Communitygithub.com

descubrimiento-de-marca

Habilidad para realizar una entrevista estructurada y adaptativa de identidad de marca, generando un brandbook completo (90_SYNTHESIS.md).

¿Qué es descubrimiento-de-marca?

La habilidad 'descubrimiento-de-marca' guía a un agente de IA (como Claude Code) en la realización de entrevistas profundas y modulares para construir la identidad de una marca desde cero o para reposicionarla. Su propósito es generar un documento maestro llamado `90_SYNTHESIS.md`, que sirve como brandbook oficial para que la organización lo utilice al briefing a diseñadores, redactores y colaboradores externos. La entrevista se divide en módulos secuenciales (Propósito, Posicionamiento, Audiencia, Personalidad, Voz, Narrativa, Tensión Fundacional) cada uno con marcos de trabajo reconocidos (Golden Circle, Obviously Awesome, 12 arquetipos de Mark & Pearson, etc.). La habilidad es ideal para sesiones múltiples: guarda el progreso en un archivo `state.json` y archivos de módulo, permitiendo retomar el trabajo exactamente donde se quedó. Implementa técnicas de entrevista profesional como una pregunta a la vez, escalamiento, los 5 porqués, técnicas proyectivas y detección de respuestas superficiales. Soporta modo multi-fundador, donde las entrevistas individuales se guardan por separado antes de una síntesis de reconciliación. Está diseñada para plataformas que ejecutan agentes de IA en el sistema de archivos del proyecto (como Claude Code, Cursor, Codex).

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

Preguntar en tu IA favorita

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

Documentación

Descubrimiento de Marca

Utiliza esta habilidad para realizar una entrevista estructurada y adaptativa de identidad de marca. El objetivo es un 90_SYNTHESIS.md completo — un brandbook maestro que la organización pueda usar para dar instrucciones a diseñadores, redactores y colaboradores externos.

La entrevista se desarrolla a lo largo de múltiples sesiones. Captura las respuestas en disco a medida que avanzas para que ningún conocimiento obtenido se pierda cuando una conversación termina, y para que una sesión posterior pueda reanudarse desde donde la última se detuvo.

Cuándo Activarla

  • Se está creando una marca, reposicionando, o necesita una referencia de identidad escrita para dar instrucciones a colaboradores.
  • Se esperan múltiples sesiones — la conversación se extenderá a lo largo de días o semanas.
  • Varios fundadores o partes interesadas necesitan entrevistas individuales antes de una ronda de reconciliación.
  • El usuario desea un método estructurado y repetible en lugar de una charla improvisada.
  • La documentación de marca existente está dispersa, implícita o depende del fundador y necesita ser explicitada.

Protocolo de inicio de sesión

En cada activación, realiza estos pasos antes de hacer cualquier pregunta de entrevista:

  1. Verificar el progreso anterior. Busca un conjunto existente de archivos de módulo y un punto de control state.json en el directorio brand-identity del proyecto. Si no existe ninguno, es un inicio desde cero — confirma el nombre de la marca, los participantes y dónde guardar los archivos de brand-identity, luego comienza en el primer módulo.
  2. Lee el archivo del módulo actual si hay uno en progreso, y escanea su sección Raw en busca de respuestas capturadas previamente.
  3. Informa al usuario en dos o tres frases: en qué módulo estamos, su estado y qué queda. Luego pregunta: "¿Continúo aquí o cambio de módulo?"

Disciplina de la entrevista

Aplica estas reglas a lo largo de cada módulo:

  1. Una pregunta a la vez. Nunca presentes una lista de preguntas.
  2. Después de cada respuesta: paráfrasis breve → una sonda de profundización O cierra el hilo si el tema está saturado. Nunca continúes en silencio.
  3. Escalamiento: por cada respuesta de "qué", continúa con "¿Por qué es importante para ti?" hasta que surja un valor central (típicamente dos a cuatro iteraciones).
  4. 5 Porqués: para creencias o afirmaciones de posicionamiento — empuja hasta que la razón raíz, no la declaración superficial, esté sobre la mesa.
  5. Detectar respuestas superficiales: si son genéricas, con mucha jerga o vagas, pide un ejemplo concreto, una historia de cliente o un número.
  6. Técnicas proyectivas (usa una vez por módulo para romper una meseta):
    • "Si la marca fuera una persona, ¿cómo entraría a una habitación?"
    • Obituario de la marca: "Si la organización cerrara en cinco años, ¿qué echarían de menos los clientes? ¿Qué te arrepentirías de no haber dicho?"
    • Contraste competitivo: "Nombra un par que admires pero al que nunca querrías parecerte. ¿Qué los convierte específicamente en el modelo equivocado?"
  7. Señal de saturación: cuando dos sondas consecutivas no produzcan información nueva, resume y cierra el módulo.
  8. Fin de módulo: escribe un archivo de módulo estructurado con dos secciones:
    • ## Raw — citas textuales y ejemplos.
    • ## Síntesis — tu interpretación, tres formulaciones candidatas, preguntas abiertas, contradicciones entre participantes. Luego actualiza el punto de control state.json (ver Protocolo de estado más abajo).

