Développeur reconstruit l'agent de recherche LinkedIn après restriction de compte

Ce qui s'est passé

Un développeur a demandé à son agent OpenClaw de "rechercher 200 profils LinkedIn dans ma niche et trouver les meilleures perspectives". L'agent a utilisé l'automatisation du navigateur pour accéder à chaque profil, parcourir les publications et extraire les données de la page. En moins de 48 heures, LinkedIn a restreint le compte, interprétant le motif de 200 visites de profils comme une activité de bot. La restriction a entraîné deux semaines d'interruption pendant le processus d'appel.

La solution reconstruite

Le développeur a reconstruit l'approche à partir de zéro, remplaçant l'automatisation du navigateur par un accès direct à l'API des données de LinkedIn. Le nouveau système élimine le rendu du navigateur, l'analyse du DOM et les captures d'écran—l'agent appelle désormais les points de terminaison directement.

Points de terminaison API utilisés

• Rechercher des profils par mots-clés et filtres
• Extraire les données complètes d'un profil à partir d'une URL
• Obtenir les publications récentes d'une personne avec les métriques d'engagement
• Obtenir tous les personnes ayant aimé une publication spécifique
• Obtenir tous les commentateurs d'une publication spécifique
• Rechercher des publications par mot-clé

Implémentation technique

La configuration implique d'utiliser une extension Chrome pour récupérer le jeton de session une fois, puis d'exécuter le tout côté serveur sur un VPS. La même tâche "rechercher 200 profils" qui déclenchait auparavant des restrictions s'exécute maintenant quotidiennement à 8h sans problème.

Améliorations clés

Les appels API apparaissent comme une activité de session normale—pas d'empreinte de navigateur, de motifs de navigation suspects ou de chargements de page rapides. L'utilisation des jetons a chuté d'environ 80% car l'agent reçoit désormais du JSON propre de l'API au lieu de traiter des pages HTML entières. La fenêtre de contexte est utilisée pour raisonner sur les données plutôt que pour analyser des pages web.

Cas d'utilisation pratiques

Extraire les personnes ayant aimé et commenté les publications virales des concurrents s'est avéré particulièrement utile, créant "une liste gratuite de signaux d'intention" de personnes activement intéressées par le domaine. Le développeur exécute cela chaque semaine sur 3-4 publications de concurrents et utilise Sonnet pour classer les résultats par pertinence.

La recherche de contenu est devenue plus efficace—l'agent analyse la structure des publications et les modèles d'engagement sur des centaines de publications en quelques minutes, aidant à comprendre ce qui fonctionne sur LinkedIn sans défilement manuel.

Stratégie de routage des modèles

Haiku gère toute l'extraction de données (coûtant quelques centimes), tandis que Sonnet ne s'active que pour les analyses nécessitant un raisonnement plus approfondi. Cela maintient les coûts quotidiens à quelques euros.

La compétence s'appelle BeReach, bien que la source note que les liens vers des domaines externes sont bloqués dans la publication originale.

Leçon apprise : "Ne donnez pas un navigateur à votre agent pour quelque chose qui devrait être un appel API. Vous gaspillerez des jetons, compromettrez votre compte et obtiendrez de moins bons résultats."