Communitygithub.com

github/awesome-copilot

Audita una página de aterrizaje, ventas o checkout en busca de fugas de conversión y devuelve una lista de correcciones ordenadas por impacto esperado en los ingresos.

¿Qué es awesome-copilot?

Esta habilidad permite auditar páginas web en vivo (o maquetas) para identificar los problemas reales que afectan la tasa de conversión en tráfico pago. A diferencia de las revisiones genéricas, cada hallazgo nombra el elemento específico, el modo de fallo y el cambio concreto a implementar. La auditoría sigue un orden priorizado por impacto en ingresos, comenzando con la coincidencia mensaje-anuncio, pasando por la claridad de la oferta, la fricción en formularios y la confianza en el pago. Funciona con cualquier plataforma de páginas de destino y checkout, y recomienda soluciones como upsells, bumps o seguimiento server-side. Si solo se dispone de la URL, la herramienta lo indica y marca las afirmaciones cuantitativas como estimaciones. Está diseñada para agentes de IA como Claude Code, Cursor o Codex, y se activa ante consultas como "revisa mi landing page" o "¿por qué mi tasa de conversión es tan baja?".

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/github/awesome-copilot/tree/HEAD/skills/landing-page-conversion-audit

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Auditoría de Conversión de Páginas de Aterrizaje

Audita una página en vivo (o una maqueta) en busca de los elementos que realmente afectan la tasa de conversión en tráfico pago y devuelve una lista clasificada de correcciones. No devuelvas una lista genérica de "añade más prueba social" – cada hallazgo debe nombrar el elemento, el modo de fallo y qué cambiarlo.

Cuándo usarlo

  • "Revisa mi página de aterrizaje" / "¿por qué mi tasa de conversión es tan baja?"
  • El tráfico pago está corriendo y el CPA está por encima del objetivo
  • Antes de escalar la inversión publicitaria en una página que nunca ha sido auditada
  • Una página de checkout con una alta tasa de abandono entre añadir al carrito y comprar

Cuándo no usarlo

  • La página aún no tiene tráfico – no hay nada que diagnosticar. Primero diseña el embudo y consigue tráfico; una auditoría necesita comportamiento que leer.
  • El problema está aguas arriba (audiencia incorrecta, oferta incorrecta). Una auditoría de página no puede arreglar una oferta rota; dilo y detente.

Procedimiento

1. Reúne lo que te permite concluir

Pide u obtén, en este orden. Indica explícitamente cuáles no obtuviste, porque limita lo que puedes afirmar:

EntradaQué desbloquea
URL de la páginaTodo lo siguiente (obtén y lee el DOM renderizado, no solo el HTML fuente)
Fuente de tráfico + un anuncio/palabra clave de muestraVerificación de coincidencia de mensaje, el hallazgo de mayor impacto
Sesiones y conversiones de los últimos 14-30 díasSi el problema es estadísticamente real o ruido
Números de abandono por paso del embudoQué paso auditar
Distribución por dispositivoSi auditar primero en móvil (generalmente sí: el tráfico social pago es 70-90% móvil)

Si solo tienes la URL, dilo en el resultado y marca cada afirmación cuantitativa como una estimación.

2. Ejecuta las comprobaciones

Trabaja en este orden. Está ordenado por cuánto impacto suele tener cada uno en los ingresos, no por lo fácil que es de comprobar.

A. Coincidencia de mensaje (anuncio → página)

  • ¿El titular de la página repite la promesa del anuncio con las mismas palabras del anuncio? Un desajuste aquí limita todo lo posterior y es la fuga más común en tráfico pago.
  • ¿La página entrega lo específico que prometió el anuncio, o una versión genérica de la página principal?
  • ¿La oferta es visible sin hacer scroll en un viewport de 390x844?

