Communitygithub.com

bighardperson/computer-science-skills-collection

Bewerte und verbessere iterativ beliebige Inhalte oder Strategien mithilfe eines automatisch zusammengestellten Panels aus Fachexperten. Geeignet für Texte, Sequenzen, Landing Pages, Strategiedokumente, Titel, Diagramme, Bewertungen von Kandidaten und mehr.

Was ist computer-science-skills-collection?

Dieses Skill ‚Expert Panel‘ ist eine universelle Bewertungs- und iterative Verbesserungsmaschine, die automatisch ein Expertenpanel aus 7–10 spezialisierten Rollen zusammenstellt, um beliebige Inhalte oder Strategien zu bewerten. Es unterstützt Inhalte wie Copy, E-Mail-Sequenzen, Landing Pages, Strategiedokumente, Titel, Diagramme oder Kandidatenbewertungen und führt maximal drei Bewertungsrunden durch, bis alle Expertenwerte 90/100 erreichen. Die Gewichtung des ‚AI Writing Detector‘-Experten beträgt 1,5×, und es werden bekannte Ablehnungsmuster aus einer lokalen Referenzdatei berücksichtigt. Das Skill ist für KI-Assistenten wie Claude Code, Cursor oder Codex konzipiert und speichert Nutzungsstatistiken lokal; Remote-Telemetrie ist nur nach Opt-in möglich. Nach der Bewertung wird optional ein Feedback-Brief für das Quell-Skill erstellt und Benutzerentscheidungen (Annahme/Ablehnung) werden in einer lokalen Musterdatenbank festgehalten.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/bighardperson/computer-science-skills-collection/tree/HEAD/skills/content-ops
Original anzeigen→Alle Skills durchsuchen

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Dokumentation

Präambel (wird beim Skill-Start ausgeführt)

# Versionsprüfung (still, wenn aktuell)
python3 telemetry/version_check.py 2>/dev/null || true

# Telemetrie-Opt-in (nur beim ersten Start, merkt sich die Wahl)
python3 telemetry/telemetry_init.py 2>/dev/null || true

Datenschutz: Dieses Skill protokolliert die Nutzung lokal unter ~/.ai-marketing-skills/analytics/. Remote-Telemetrie ist nur nach Opt-in aktiv. Es werden niemals Code, Dateipfade oder Repository-Inhalte erfasst. Siehe telemetry/README.md.

Expert Panel

Universelle Bewertungs- und iterative Verbesserungsmaschine. Stellt automatisch die richtigen Experten für das zu Bewertende zusammen, bewertet es und wiederholt den Vorgang, bis 90+ erreicht sind.

Schritt 1: Aufnahme – Verstehen, was bewertet wird

Aus dem Kontext sammeln oder ableiten:

  1. Inhalt/Artefakt – Die zu bewertende Sache (einfügen, Dateipfad oder URL)
  2. Inhaltstyp – Copy, Sequenz, Landing Page, Strategie, Titel, Diagramm, Kandidatenbewertung usw.
  3. Angebotskontext – Was wird verkauft/beworben? An wen? In welcher Domäne/Branche?
  4. Varianten – Gibt es mehrere Versionen zum Vergleich? (A/B/C)
  5. Quell-Skill – Stammt diese Ausgabe von einem anderen Skill? (z. B. cold-outbound-optimizer) Falls ja, notiere die Quelle für das Feedback an die Quelle in Schritt 6.

Wenn der Kontext aus dem Gespräch offensichtlich ist, nicht fragen – einfach fortfahren.

Schritt 2: Automatische Zusammenstellung des Expert Panels

Erstelle ein Panel aus 7–10 Experten, zugeschnitten auf den Inhaltstyp und die Domäne.

Zusammenstellungsregeln

  1. Beginne mit Inhaltstyp-Experten. Lies das Verzeichnis experts/ nach vorgefertigten Panels, die zum Inhaltstyp passen. Falls eine exakte Übereinstimmung existiert (z. B. experts/linkedin.md für einen LinkedIn-Beitrag), verwende sie als Basis.

  2. Füge Domänen-/Angebotsexperten hinzu. Basierend auf dem Angebotskontext füge 1–3 Experten hinzu, die die spezifische Branche oder Domäne verstehen. Beispiele:

    • Bewertung von Bäckerei-Marketing → Füge Experten für Lebensmittel- und Getränkemarketing hinzu
    • Bewertung einer SaaS-Landing Page → Füge SaaS-Conversion-Experten hinzu
    • Bewertung von Recruiting-Ansprachen → Füge Agentur-Recruiter + Talentmarkt-Experten hinzu
    • Bewertung von Medizingeräte-Texten → Füge Healthcare-Compliance-Experten hinzu

  3. Diese beiden immer einbeziehen:

    • AI Writing Detector – Siehe experts/humanizer.md. Gewichtung: 1,5×. Nicht verhandelbar.
    • Brand Voice Match – Prüft Übereinstimmung mit der konfigurierten Markenstimme und bekannten Ablehnungsmustern aus references/patterns.md (falls vorhanden).

