Communitygithub.com

Markenentdeckung

Führt ein strukturiertes, adaptives Markenidentitäts-Interview durch, um ein vollständiges Markenbuch (90_SYNTHESIS.md) zu erstellen.

Was ist Markenentdeckung?

Die Markenentdeckungs-Fertigkeit führt eine strukturierte, adaptive Markenidentitäts-Befragung durch, die über mehrere Sitzungen hinweg stattfinden kann. Das Ziel ist die Erstellung eines vollständigen `90_SYNTHESIS.md`-Dokuments – eines Master-Markenbuchs, das die Organisation nutzen kann, um Designer, Autoren und externe Mitarbeiter zu briefen. Die Fertigkeit speichert Antworten auf der Festplatte, sodass kein erarbeitetes Wissen verloren geht und eine spätere Sitzung nahtlos dort fortgesetzt werden kann, wo die letzte aufgehört hat. Sie unterstützt die Befragung mehrerer Gründer in einem Multi-Founder-Modus, mit anschließender Abgleichsrunde, und folgt einer definierten Modulsequenz von Purpose/Why bis hin zur finalen Synthese. Die Fertigkeit implementiert bewährte Interviewtechniken wie Laddering und die 5-Why-Methode und vermeidet Anti-Patterns wie das gleichzeitige Stellen mehrerer Fragen oder das Überspringen des Zustandslesens. Sie ist ideal für die Markenerschaffung, -positionierung oder die Explizitmachung verstreuter Markendokumentation.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/brand-discovery

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Markenentdeckung?

Verwenden Sie diese Fertigkeit, um ein strukturiertes, adaptives Markenidentitäts-Interview durchzuführen. Das Ziel ist ein vollständiges 90_SYNTHESIS.md – ein Master-Markenbuch, das die Organisation nutzen kann, um Designer, Autoren und externe Mitarbeiter zu briefen.

Das Interview erstreckt sich über mehrere Sitzungen. Erfassen Sie Antworten auf der Festplatte, während Sie fortschreiten, sodass kein erarbeitetes Wissen verloren geht, wenn ein Gespräch endet, und eine spätere Sitzung dort fortgesetzt werden kann, wo die letzte aufgehört hat.

Wann zu aktivieren

  • Eine Marke wird erstellt, repositioniert oder benötigt eine schriftliche Identitätsreferenz, um Mitarbeiter zu briefen.
  • Es werden mehrere Sitzungen erwartet – das Gespräch erstreckt sich über Tage oder Wochen.
  • Mehrere Gründer oder Stakeholder benötigen individuelle Interviews vor einem Abgleichsdurchlauf.
  • Der Benutzer wünscht eine strukturierte, wiederholbare Methode anstelle eines Ad-hoc-Chats.
  • Vorhandene Markendokumentation ist verstreut, implizit oder gründerabhängig und muss explizit gemacht werden.

Sitzungsstartprotokoll

Führen Sie bei jeder Aktivierung vor dem Stellen einer Interviewfrage die folgenden Schritte aus:

  1. Überprüfen Sie auf vorherigen Fortschritt. Suchen Sie nach vorhandenen Moduldateien und einem state.json-Prüfpunkt im Markenidentitätsverzeichnis des Projekts. Wenn keiner existiert, handelt es sich um einen Neuanfang – bestätigen Sie den Markennamen, die Teilnehmer und wo die Markenidentitätsdateien gespeichert werden sollen, und beginnen Sie dann mit dem ersten Modul.
  2. Lesen Sie die aktuelle Moduldatei, falls eine in Bearbeitung ist, und scannen Sie deren Roh-Abschnitt auf zuvor erfasste Antworten.
  3. Berichten Sie dem Benutzer in zwei oder drei Sätzen: In welchem Modul wir uns befinden, dessen Status und was noch aussteht. Fragen Sie dann: „Hier fortsetzen oder Modul wechseln?“

Interviewdisziplin

Wenden Sie diese Regeln in jedem Modul an:

  1. Eine Frage nach der anderen. Präsentieren Sie niemals eine Liste von Fragen.
  2. Nach jeder Antwort: kurze Paraphrase → eine vertiefende Nachfrage ODER schließen Sie den Thread ab, wenn das Thema gesättigt ist. Gehen Sie niemals schweigend weiter.
  3. Laddering: Folgen Sie jeder „Was“-Antwort mit „Warum ist das für Sie wichtig?“, bis ein Kernwert auftaucht (normalerweise zwei bis vier Iterationen).
  4. 5 Whys: Für Überzeugungen oder Positionierungsbehauptungen – bohren Sie nach, bis der Grund, nicht die oberflächliche Aussage, auf dem Tisch liegt.
  5. Erkennen Sie dünne Antworten: Wenn generisch, jargonlastig oder vage, bitten Sie um ein konkretes Beispiel, eine Kundengeschichte oder eine Zahl.
  6. Projektive Techniken (einmal pro Modul verwenden, um ein Plateau zu durchbrechen):
    • „Wenn die Marke eine Person wäre, wie würde sie einen Raum betreten?“
    • Markennachruf: „Wenn die Organisation in fünf Jahren schließen würde, was würden die Kunden vermissen? Was würden Sie bereuen, nicht gesagt zu haben?“
    • Wettbewerbskontrast: „Nennen Sie einen Peer, den Sie bewundern, aber niemals werden möchten. Was genau macht sie zum falschen Vorbild?“
  7. Sättigungssignal: Wenn zwei aufeinanderfolgende Nachfragen keine neuen Informationen liefern, fassen Sie zusammen und schließen Sie das Modul ab.
  8. Ende des Moduls: Schreiben Sie eine strukturierte Moduldatei mit zwei Abschnitten:
    • ## Rohdaten — wörtliche Zitate und Beispiele.
    • ## Synthese — Ihre Interpretation, drei Kandidatenformulierungen, offene Fragen, Widersprüche zwischen Teilnehmern. Aktualisieren Sie dann den state.json-Prüfpunkt (siehe Zustandsprotokoll unten).

