摘要： Firecrawl 在 2026 年 11 月 2 日發表一篇 B2B prospecting 指南，把開發客戶拆成五個步驟，每步附上一段可直接貼進 ChatGPT、Claude 或 MCP agent 的提示詞。核心論點是：模型本身只會用訓練資料回答，名單要可靠，必須接上即時資料來源。對產品開發者來說，這也是一個「agent + 資料供應商」整合模式的具體範例。
為什麼單靠 ChatGPT 做不出可靠名單
B2B prospecting 是主動找出最可能購買的公司與決策者，再研究他們之後才第一次接觸。Firecrawl 的指南把它與 lead generation 對照：前者由賣方挑選帳戶並主動出擊，後者等買方自己找上門。
指南指出，ChatGPT 和 Claude 能規劃流程、按 ICP 評分、撰寫 outreach 文案，但無法自行建立可靠名單，因為它們不知道上週的融資、目前的職缺或今天誰掛著哪個頭銜，而且會猜測 email 地址。解法是接上資料來源：Firecrawl 的 /search 讀即時網頁，/scrape 把公司官網轉成乾淨的 Markdown，Alexandria 則查詢 Apollo、People Data Labs、FullEnrich、Fireround 等供應商的結構化資料。
五個步驟與對應的提示詞
Firecrawl 把流程拆成五步，每步都會收斂名單並補上脈絡：
- 定義 ICP——用 /scrape 讀五個最佳客戶的網站，請模型歸納共同特徵，而不是自己猜。
- 建立帳戶名單——用 Fireround 找近期融資的新創，用 Apollo 和 People Data Labs 按產業、規模、地區搜尋成熟企業，最後要求表格輸出並去重。
- 找出買家——先用 Apollo 免費的 people search 看誰掛著目標頭銜，再只用 FullEnrich 查短期名單內的工作 email，控制付費次數。
- 檢查購買訊號——融資、招聘、產品發布、人事異動，判斷「為什麼是現在」。
- 寫第一封觸達——開頭引用步驟二到四找到的具體事實，而不是通用寒暄。
指南強調每段提示詞都建立在同一個對話的前一步之上，而且不必然指名供應商，assistant 會自行挑選合適的 Alexandria 工具。指南也引用自家 Company Enrichment Benchmark（200 家美國公司）：Apollo 在總部、員工數、創立年份等欄位得分 89.3%，People Data Labs 得 80.6%——挑選資料來源時，這類基準數字比行銷文案有用得多。
接線方式：plugin、connector 與 MCP server
設定需要免費的 Firecrawl 帳號、在 AI 工具裝上連接，並在 dashboard 接受各資料供應商的條款。ChatGPT 用 plugin、Claude 用 connector，都是一鍵安裝且不需 API key。其他 MCP client 則用 Firecrawl MCP server，例如 Claude Code：
claude mcp add --transport http firecrawl https://mcp.firecrawl.dev/v2/mcp-oauthCodex 則是：
codex mcp add firecrawl --url https://mcp.firecrawl.dev/v2/mcp-oauth任何支援 JSON 設定的 client 都可以這樣加：
{
"mcpServers": {
"firecrawl": {
"url": "https://mcp.firecrawl.dev/v2/mcp-oauth"
}
}
}對 builder 的幾點觀察
兩個細節值得借鏡。第一是指南要求 assistant 在執行付費查詢前先回報 credit 成本——把成本控制寫進提示詞，是讓 agent 在生產環境可控的簡單手法，和我先前在 ChatGPT skills 接上即時資料 一文裡談的重複任務封裝是同一條思路。第二是真實使用案例：B2B SaaS 從業者 Andrew Allsop 用 Firecrawl、Cloudflare 和 Companies House API 建了一個 Claude workflow，自動判斷新註冊用戶是單一站點、多站點集團還是顧問，這原本每天要花一個人 30 分鐘。
需要留意的是：Firecrawl Alexandria 不包含在免費的 keyless tier 內，資料供應商的呼叫需要登入帳號，免費方案每月含 1,000 個 Firecrawl credits。換句話說，這套流程可以免費跑通前幾步，但要擴大名單就得計費——動手前先在提示詞裡設好頁數上限，是實際的下一步。