Communitygithub.com

Raibit-AI/ad-teardown

Zerlegt ein Video-Werbespot so, wie es ein Creative Director tun würde. Misst Länge, Schnittgeschwindigkeit und ersten Schnitt; extrahiert Frame-Streifen der ersten 3 Sekunden und des gesamten Spots; transkribiert die Sprache; taggt Hook, Format, Personen, Text, Angebot und Ende; und bewertet es anhand von Benchmarks aus erfolgreichen Lebensmittelwerbespots. Verwenden, wenn der Nutzer darum bittet, ein Video-Werbespot, Reel oder TikTok zu analysieren, zerlegen, kritisieren oder vergleichen – insbesondere für ein Restaurant oder eine Lebensmittelmarke.

Was ist ad-teardown?

Das Skill 'Ad Teardown' analysiert Video-Werbespots (Reels, TikToks) auf professionellem Niveau, ähnlich wie ein Creative Director. Es misst automatisch Metriken wie Dauer, Anzahl der Schnitte, Schnittgeschwindigkeit und den ersten Schnitt. Dazu extrahiert es Bildstreifen (Frames) der ersten 3 Sekunden sowie des gesamten Spots, transkribiert die Tonspur und taggt manuell oder halbautomatisch zentrale Elemente wie Hook, Format, Personen, Onscreen-Text, Angebot und das Ende des Spots. Anschließend vergleicht das Skill die Ergebnisse mit Benchmarks aus erfolgreichen Lebensmittelwerbespots, identifiziert Lücken und liefert ein prägnantes Feedback, inklusive eines Fazits, Stärken, der drei größten Verbesserungspotenziale und einer herausragenden Idee zum Mitnehmen. Es ist besonders geeignet für Marken oder Kreative, die Werbespots für Restaurants oder Lebensmittel optimieren möchten. Das Skill unterstützt lokales Arbeiten mit ffmpeg und optionaler Whisper-Transkription.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Raibit-AI/food-ad-kit/tree/HEAD/plugins/food-ad-kit/skills/ad-teardown

In Ihrer bevorzugten KI fragen

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

Dokumentation

Werbespot-Analyse (Ad Teardown)

1. Messen (kostenlos, lokal)

Führen Sie das gebündelte Skript für jedes Video aus. Es benötigt ffmpeg; whisper.cpp (whisper-cli) ist optional für Transkripte.

bash scripts/teardown.sh pfad/zum/ad.mp4 ausgabe_verzeichnis/

Es schreibt:

  • hook.jpg: Frames alle 0,5 s von 0 bis 3 s.
  • sheet.jpg: 16 Frames über den gesamten Spot verteilt.
  • metrics.json: Dauer, Schnitte, Schnitte_pro_Min, durchschnittliche_Einstellungslänge, erster_Schnitt.
  • transcript.txt: nur wenn whisper-cli installiert ist. Setzen Sie WHISPER_MODEL auf den Pfad des Modells.

2. Ansehen und taggen

Lesen Sie hook.jpg und sheet.jpg. Ignorieren Sie die gelben Zeitstempel; sie sind nicht Teil des Spots. Füllen Sie diesen Datensatz aus, und beurteilen Sie nur, was Sie sehen oder lesen können:

{
 "format": "food_montage | owner_or_staff_talking | creator_or_influencer | customer_reactions | offer_graphic | kitchen_process | mixed",
 "frame0": "was buchstäblich im ersten Frame zu sehen ist",
 "hook_type": "food_motion | food_still | face_talking | text_headline | offer | person_eating | process_cooking | other",
 "hook_text": "Wörter auf dem Bildschirm in den ersten 3 s, oder null",
 "motion_in_first_second": true,
 "hands_in_frame": "none | some | most",
 "people": "none | staff_or_chef | owner | customers | creator",
 "speech": "none | voiceover | on_camera_talking",
 "onscreen_text": "none | dish_labels | headline | offer | captions | mixed",
 "offer": "das Angebot in Worten, oder null",
 "brand_shown_by_sec": 0.0,
 "ending": "logo_card | offer_card | food_shot | person_talking | abrupt | other",
 "cta_words": "exakter Handlungsaufruf, oder null",
 "visual_style": "phone_native_raw | polished_studio | mixed"
}

3. Mit den Benchmarks vergleichen

Öffnen Sie benchmarks.md und vergleichen Sie den Spot damit. Bestanden oder nicht bestanden für jede Zeile, mit der Abweichung in Zahlen. Zum Beispiel: „Erster Schnitt bei 4,1 s gegenüber einem Benchmark von 1,9 s“ oder „Keine Hand im Bild, während 79 % der Gewinner eine haben“.

4. Bericht

Halten Sie es kurz und klar:

  1. Fazit in einem Satz.
  2. Was es tut, was auch Gewinner tun. Bis zu 3 Punkte.
  3. Die 3 größten Lücken, jede verknüpft mit einem Zeitstempel und einer konkreten Lösung.
  4. Eine Sache, die es sich zu stehlen lohnt, als Muster, nicht als Footage.

Wenn der Nutzer mehrere Spots angibt, fügen Sie eine Zusammenfassungstabelle und die Muster hinzu, die bei 3 oder mehr von ihnen gemeinsam auftreten.

Individual skills in this repo

This repo contains 4 individual skills — each has its own dedicated page.

Raibit-AI/blind-ad-review

Improves a video ad through repeated blind A/B reviews. Two versions are shown as contact sheets to a fresh reviewer who doesn't know which is newer, and both are scored against benchmarks from winning food ads. The next version changes only what reviewers agree on, and the loop continues until the gains stop. Use when the user wants to improve, iterate, critique or A/B test an ad or Reel before spending money, or asks "which version is better".

Raibit-AI/food-shot-director

Directs AI image-to-video food shots for restaurant ads (chopsticks lifting noodles, a spoon scooping, sauce poured, a piece lifted to the lens). It gives the prompt formula, which foods animate well and which morph, and a keep-or-reject checklist so the dish still looks like the real menu item. Works with any image-to-video model (Kling, Veo, Seedance, LTX, Runway). Use when the user wants to animate a food photo, make food B-roll or a hand-in-frame food shot, or turn menu photos into video...

Raibit-AI/social-ad-builder

Assembles finished vertical social video ads from clips plus a simple JSON shot list. It outputs a 9:16 master for Reels, Stories and TikTok plus a 4:5 feed cut, with brand-color dish labels, the brand on frame 0, hard cuts, a matched color grade, clean designed sound, safe loudness and an end card. It uses free ffmpeg only. Use when the user wants to edit, cut, assemble or render a short ad, Reel or TikTok from food or product clips, or make several ad variations to A/B test.

Raibit-AI/winning-ad-finder

Finds video ads that are probably working for restaurants and food brands, using the free Meta Ad Library, and builds a short "swipe file" of likely winners to study. Use when the user asks to find winning ads, research competitors' Facebook or Instagram ads, see what ads restaurants are running, or build ad inspiration for a food business.

Verwandte Skills