用途：解决数据库行业筛选两头失灵的问题——既漏掉真实匹配（行业标签常由 LinkedIn 自动生成或猜错），又混入大量无关公司。方法不是换更好的过滤器，而是用过滤器撒大网、用 AI 决定谁在网内。
主要能力与流程：
- 学习客户：把客户名单或理想客户放入 Clay 的 Enrich Company，记录其自选 LinkedIn 行业、描述与招聘帖中的关键词、人数与总部地理，然后统计行业分布。示例中 50 家已知银行返回 43 个 Banking、4 个 Financial Services、2 个空白、1 个 Telecommunications，四类都要拉取。
- 拉取：只要某行业有客户出现，就在人数与地理范围内拉取该行业全部公司；再对名称和描述做关键词搜索（如 bank、school district、wealth management），不加行业过滤，以纳入行业为空的记录。人数与地理收紧，行业放开。
- 判定：每家公司一个问题，是或否，把边界情况写进判定标准。示例问题为“该公司是否为吸收存款、可获 FDIC 保险的银行或储蓄机构”，并明确 Yes/No 范围。可用 scripts/jev_judge.py 批量判定：
TYPESAFE_API_KEY=... python scripts/jev_judge.py pulled.csv judged.csv
--question "Is this company a bank or savings institution that takes deposits?"
--yes "A deposit-taking bank or thrift"
--no "Anything else: credit union, lender, fintech, vendor, association" 该脚本每请求 20 家公司、共享状态、每公司一问，控制在 Jev 默认每分钟 1200 请求内。建议先跑 50 到 100 行金丝雀验证。 - 循环：把判定为匹配的公司交给 Claygent 找相似公司，新域名先与已判定集合去重，再走同一判定问题，新匹配成为下一轮种子。
- 停止：连续 20 轮新增不超过 1 家时停止，同时设预算上限。
适用场景：需要为任意 ICP 构建近乎完整公司名单的销售与增长团队，尤其适合有公开注册表可校验的行业（如 FDIC 银行、SEC 投资顾问、NCES 学区）。
限制与注意：判定成本随模型不同，资料给出 1000 万家公司的估算；注册表可能过时，SEC 名单 CSV 只显示首个 URL（常是 Instagram 或 LinkedIn），完整 IAPD XML 含全部 URL；数据增强提供商会错误关联，引用标签前需在实时页面核实；部分实体并非公司（银行牌照、基金 GP 壳、无网站小银行）。资料中的方法与数字来自 2026-09-27 对 FDIC、SEC、NCES 的运行，clay-workflow.md 中的 Clay 工作流仅为规格，尚未端到端构建发布。