「我会想一个角度，让我能增加明显的价值、表达自己的观点」。 → 详细
评论公式：叫对方名字（去掉姓）+ 有价值的评论 + 结尾一个开放式问题邀请对话。为什么有效：「大多数人不是内容创作者，不会每小时收到 25、26 条通知，所以他们会收到通知、会注意到，会看到你的名字和 tagline」——如果 tagline 相关，就会点进你的档案，「你已经在他们脑子里挂上号了」。 → 详细 → 详细
下一步发连接请求，附言模板：「我刚申请了你们团队的 XYZ 岗位，能不能打个 15 分钟电话请教申请流程？」；或满足对方自尊心：「你做成的事真让我佩服，很想了解你是怎么拿到这份工作的」；或俏皮一点（对不好接触的人）：「既然你反正一天要吃三顿饭，不如拿一顿跟我一起吃？我请。」——「他们本来就要花吃饭的时间，还能白吃一顿」，很多人会说「这条消息挺聪明」然后答应通话。 → 详细 → 详细
第二个目标：TikTok AI 基础设施产品总监，可能是潜在招聘经理。「就算她不是，你总可以问『我刚申请了这个岗位，能帮我指一下该找谁吗』，没有任何损失。」她两年前才发过帖，别评两年前的东西，改看她在别人帖子下的评论——能看出她对什么感兴趣，也能在那里加价值（她问的是「是副业启发了这个 autodrive，还是 Claude agent 启发你做副业」）。「研究这个人说了什么，给出比『两者都对』有价值得多的回答，表现出你做过功课。」 → 详细 → 详细

先申请再私信：在「10 分钟 700 份申请、70% 是机器人」的时代，做那个说「我是真人」的人

她特别强调：先正式申请，表现出你是守规矩的好公民，同时又是积极主动的人。现在的乱象：「一个岗位发布后头 10 分钟就收到 700 份申请，其中 70% 是机器人，这些人不得不在这堆东西里筛来筛去。」 → 详细
私信该说的话：「我是真人，我已经申请了，但我还想告诉你：你要求的这三样东西，我正好都有经验，希望能被纳入考虑。」——「你是在让他们的工作变轻松，他们会感激的。」 → 详细 → 详细

该不该去大号底下大量评论：取决于目标，要做就掐准「第一个评论」

给创作者大号评论是被动拓展（不知道谁会看到），适合优化「随机撞上机会」的曝光。但「光评论大概率走不远」，除非你是帖子刚发出时最早评论的几个人——否则 300 条评论里你只是其中之一；抢到第一，很多人会看到你的 tagline 和头像。 → 详细
如果目标是主动找工作 / 换工作，精力应该放在前面那套「定向找招聘经理」的做法上。Aakash 收尾：「今天别再撒 10 份海投，用今天的框架写一篇帖子，你马上就能看到效果。」 → 详细 → 详细

闪电问答 / 收尾

本期无 lightning round。收尾只有一个小问题：

Q1｜这些 skill / 工具打算开源吗？

Basia：「这些是我课程的一部分，算是在付费墙后面。」Aakash：「我猜也是。」两人也提到这期「比预想的长了不少」。片尾 Aakash 的订阅提醒与工具 bundle 广告不进总结。 → 详细 → 详细

联系方式

Basia Kubicka：LinkedIn，handle 就是她的名+姓；「来跟我连接，随时私信，我每条都会看」。 → 详细
她在片头插播的训练营 Land PM Job 第四期（与 Aakash 合作，8 月开课、三个月；前三期分别 30 / 50 / 75 人；讲师含 Bart Choworski、Uber AI PM Ang Vermani、Prasad Ready 做一对一），属赞助内容，按需自查。 → 详细

接着读

NO.195 · Agent 工程 Uber 的 Agent 化软件开发生命周期——Uday Kiran Medisetty、Adam Huda(Uber) Uday Medisetty · 15 分钟 NO.194 · Agent 工程搭 Agent 已经不难了,上下文才是下一个前沿——Jeff Ng(Unblocked) Jeff Ng · 11 分钟