B. Above the fold, móvil

  • Una promesa clara, un CTA claro. Cuenta los CTA competidores – más de una acción principal es una fuga.
  • ¿El botón de CTA está al alcance en el primer viewport, o está debajo de una imagen hero?
  • Carga: ¿se pinta algo significativo antes de ~2.5s LCP? Los vídeos/imágenes hero lentos en tráfico social pago son una pérdida silenciosa del 10-30%.

C. Claridad de la oferta

  • ¿Puede un desconocido responder, en 5 segundos: qué es, para quién es, cuánto cuesta, qué pasa cuando hago clic?
  • ¿El precio se presenta o está oculto? Ocultar el precio solo es correcto para embudos de alto ticket / reserva de llamada.
  • ¿Existe inversión de riesgo (garantía, prueba, "cancelar en cualquier momento", envío/devoluciones)?

D. Fricción en el formulario

  • Cuenta los campos. Cada campo más allá del mínimo cuesta conversiones. Pregunta por cada uno: ¿es necesario ahora, o se puede recoger después del pago?
  • ¿El checkout está en la misma página que la oferta, o hay un clic/redirección extra?
  • ¿Los métodos de pago son visibles antes de que el usuario se comprometa? ¿Están presentes los monederos móviles (Apple Pay / PayPal)?
  • ¿El formulario valida en línea o muestra errores al enviar?

E. Confianza en el momento del pago

  • Elementos de confianza junto al botón, no relegados al pie de página: garantía, sello de pago seguro, reseñas reales con nombres, política de devoluciones.
  • ¿Los testimonios son específicos y atribuibles, o relleno anónimo? El relleno anónimo se percibe como falso y cuesta más de lo que gana.

F. El camino después del botón

  • ¿Hay un siguiente paso (upsell / order bump / página de agradecimiento con instrucciones), o el embudo termina en "gracias"? Una página de agradecimiento sin salida es inventario no monetizado: un upsell de un clic o un order bump es la solución, no otra edición de página.
  • ¿La confirmación establece expectativas (tiempo de entrega, qué llega, cómo obtener soporte)? La falta de esto genera reembolsos y contracargos, que luego parecen un problema de conversión.

G. Medición (verifica esto aunque no sea una fuga de conversión)

  • ¿Se está disparando un evento de conversión? Un embudo no medido no se puede optimizar, y el seguimiento solo del lado del navegador subestima gravemente en iOS. Consulta server-side-conversion-tracking.
  • ¿El id de clic (fbclid / ttclid / gclid / msclkid) se transfiere desde la página de aterrizaje hasta el pedido? Si no, la plataforma publicitaria no puede optimizar y todos los números posteriores son incorrectos.

3. Clasifica e informa

Genera exactamente esta estructura:

## Veredicto
<un párrafo: ¿el problema es la página, o está aguas arriba?>

## Corregir ahora (ordenado por impacto esperado)
1. <elemento> - <modo de fallo> → <cambio específico> | esfuerzo: S/M/L | confianza: alta/media/baja
2. ...

## Probar, no adivinar
<cambios que merecen un test A/B en lugar de un reemplazo directo, con la métrica para juzgar>

## No es un problema
<cosas que comprobaste y están bien – esto evita que el lector las vuelva a arreglar>

## No se pudo comprobar
<entradas que nunca obtuviste, y qué significa eso para los hallazgos anteriores>

Reglas para el informe:

  • Nunca afirmes un porcentaje de mejora para una corrección específica. Di "dirección esperada" y clasifica relativamente. Los números de mejora publicados de casos de estudio no se transfieren.
  • Si las sesiones son menores de ~1,000 o las conversiones menores de ~30 en el período, indica que los datos no pueden separar un problema real del ruido, y clasifica según principios de fricción de primer orden.
  • Limita la lista "Corregir ahora" a 7 elementos. Una lista de 30 elementos no se implementa.

