Communitygithub.com

bighardperson/computer-science-skills-collection

Evalúa, puntúa y mejora iterativamente cualquier contenido o estrategia utilizando un panel de expertos del dominio autoensamblado. Maneja copias, secuencias, páginas de aterrizaje, documentos de estrategia, títulos, gráficos, evaluaciones de reclutamiento o cualquier otra cosa que requiera un control de calidad. Itera recursivamente hasta que todas las puntuaciones alcancen 90+ (máximo 3 rondas).

¿Qué es computer-science-skills-collection?

Este skill es un motor de puntuación y mejora iterativa de propósito general, diseñado para evaluar cualquier tipo de contenido o estrategia (como copias, secuencias de correo, páginas de aterrizaje, títulos, gráficos o evaluaciones de candidatos). La característica clave es que **no** utiliza un crítico único, sino que ensambla automáticamente un panel de 7 a 10 expertos en el dominio, adaptados al tipo de contenido y al contexto del producto o industria. Primero identifica el artefacto y su contexto, luego selecciona un panel que incluye expertos de tipo de contenido, expertos de dominio, un detector de escritura AI y un validador de voz de marca. El panel aplica una rúbrica de puntuación específica y proporciona puntuaciones brutales. El proceso itera hasta que la puntuación agregada sea ≥ 90/100, con un máximo de 3 rondas; si no se alcanza, se devuelve la mejor versión con las debilidades identificadas. Los resultados se muestran en formato detallado, incluyendo el historial completo de rondas, y cuando se evalúa la salida de otro skill, se genera un informe de mejora para la fuente original. El skill admite comparación de variantes (A/B/C), aprende de patrones de rechazo del usuario mediante un archivo `references/patterns.md` y cuenta con telemetría opcional y privacidad garantizada. Es compatible con terminales Unix/Linux/macOS que tengan Python 3. **Plataformas:** Claude Code, Cursor, Codex y otros agentes similares. **Mecanismo:** sigue una secuencia de pasos definida en su SKILL.md: ingesta, autoensamblaje del panel, selección de rúbrica, bucle recursivo de puntuación y salida formateada.

Compatible con✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/bighardperson/computer-science-skills-collection/tree/HEAD/skills/content-ops
Ver original→Ver todas las habilidades

Preguntar en tu IA favorita

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

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Documentación

Preámbulo (se ejecuta al iniciar el skill)

# Verificación de versión (silenciosa si está actualizada)
python3 telemetry/version_check.py 2>/dev/null || true

# Aceptación de telemetría (solo la primera vez, luego recuerda tu elección)
python3 telemetry/telemetry_init.py 2>/dev/null || true

Privacidad: Este skill registra el uso localmente en ~/.ai-marketing-skills/analytics/. La telemetría remota es solo por aceptación explícita. Nunca se recopilan códigos, rutas de archivos ni contenido del repositorio. Consulte telemetry/README.md.

Panel de Expertos

Motor de puntuación y mejora iterativa de propósito general. Ensambla automáticamente los expertos adecuados para lo que se esté evaluando, lo puntúa y repite hasta alcanzar 90+.

Paso 1: Recepción — Comprender lo que se va a puntuar

Recopilar o inferir del contexto:

  1. Contenido/artefacto — La(s) cosa(s) a puntuar (pegar, ruta de archivo o URL)
  2. Tipo de contenido — Copia, secuencia, página de aterrizaje, estrategia, título, gráfico, evaluación de candidato, etc.
  3. Contexto de la oferta — ¿Qué se está vendiendo/promocionando? ¿A quién? ¿Qué dominio/industria?
  4. Variantes — ¿Hay múltiples versiones para comparar? (A/B/C)
  5. Skill de origen — ¿Es esta salida de otro skill? (por ejemplo, optimizador-de-outbound-frío) Si es así, anote el origen para la retroalimentación al origen en el Paso 6.

Si el contexto es obvio a partir de la conversación, no pregunte — simplemente continúe.