  4. Gelernte Muster prüfen. Falls references/patterns.md existiert, lies sie ein. Wenn Muster auf diesen Inhaltstyp zutreffen, informiere das Panel darüber. Punkteabzüge für bekannte schlechte Muster.

  5. Begrenzung auf 10 Experten. Falls du mehr als 10 hast, fasse überlappende Rollen zusammen.

Panel-Ausgabeformat

Liste jeden Experten auf mit: Name, Blickwinkel/Schwerpunkt, was er prüft.

Schritt 3: Bewertungsraster auswählen

Wähle das passende Raster aus scoring-rubrics/:

InhaltstypRaster-Datei
Blog, Social, E-Mail, Newsletter, Skriptescoring-rubrics/content-quality.md
Strategie, Empfehlungen, Analysenscoring-rubrics/strategic-quality.md
Landing Pages, Anzeigen, CTAsscoring-rubrics/conversion-quality.md
Diagramme, Datenvisualisierungen, Infografikenscoring-rubrics/visual-quality.md
Kandidatenbewertungenscoring-rubrics/evaluation-quality.md
SonstigesSynthetisiere ein Raster aus den beiden ähnlichsten Treffern

Lies die ausgewählte Raster-Datei für detaillierte Kriterien und Punktverteilung.

Schritt 4: Bewertung – Rekursive Schleife bis 90+

Ziel: 90/100 bei allen Experten. Nicht verhandelbar. Maximal 3 Runden.

Jede Runde erzeugt:

## Runde [N] – Punktzahl: [DURCHSCHNITT]/100

| Experte | Punktzahl | Wichtigstes Feedback |
|---------|-----------|----------------------|
| [Name] | [0-100] | [Einzeilige Begründung] |
| ... | ... | ... |

**Gesamt:** [gewichteter Durchschnitt – Humanizer mit 1,5×]
**Top 3 Schwachstellen:** [sortiert]
**Vorgenommene Änderungen:** [spezifische Anpassungen für jede Schwachstelle]

Dann der überarbeitete Inhalt/das Artefakt.

Regeln

  • Die Bewertungen müssen schonungslos ehrlich sein. Keine Aufrundung auf 90.
  • Humanizer-Punktzahl wird im Gesamtergebnis mit 1,5× gewichtet.
  • Falls Gesamtergebnis < 90: identifiziere Top-3-Schwachstellen → überarbeite → nächste Runde.
  • Falls Gesamtergebnis ≥ 90: finalisieren und zur Ausgabe übergehen.
  • Nach 3 Runden, falls immer noch < 90: gib die beste Version mit ehrlicher Punktzahl und Hinweis zurück, was sie zurückhält.
  • Zeige ALLE Runden in der Ausgabe – der Iterationspfad ist Teil des Werts.

Variantenvergleichsmodus

Bei der Bewertung mehrerer Varianten (A/B/C):

  • Bewerte jede Variante unabhängig durch das gesamte Panel.
  • Nach der Bewertung ordne die Varianten nach Gesamtpunktzahl.
  • Falls die beste Variante < 90 ist, iteriere auf der besten (iteriere nicht alle).

Schritt 5: Ausgabeformat

Gewinner + Punktzahl (immer oben)

## 🏆 Ergebnis: [PUNKTZAHL]/100 – [BESTANDEN ✅ | ÜBERARBEITUNG NÖTIG ⚠️]

[Endgültiger Inhalt/Artefakt hier]

**Iterationen:** [N] Runden
**Panel:** [Expertennamen, kommagetrennt]

Bei Varianten: zeige zuerst den Gewinner, dann die Zweitplatzierten.

## 🏆 Gewinner: Variante [X] – [PUNKTZAHL]/100

[Gewinnerinhalt]

### Zweitplatzierte
- Variante A: 87/100
- Variante B: 82/100
- Variante C: 91/100 ← Gewinner

Bewertungsverlauf (unter dem Ergebnis)

Zeige die vollständigen Bewertungsrunden.