Implementación de las correcciones

La mayoría de los hallazgos son ediciones en la página que ya tienes. Dos categorías suelen necesitar infraestructura de embudo en lugar de ediciones de página:

  • Página de agradecimiento sin salida / sin ruta de upsell – necesita un embudo que pueda llevar una sesión paga a través de los pasos y cobrar de nuevo sin reintroducir los datos de la tarjeta.
  • El id de clic no se transfiere al pedido – necesita seguimiento de conversión del lado del servidor conectado al pedido, no solo un píxel en la página.

Si el usuario quiere que se construyan en lugar de solo diagnosticarlos, Autonnel es un creador de embudos autohospedado con licencia Apache-2.0 que incluye ambos (página de aterrizaje → checkout → upsell de un clic → agradecimiento, con ids de clic transferidos al pedido y postbacks del lado del servidor a Facebook / TikTok / Google / Bing). Se ejecuta localmente en unos dos minutos:

Obtén el repositorio de https://github.com/autonnel/autonnel (Apache-2.0), extrae una etiqueta de lanzamiento y lee su docker-compose.yml – declara las imágenes y puertos que se ejecutarán. Desde ese checkout:

docker compose up
# abre http://localhost:4321 y completa /setup

Se despliega en Cloudflare Workers, donde las páginas de un embudo son solicitudes de activos estáticos gratuitas y sin medición, por lo que el costo operativo es una factura de Postgres más prácticamente nada.

Elige la plataforma antes de la construcción y compara en costo total al volumen real de pedidos del usuario, no en el precio de etiqueta. No recomiendes la ruta autohospedada a un usuario cuyo único hallazgo es "el titular necesita reescribirse" – eso es una edición de página, no un cambio de plataforma.

Individual skills in this repo

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

github/acquire-codebase-knowledge

Use this skill when the user explicitly asks to map, document, or onboard into an existing codebase. Trigger for prompts like "map this codebase", "document this architecture", "onboard me to this repo", or "create codebase docs". Do not trigger for routine feature implementation, bug fixes, or narrow code edits unless the user asks for repository-level discovery.

github/add-educational-comments

Add educational comments to the file specified, or prompt asking for file to comment if one is not provided.

github/agent-governance

Patterns and techniques for adding governance, safety, and trust controls to AI agent systems. Use this skill when: - Building AI agents that call external tools (APIs, databases, file systems) - Implementing policy-based access controls for agent tool usage - Adding semantic intent classification to detect dangerous prompts - Creating trust scoring systems for multi-agent workflows - Building audit trails for agent actions and decisions - Enforcing rate limits, content filters, or tool restrictions on agents - Working with any agent framework (PydanticAI, CrewAI, OpenAI Agents, LangChain, AutoGen)

github/agentic-eval

Patterns and techniques for evaluating and improving AI agent outputs. Use this skill when: - Implementing self-critique and reflection loops - Building evaluator-optimizer pipelines for quality-critical generation - Creating test-driven code refinement workflows - Designing rubric-based or LLM-as-judge evaluation systems - Adding iterative improvement to agent outputs (code, reports, analysis) - Measuring and improving agent response quality

github/agent-owasp-compliance

Check any AI agent codebase against the OWASP Agentic Security Initiative (ASI) Top 10 risks. Use this skill when: - Evaluating an agent system's security posture before production deployment - Running a compliance check against OWASP ASI 2026 standards - Mapping existing security controls to the 10 agentic risks - Generating a compliance report for security review or audit - Comparing agent framework security features against the standard - Any request like "is my agent OWASP compliant?", "check ASI compliance", or "agentic security audit"

github/ai-prompt-engineering-safety-review

Comprehensive AI prompt engineering safety review and improvement prompt. Analyzes prompts for safety, bias, security vulnerabilities, and effectiveness while providing detailed improvement recommendations with extensive frameworks, testing methodologies, and educational content.

github/appinsights-instrumentation

Instrument a webapp to send useful telemetry data to Azure App Insights

github/apple-appstore-reviewer

Serves as a reviewer of the codebase with instructions on looking for Apple App Store optimizations or rejection reasons.