Secuencia de módulos

ArchivoEtiquetaMarcos utilizados
10_purpose-why.mdPropósito / Por quéCírculo Dorado de Sinek, Lencioni
20_positioning.mdPosicionamientoDunford "Obviamente increíble", plantilla de Moore
30_audience-niche.mdAudiencia y NichoBaker "El negocio de la experiencia", ICP
40_personality-archetype.mdPersonalidad y Arquetipo12 arquetipos de Mark y Pearson, 5 dims de J. Aaker
50_voice-tone.mdVoz y TonoGuías de voz de marca
60_narrative-story.mdNarrativa / HistoriaLínea verdadera de Neumeier, arco narrativo de marca
70_founder-tension.mdMarcas de Fundador vs Marca EstudioEnns "Ganar sin presentar"
90_SYNTHESIS.mdBrandbook MaestroPrisma de Kapferer, sistema de marca de Aaker

Completa los módulos en orden. Respeta la solicitud del usuario de saltar módulos y anota el salto en state.json.

Protocolo de escritura de estado

Después de que cada módulo alcance el estado de saturación o completado, escribe dos archivos:

Archivo de módulo en modules/{moduleFile} — contenido completo de Raw y Síntesis.

state.json — un punto de control ligero para que una sesión posterior pueda reanudarse. Actualiza completedModules, inProgressModule, nextModule, lastUpdated. Esquema:

{
  "session": "{brand_name}-brand-{YYYY-MM}",
  "outputPath": "{ruta_al_directorio_brand_identity}",
  "completedModules": [],
  "inProgressModule": "10_purpose-why.md",
  "nextModule": "20_positioning.md",
  "participants": ["fundador-A"],
  "lastUpdated": "{ISO-8601}"
}

Después de escribir, confirma: "Módulo X guardado. Estado actualizado. Siguiente: Y."

Módulo terminal (90_SYNTHESIS.md): al escribir la síntesis final, establece inProgressModule en "90_SYNTHESIS.md" y nextModule en null en state.json. Después de escribir, establece completedModules para que incluya "90_SYNTHESIS.md", luego establece inProgressModule en null — dejarlo poblado haría que una reanudación futura tratara el brandbook completado como aún en progreso. Confirma: "Brandbook completo. Todos los módulos guardados."

Modo multi-fundador

Cuando más de un fundador participa, escribe las respuestas de cada fundador en founders/{participant}.md en lugar de los archivos de módulo principales. Valida el nombre del participante antes de escribir: acepta solo caracteres alfanuméricos y guiones (por ejemplo, fundador-a, ana); rechaza nombres que contengan separadores de ruta (/, \, ..) o caracteres especiales. Valida moduleFile contra la secuencia de módulos enumerada (solo 10 a 90). Valida outputPath para asegurar que sea una ruta absoluta dentro del directorio del proyecto — rechaza rutas relativas y rutas que escapen mediante segmentos ... Después de que todos los fundadores completen un módulo, ejecuta una ronda de reconciliación: resume las convergencias y divergencias en el archivo de módulo, marca las "tensiones productivas" para el taller de alineación del grupo.

Anti-patrones

  • Comenzar sin leer el estado primero. Cada sesión debe abrir verificando si existen archivos de módulo y state.json. Saltarse esto pierde toda continuidad de sesiones anteriores.
  • Hacer varias preguntas a la vez. Una pregunta a la vez no es opcional — las listas producen respuestas tipo lista de verificación, no una comprensión real.
  • Pasar a la Síntesis antes de la saturación. Si las dos últimas sondas no produjeron información nueva, el módulo está terminado. Si lo hicieron, no lo está.
  • Saltarse la reconciliación multi-fundador. Cuando hay múltiples partes interesadas, las entrevistas individuales deben completarse antes de la reconciliación. Discutir la marca colectivamente primero introduce un sesgo de anclaje.
  • Tratar esto como una sesión única. Esta habilidad está diseñada para múltiples sesiones. Apresurarse a 90_SYNTHESIS.md en una sola conversación produce un resultado superficial.

Habilidades relacionadas

  • competitive-platform-analysis — después de que brand-discovery establezca el briefing de posicionamiento, utiliza esta para delimitar y categorizar el conjunto de competidores.
  • brand-voice (ECC) — si el módulo de voz y tono de brand-discovery necesita un perfil de estilo de escritura separado y basado en fuentes.

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.

Skills relacionados