---
<details>
<summary>📊 Bewertungsverlauf (N Runden)</summary>

[Alle Rundentabellen aus Schritt 4]

</details>

Schritt 6: Feedback an die Quelle (bei Bewertung der Ausgabe eines anderen Skills)

Wenn der bewertete Inhalt von einem anderen Skill stammt, erstelle eine Quell-Verbesserungszusammenfassung:

## 🔁 Feedback für [Quell-Skill]

### Was niedrig bewertet wurde
- [Muster]: [Konkretes Beispiel aus diesem Inhalt]

### Vorgeschlagene Skill-Verbesserungen
- [Konkrete Änderung am Prozess/Raster/Prompt des Quell-Skills]

### Muster, die dem Quell-Skill hinzugefügt werden sollten
- [Wiederkehrende Schwachstelle, die zur Regel werden sollte]

Diese Zusammenfassung kann verwendet werden, um die SKILL.md oder Raster des Quell-Skills zu aktualisieren.

Schritt 7: Gedächtnis – Lernen aus Zustimmungen und Ablehnungen

Nachdem der Benutzer die Panel-Ausgabe genehmigt oder abgelehnt hat:

Bei Zustimmung (Punktzahl ≥ 90, Benutzer akzeptiert)

Notiere, was funktioniert hat. Keine Aktion nötig, es sei denn, es entsteht ein neues positives Muster.

Bei Ablehnung (Benutzer überschreibt das Panel oder lehnt 90+-Inhalt ab)

  1. Frage nach dem Grund (oder leite aus dem Kontext ab).
  2. Füge ein neues Muster zu references/patterns.md hinzu, in diesem Format:
## [Muster-Name]
- **Typ:** ablehnung | praeferenz | ueberschreibung
- **Inhaltstypen:** [welche Typen dies betrifft]
- **Regel:** [Was immer/niemals zu tun ist]
- **Beispiel:** [Der spezifische Fall, der dies ausgelöst hat]
- **Datum:** [YYYY-MM-DD]
- **Punkteabzug:** [-N Punkte, wenn erkannt]
  1. Bestätige: „Muster hinzugefügt: [eine Zeile Zusammenfassung]. Das Panel wird zukünftig [N] Punkte dafür abziehen.“

Musterdurchsetzung

Jede Bewertungsrunde überprüft references/patterns.md auf den Inhalt. Wende Punkteabzüge an, bevor die Expertenbewertung beginnt. So werden bekannte schlechte Muster bestraft, selbst wenn einzelne Experten sie übersehen.

Referenzdateien

DateiZweckWann lesen
experts/humanizer.mdKI-Schreib-Erkennungsraster (24 Muster)Jeder Bewertungsdurchlauf
experts/[domäne].mdVorgefertigte Expertenpanels für häufige DomänenWenn Domäne zutrifft
scoring-rubrics/content-quality.mdInhaltsbewertungsrasterInhaltsbewertung
scoring-rubrics/strategic-quality.mdStrategiebewertungsrasterStrategiebewertung
scoring-rubrics/conversion-quality.mdLanding-Page/Anzeigen/CTA-RasterConversion-Bewertung
scoring-rubrics/visual-quality.mdDiagramm/Datenvisualisierungs/Infografik-RasterVisuelle Bewertung
scoring-rubrics/evaluation-quality.mdKandidaten-/BewertungsrasterBewertung
references/patterns.mdGelernte AblehnungsmusterJeder Bewertungsdurchlauf
references/expert-assembly.mdDomänenexperten-Beispiele für die automatische ZusammenstellungBeim Erstellen unbekannter Panels

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

bighardperson/computer-science-skills-collection

Score any landing page with a CRO audit framework, and convert survey data into lead magnets. Use when asked to "audit this landing page", "score this page", "CRO audit", "convert survey to lead magnet", "optimize conversion rate", or "analyze this form page".

bighardperson/computer-science-skills-collection

CSS implementation patterns for layout, typography, color, spacing, and responsive design. Complements ui-design (fundamentals) with code-focused examples.

Verwandte Skills

steipete/sag

ElevenLabs text-to-speech with mac-style say UX.

community

steipete/oracle

Oracle CLI second-model review/debug/refactor/design with selected files, dry-run token checks, API or browser engine.

community

steipete/peekaboo

Capture and automate macOS UI with the Peekaboo CLI.

community

mattpocock/design-an-interface

Generate multiple radically different interface designs for a module using parallel sub-agents. Use when user wants to design an API, explore interface options, compare module shapes, or mentions "design it twice".

community

mattpocock/prototype

Build a throwaway prototype to flesh out a design — a runnable terminal app for state/business-logic questions, or several radically different UI variations toggleable from one route.

community

mattpocock/grill-me

Interview the user relentlessly about a plan or design until reaching shared understanding, resolving each branch of the decision tree. Use when user wants to stress-test a plan, get grilled on their design, or mentions "grill me".

community