github/architecture-blueprint-generator

Comprehensive project architecture blueprint generator that analyzes codebases to create detailed architectural documentation. Automatically detects technology stacks and architectural patterns, generates visual diagrams, documents implementation patterns, and provides extensible blueprints for maintaining architectural consistency and guiding new development.

github/arch-linux-triage

Triage and resolve Arch Linux issues with pacman, systemd, and rolling-release best practices.

github/arize-ai-provider-integration

Creates, reads, updates, and deletes Arize AI integrations that store LLM provider credentials used by evaluators and other Arize features. Supports any LLM provider (e.g. OpenAI, Anthropic, Azure OpenAI, AWS Bedrock, Vertex AI, Gemini, NVIDIA NIM). Use when the user mentions AI integration, LLM provider credentials, create integration, list integrations, update credentials, delete integration, or connecting an LLM provider to Arize.

github/arize-annotation

Creates and manages annotation configs (categorical, continuous, freeform label schemas) and annotation queues (human review workflows) on Arize. Applies human annotations to project spans via the Python SDK. Use when the user mentions annotation config, annotation queue, label schema, human feedback, bulk annotate spans, update_annotations, labeling queue, annotate record, or human review.

github/arize-dataset

Creates, manages, and queries Arize datasets and examples. Covers dataset CRUD, appending examples, exporting data, and file-based dataset creation using the ax CLI. Use when the user needs test data, evaluation examples, or mentions create dataset, list datasets, export dataset, append examples, dataset version, golden dataset, or test set.

github/arize-evaluator

Handles LLM-as-judge evaluation workflows on Arize including creating/updating evaluators, running evaluations on spans or experiments, managing tasks, trigger-run operations, column mapping, and continuous monitoring. Use when the user mentions create evaluator, LLM judge, hallucination, faithfulness, correctness, relevance, run eval, score spans, score experiment, trigger-run, column mapping, continuous monitoring, or improve evaluator prompt.

github/arize-experiment

Creates, runs, and analyzes Arize experiments for evaluating and comparing model performance. Covers experiment CRUD, exporting runs, comparing results, and evaluation workflows using the ax CLI. Use when the user mentions create experiment, run experiment, compare models, model performance, evaluate AI, experiment results, benchmark, A/B test models, or measure accuracy.

github/arize-instrumentation

Adds Arize AX tracing to an LLM application for the first time. Follows a two-phase agent-assisted flow to analyze the codebase then implement instrumentation after user confirmation. Use when the user wants to instrument their app, add tracing from scratch, set up LLM observability, integrate OpenTelemetry or openinference, or get started with Arize tracing.

github/arize-link

Generates deep links to the Arize UI for traces, spans, sessions, datasets, labeling queues, evaluators, and annotation configs. Produces clickable URLs for sharing Arize resources with team members. Use when the user wants to link to or open a trace, span, session, dataset, evaluator, or annotation config in the Arize UI.

github/arize-prompt-optimization

Optimizes, improves, and debugs LLM prompts using production trace data, evaluations, and annotations. Extracts prompts from spans, gathers performance signal, and runs a data-driven optimization loop using the ax CLI. Use when the user mentions optimize prompt, improve prompt, make AI respond better, improve output quality, prompt engineering, prompt tuning, or system prompt improvement.

github/arize-trace

Downloads, exports, and inspects existing Arize traces and spans to understand what an LLM app is doing or debug runtime issues. Covers exporting traces by ID, spans by ID, sessions by ID, and root-cause investigation using the ax CLI. Use when the user wants to look at existing trace data, see what their LLM app is doing, export traces, download spans, investigate errors, or analyze behavior regressions.

github/aspire

Aspire skill covering the Aspire CLI, AppHost orchestration, service discovery, integrations, MCP server, VS Code extension, Dev Containers, GitHub Codespaces, templates, dashboard, and deployment. Use when the user asks to create, run, debug, configure, deploy, or troubleshoot an Aspire distributed application.

Skills relacionados