Professionelle Profilanalyse mit gewichtetem Scoring, Headline-Optimierung, Banner-Erstellung, Content-Strategie und DOCX-Report. Welche Aussagen belegt sind und welche Zahlen bewusst zurückgezogen wurden, steht in references/SOURCES.md.
Der Skill erkennt automatisch, welche Analyse du brauchst, und liefert strukturierte Ergebnisse mit konkreten Handlungsempfehlungen. Der Dialog rechts ist nachgestellt. Die Zahlen darin sind das Rechenbeispiel aus references/SCORING.md, hinterlegt als tests/fixtures/profile_mid.json, kein gemessenes Profil.
9 konkrete Ergebnisse, von der Analyse bis zum fertigen DOCX-Report.
10-Kategorien-Bewertung von 0 bis 100 nach dem Raster in references/SCORING.md, mit Sub-Kriterien pro Kategorie.
Positionierungsmatrix gegen 3–5 Nischen-Konkurrenten mit Gap-Analyse und Differenzierungsstrategie.
3 Varianten mit SEO-Score, Zeichenzahl und strategischer Begründung für jede Option.
Orwell-inspirierter Schreibstil, strategische Hashtags und starker Call-to-Action.
1584×396px mit Safe-Zone-Validierung für alle Viewports. Desktop, Tablet und Mobile getestet.
Personalisierter Posting-Skill mit 10 Hook-Typen, Content-Pillars und Engagement-Optimierung.
5 Kommentar-Typen und 15–20 strategische Ziel-Accounts für maximale Sichtbarkeit.
Social Selling Index Optimierung über die vier von LinkedIn benannten Säulen, aufgeteilt auf 30, 60 und 90 Tage. Zielmarke dieses Skills: SSI ≥ 75.
Word-Dokument mit 9 Kapiteln: Scoring-Tabellen, Detailanalyse je Kategorie und 30/60/90-Tage-Roadmap.
Kategorien und Gewichte stehen in references/SCORING.md. Die Werte unten sind die dort durchgerechnete Beispielbewertung: Rohscores von 0 bis 10, gewichtet ergeben sie 70,0 von 100. Sie liegen als tests/fixtures/profile_mid.json im Repo, und tests/run_eval.py prüft bei jedem CI-Lauf, dass die Balken auf dieser Seite denselben Wert zeigen.
Was hier bewusst fehlt: ein Vorher-Nachher. Dafür braucht es zwei datierte Messungen desselben Profils im Abstand von 60 bis 90 Tagen. Solange die nicht vorliegen, steht hier ein nachrechenbares Beispiel und keine Erfolgszahl.
Vom Profil-Scraping über die Analyse bis zum fertigen DOCX-Report, jede Phase baut auf der vorherigen auf.
Chrome-First: Profil-Daten direkt aus dem Browser extrahieren. Fallback auf manuelle Eingabe.
10-Kategorien-Bewertung mit gewichteten Sub-Kriterien nach dem Raster in references/SCORING.md.
3–5 Nischen-Konkurrenten identifizieren, Positionierungsmatrix erstellen.
3 Headline-Varianten mit SEO-Score. About-Text mit Orwell-Prinzipien optimiert.
1584×396px mit Safe-Zone-Validierung. Viewport-Matrix für alle Geräte.
Personalisierter Posting-Skill und strategische Kommentar-Strategie generieren.
Social Selling Index über alle 4 Säulen optimieren. Tag 1–30, 31–60, 61–90, je mit Hypothese und Messweg.
Word-Dokument mit 9 Kapiteln, Scoring-Tabellen und 30/60/90-Tage-Roadmap.
Dwell Time als Ranking-Signal, belegt durch den LinkedIn-Engineering-Blog vom 12.05.2020. Ein Gewicht oder ein Prozentwert steht dort nicht.
Der früher hier genannte Plattform-Durchschnitt der Engagement-Rate ist zurückgezogen. Die angegebene Quelle führt den Wert nicht und nennt keinen Nenner.
Blaues Badge nur auf Einladung, Nominierungen prüft LinkedIn quartalsweise. Das goldene Community-Badge ist seit dem 08.10.2024 zurückgezogen.
Vier Säulen, von LinkedIn benannt. Die Aufteilung in je 25 Punkte bestätigt LinkedIn nicht, sie wird als Konvention geführt.
Jede Quelle mit URL, Veröffentlichungs- und Abrufdatum, dazu die Liste der zurückgezogenen Zahlen und das nächste Prüfdatum: references/SOURCES.md.
Dieser Skill macht die einmalige Ist-Analyse und liefert die Profil-Artefakte: Score, Headline, About, Banner, Wettbewerbsmatrix, SSI-Plan und Report. Für den laufenden Betrieb, also Wochenroutine, Content-Kalender, Community und Analytics, gibt es den Schwester-Skill linkedin-community-builder.
Beide reagieren auf dieselben Formulierungen, unter anderem „Profil optimieren" und „Content-Strategie". Welcher wann greift, steht als Regel in SKILL.md: erst die Ist-Analyse hier, danach die Übergabe an den Betrieb.
# In Claude Code, einmalig den Marketplace hinzufügen /plugin marketplace add GodModeAI2025/LinkedInOptimizer /plugin install linkedin-profil-optimierung@linkedin-optimizer # Auf claude.ai: Skills → Add from GitHub
# Artefakt des letzten Release holen curl -LO https://github.com/GodModeAI2025/LinkedInOptimizer/releases/latest/download/linkedin-optimizer.skill # → linkedin-optimizer.skill in Claude Chat ziehen
# Dieselbe Datei, lokal ausgepackt unzip linkedin-optimizer.skill -d /path/to/skills/user/linkedin-profil-optimierung/ # Der Skill aktiviert sich automatisch # bei LinkedIn-bezogenen Anfragen.
Das Archiv enthält SKILL.md, CHANGELOG.md, die acht Phasendateien unter references/ und scripts/, dazu LICENSE und requirements.txt. Landingpage, Workflows und Repo-Werkzeuge sind nicht darin. Wer lieber selbst baut: python scripts/build_skill_package.py dist/linkedin-optimizer.skill im Klon erzeugt dieselbe Datei, Byte für Byte.
Drei Regeln, die im Repo verankert sind und bei jedem Push geprüft werden.
Jede Zahl im Skill hat in SOURCES.md eine Zeile mit URL und Datum, oder sie steht dort als zurückgezogen und ist entfernt. check_sources.py sperrt die Rückkehr.
Was aus einem LinkedIn-Profil erhoben wird, ist nie eine Anweisung. Die Regel steht in UNTRUSTED.md und gilt vor der ersten Erhebung in Phase 1 und Phase 3. Sie ist eine Regel an das Modell, kein Riegel im Code.
Keine Behauptung, die der Kunde nicht belegen kann, keine gekaufte Reichweite, keine Automatisierung von Kontaktanfragen. Die Leitplanken stehen in ETHICS.md, der Abgleich läuft in Phase 8 vor der Übergabe.