Paso 2: Autoensamblaje del Panel de Expertos

Construya un panel de 7 a 10 expertos adaptado al tipo de contenido y dominio.

Reglas de ensamblaje

  1. Comience con expertos en tipo de contenido. Lea el directorio experts/ para paneles preconstruidos que coincidan con el tipo de contenido. Si existe una coincidencia exacta (por ejemplo, experts/linkedin.md para una publicación de LinkedIn), utilícela como base.

  2. Agregue expertos en dominio/oferta. Según el contexto de la oferta, agregue 1 a 3 expertos que comprendan la industria o el dominio específico. Ejemplos:

    • Puntuar marketing de panadería → agregue Experto en Marketing de Alimentos y Bebidas
    • Puntuar página de aterrizaje SaaS → agregue Experto en Conversión SaaS
    • Puntuar alcance de reclutamiento → agregue Reclutador de Agencia + Experto en Mercado Laboral
    • Puntuar copia de dispositivo médico → agregue Experto en Cumplimiento Sanitario

  3. Incluya siempre estos dos:

    • Detector de Escritura AI — Consulte experts/humanizer.md. Peso: 1.5x. No negociable.
    • Coincidencia de Voz de Marca — Verifica la alineación con la voz de marca configurada y los patrones de rechazo conocidos de references/patterns.md (si existe).

  4. Verifique patrones aprendidos. Si references/patterns.md existe, léalo. Si algún patrón se aplica a este tipo de contenido, informe al panel sobre ellos. Descuente puntos por patrones conocidos como malos.

  5. Límite de 10 expertos. Si tiene más de 10, fusione roles superpuestos.

Formato de salida del panel

Enumere cada experto con: Nombre, enfoque/lente, qué verifican.

Paso 3: Seleccionar Rúbrica de Puntuación

Elija la rúbrica adecuada de scoring-rubrics/:

Tipo de contenidoArchivo de rúbrica
Blog, redes sociales, correo, boletín, guionesscoring-rubrics/content-quality.md
Estrategia, recomendaciones, análisisscoring-rubrics/strategic-quality.md
Páginas de aterrizaje, anuncios, CTAscoring-rubrics/conversion-quality.md
Gráficos, visualización de datos, infografíasscoring-rubrics/visual-quality.md
Evaluaciones de candidatosscoring-rubrics/evaluation-quality.md
OtrosSintetice una rúbrica a partir de las dos coincidencias más cercanas

Lea el archivo de rúbrica seleccionado para obtener criterios detallados y asignación de puntos.

Paso 4: Puntuar — Bucle Recursivo Hasta 90+

Objetivo: 90/100 en todos los expertos. No negociable. Máximo 3 rondas.

Cada ronda produce:

## Ronda [N] — Puntuación: [MEDIA]/100

| Experto | Puntuación | Comentarios clave |
|---------|------------|-------------------|
| [Nombre] | [0-100] | [Justificación de una línea] |
| ... | ... | ... |

**Agregado:** [media ponderada — humanizador al 1.5x]
**Principales 3 debilidades:** [clasificadas]
**Cambios realizados:** [ediciones específicas que abordan cada debilidad]

Luego el contenido/artefacto revisado.

Reglas

  • Las puntuaciones deben ser brutalmente honestas. Sin inflar a 90.
  • La puntuación del humanizador se pondera al 1.5x en el agregado.
  • Si el agregado < 90: identifique las 3 principales debilidades → revise → siguiente ronda.
  • Si el agregado ≥ 90: finalice y proceda a la salida.
  • Después de 3 rondas, si aún < 90: devuelva la mejor versión con puntuación honesta + nota sobre lo que la está frenando.
  • Muestre TODAS las rondas en la salida — el rastro de iteración es parte del valor.

Modo de comparación de variantes

Al puntuar múltiples variantes (A/B/C):

  • Puntúe cada variante de forma independiente a través del panel completo.
  • Después de la puntuación, clasifique las variantes por puntuación agregada.
  • Si la mejor variante es < 90, itere sobre la mejor (no itere todas).