Modulsequenz

DateiBezeichnungVerwendete Frameworks
10_purpose-why.mdSinn / WarumSinek Golden Circle, Lencioni
20_positioning.mdPositionierungDunford „Obviously Awesome“, Moore Vorlage
30_audience-niche.md.mdZielgruppe & NischeBaker „Business of Expertise“, ICP
40_personality-archetype.mdPersönlichkeit & ArchetypMark & Pearson 12 Archetypen, J. Aaker 5 Dim.
50_voice-tone.md.mdStimme & TonfallMarkenstimmrichtlinien
60_narrative-story.mdNarrativ / GeschichteNeumeier Trueline, Markengeschichtenbogen
70_founder-tension.mdGründermarken vs. StudiomarkeEnns „Win Without Pitching“
90_SYNTHESIS.mdMaster-MarkenbuchKapferer Prisma, Aaker Markensystem

Schließen Sie die Module in der Reihenfolge ab. Respektieren Sie eine Benutzeranfrage, Module zu überspringen, und notieren Sie den Sprung in state.json.

Zustands-Schreibprotokoll

Nachdem jedes Modul den Sättigungs- oder Erledigt-Status erreicht hat, schreiben Sie zwei Dateien:

Moduldatei unter modules/{moduleFile} — vollständiger Rohdaten- und Syntheseinhalt.

state.json — ein leichter Prüfpunkt, damit eine spätere Sitzung fortgesetzt werden kann. Aktualisieren Sie completedModules, inProgressModule, nextModule, lastUpdated. Schema:

{
  "session": "{markenname}-marke-{YYYY-MM}",
  "outputPath": "{pfad_zum_markenidentitätsverzeichnis}",
  "completedModules": [],
  "inProgressModule": "10_purpose-why.md",
  "nextModule": "20_positioning.md",
  "participants": ["gruender-A"],
  "lastUpdated": "{ISO-8601}"
}

Bestätigen Sie nach dem Schreiben: „Modul X gespeichert. Zustand aktualisiert. Nächstes: Y.“

Terminalmodul (90_SYNTHESIS.md): Setzen Sie beim Schreiben der endgültigen Synthese inProgressModule auf "90_SYNTHESIS.md" und nextModule auf null in state.json. Setzen Sie nach dem Schreiben completedModules so, dass es "90_SYNTHESIS.md" enthält, und setzen Sie dann inProgressModule auf null – wenn es belegt bliebe, würde eine zukünftige Wiederaufnahme das abgeschlossene Markenbuch als noch in Bearbeitung behandeln. Bestätigen Sie: „Markenbuch vollständig. Alle Module gespeichert.“

Multi-Gründer-Modus

Wenn mehr als ein Gründer teilnimmt, schreiben Sie die Antworten jedes Gründers in founders/{teilnehmer}.md anstelle der Hauptmoduldateien. Validieren Sie den teilnehmer-Namen vor dem Schreiben: Akzeptieren Sie nur alphanumerische Zeichen und Bindestriche (z.B. gruender-a, anna); lehnen Sie Namen ab, die Pfadtrennzeichen (/, \, ..) oder Sonderzeichen enthalten. Validieren Sie moduleFile gegen die aufgezählte Modulsequenz (nur 10 bis 90). Validieren Sie outputPath, um sicherzustellen, dass es sich um einen absoluten Pfad innerhalb des Projektverzeichnisses handelt – lehnen Sie relative Pfade und Pfade, die über ..-Segmente entkommen, ab. Nachdem alle Gründer ein Modul abgeschlossen haben, führen Sie einen Abgleichsdurchlauf ausch: Fassen Sie Übereinstimmungen und Abweichungen in der Moduldatei zusammen, markieren Sie „produktive Spannungen“ für den Team-Ausrichtungsworkshop.

Anti-Patterns

  • Ohne vorheriges Lesen des Zustands zu beginnen. Jede Sitzung muss damit beginnen, nach vorhandenen Moduldateien und state.json zu suchen. Dies zu überspringen, verliert jegliche Kontinuität zu vorherigen Sitzungen.
  • Mehrere Fragen gleichzeitig stellen. Eine Frage nach der anderen ist nicht optional – Listen ergeben Checklisten-Antworten, keine echten Erkenntnisse.
  • Vor der Sättigung zur Synthese übergehen. Wenn die letzten zwei Nachfragen keine neuen Informationen lieferten, ist das Modul abgeschlossen. Wenn doch – ist es das nicht.
  • Multi-Gründer-Abgleich überspringen. Wenn mehrere Stakeholder beteiligt sind, müssen individuelle Interviews vor dem Abgleich abgeschlossen sein. Die Marke zunächst gemeinsam zu besprechen, führt zu Ankereffekten.
  • Dies als einmalige Sitzung behandeln. Diese Fertigkeit ist für mehrere Sitzungen ausgelegt. Ein überstürztes Erstellen der 90_SYNTHESIS.md in einem Gespräch liefert oberflächliche Ergebnisse.

Verwandte Fertigkeiten

  • competitive-platform-analysis – nachdem die Markenentdeckung den Positionierungsbrief erstellt hat, verwenden Sie diese, um die Wettbewerbslandschaft abzugrenzen und zu kategorisieren.
  • brand-voice (ECC) – falls das Markenentdeckungs-Stimme-und-Ton-Modul ein separates, quellenbasiertes Schreibstilprofil benötigt.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Verwandte Skills