Paso 5: Formato de Salida

Ganador + Puntuación (siempre al principio)

## 🏆 Resultado: [PUNTUACIÓN]/100 — [APROBADO ✅ | NECESITA TRABAJO ⚠️]

[Contenido/artefacto final aquí]

**Iteraciones:** [N] rondas
**Panel:** [Nombres de expertos, separados por comas]

Si hay variantes: muestre primero el ganador, luego las puntuaciones de los subcampeones.

## 🏆 Ganador: Variante [X] — [PUNTUACIÓN]/100

[Contenido ganador]

### Puntuaciones de subcampeones
- Variante A: 87/100
- Variante B: 82/100
- Variante C: 91/100 ← Ganador

Historial de Comentarios (debajo del resultado)

Muestre las rondas de puntuación completas.

---
<details>
<summary>📊 Historial de Puntuación (N rondas)</summary>

[Todas las tablas de ronda del Paso 4]

</details>

Paso 6: Retroalimentación al Origen (Al Puntuar la Salida de Otro Skill)

Cuando el contenido puntuado proviene de otro skill, genere un Informe de Mejora de Origen:

## 🔁 Comentarios para [Skill de Origen]

### Lo que puntuó bajo
- [Patrón]: [Ejemplo específico de este contenido]

### Mejoras sugeridas para el skill
- [Cambio concreto en el proceso/rúbrica/prompt del skill de origen]

### Patrones para agregar al skill de origen
- [Cualquier debilidad recurrente que deba convertirse en regla]

Este informe se puede utilizar para actualizar el SKILL.md o las rúbricas del skill de origen.

Paso 7: Memoria — Aprender de Aprobaciones y Rechazos

Después de que el usuario apruebe o rechace la salida del panel:

En caso de aprobación (puntuación ≥ 90, usuario acepta)

Anote lo que funcionó. No se requiere acción a menos que surja un nuevo patrón positivo.

En caso de rechazo (el usuario anula el panel o rechaza contenido con 90+)

  1. Pregunte por qué (o infiera del contexto).
  2. Agregue un nuevo patrón a references/patterns.md usando este formato:
## [Nombre del Patrón]
- **Tipo:** rechazo | preferencia | anulación
- **Tipos de contenido:** [a qué tipos se aplica esto]
- **Regla:** [Qué hacer siempre/nunca]
- **Ejemplo:** [La instancia específica que desencadenó esto]
- **Fecha:** [AAAA-MM-DD]
- **Descuento de puntos:** [-N puntos cuando se detecte]
  1. Confirme: "Patrón agregado: [resumen de una línea]. El panel descontará [N] puntos por esto en adelante."

Aplicación de patrones

En cada ronda de puntuación, verifique references/patterns.md contra el contenido. Aplique descuentos de puntos antes de que comience la puntuación de los expertos. Esto significa que los patrones conocidos como malos se penalizan incluso si los expertos individuales no los detectan.

Archivos de Referencia

ArchivoPropósitoCuándo leerlo
experts/humanizer.mdRúbrica de detección de escritura AI (24 patrones)Cada ejecución de puntuación
experts/[dominio].mdPaneles de expertos preconstruidos para dominios comunesCuando el dominio coincida
scoring-rubrics/content-quality.mdRúbrica de puntuación de contenidoPuntuación de contenido
scoring-rubrics/strategic-quality.mdRúbrica de puntuación de estrategiaPuntuación de estrategia
scoring-rubrics/conversion-quality.mdRúbrica de página de aterrizaje/anuncio/CTAPuntuación de conversión
scoring-rubrics/visual-quality.mdRúbrica de gráficos/visualización de datos/infografíasPuntuación visual
scoring-rubrics/evaluation-quality.mdRúbrica de candidatos/evaluaciónPuntuación de evaluación
references/patterns.mdPatrones de rechazo aprendidosCada ejecución de puntuación
references/expert-assembly.mdEjemplos de expertos de dominio para autoensamblajeAl construir paneles desconocidos

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.

Skills relacionados

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