Communitygithub.com

bighardperson/collection-de-competences-en-informatique

Évalue et améliore itérativement tout contenu ou stratégie avec un panel d'experts automatisé. Idéal pour les revues de qualité, les tests A/B et les évaluations de recrutement.

Qu'est-ce que collection-de-competences-en-informatique ?

Cette compétence d'agent IA, nommée 'Expert Panel', agit comme un moteur généraliste de notation et d'amélioration itérative. Elle assemble automatiquement un panel de 7 à 10 experts virtuels adaptés au type de contenu (copie, landing page, stratégie, charte, etc.) et au domaine concerné. L'utilisateur fournit un artefact à évaluer, la compétence le soumet à une notation sévère sur 100 par chaque expert, avec un poids 1.5x pour le détecteur d'écriture IA, et répète le processus (maximum 3 rounds) jusqu'à ce que la moyenne atteigne au moins 90/100. Elle prend en charge la comparaison de variantes, la mémorisation des rejets de l'utilisateur via des patterns appris, et peut même fournir un retour d'amélioration à la compétence source qui a généré le contenu. Fonctionnant comme un skill pour les plateformes supportant les agents (telles que Claude Code, Cursor, Codex), elle utilise des fichiers de configuration locaux (experts, rubriques, motifs) et respecte la vie privée en ne collectant aucune donnée à distance sans consentement explicite.

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/bighardperson/computer-science-skills-collection/tree/HEAD/skills/content-ops
Voir l'original→Voir toutes les compétences

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Documentation

Préambule (s'exécute au démarrage de la compétence)

# Vérification de version (silencieuse si à jour)
python3 telemetry/version_check.py 2>/dev/null || true

# Option de télémétrie (première exécution uniquement, puis se souvient de votre choix)
python3 telemetry/telemetry_init.py 2>/dev/null || true

Confidentialité : Cette compétence enregistre l'utilisation localement dans ~/.ai-marketing-skills/analytics/. La télémétrie à distance est facultative. Aucun code, chemin de fichier ou contenu de dépôt n'est jamais collecté. Voir telemetry/README.md.

Panel d'Experts

Moteur généraliste de notation et d'amélioration itérative. Assemble automatiquement les bons experts pour ce qui est évalué, note le contenu, et itère jusqu'à obtenir 90+.

Étape 1 : Prise en charge — Comprendre ce qui est noté

Collecter ou déduire du contexte :

  1. Contenu/artefact — La ou les choses à noter (coller, chemin de fichier ou URL)
  2. Type de contenu — Copie, séquence, landing page, stratégie, titre, graphique, évaluation de candidat, etc.
  3. Contexte de l'offre — Qu'est-ce qui est vendu/promu ? À qui ? Quel domaine/secteur ?
  4. Variantes — Y a-t-il plusieurs versions à comparer ? (A/B/C)
  5. Compétence source — Ce résultat provient-il d'une autre compétence ? (par ex., optimiseur-de-prospection-à-froid) Si oui, noter la source pour le retour d'information vers la source à l'étape 6.

Si le contexte est évident d'après la conversation, ne pas demander — passer directement à l'action.

Étape 2 : Assembler automatiquement le panel d'experts

Construire un panel de 7 à 10 experts adapté au type de contenu et au domaine.

Règles d'assemblage

  1. Commencer par les experts du type de contenu. Lire le répertoire experts/ pour les panels préconstruits correspondant au type de contenu. Si une correspondance exacte existe (par ex., experts/linkedin.md pour un post LinkedIn), l'utiliser comme base.

  2. Ajouter des experts du domaine/de l'offre. En fonction du contexte de l'offre, ajouter 1 à 3 experts qui comprennent le secteur ou domaine spécifique. Exemples :

    • Noter du marketing pour une boulangerie → ajouter Expert en Marketing Alimentaire et Boissons
    • Noter une landing page SaaS → ajouter Expert en Conversion SaaS
    • Noter une prospection de recrutement → ajouter Recruteur en Agence + Expert du Marché des Talents
    • Noter une copie pour dispositif médical → ajouter Expert en Conformité des Soins de Santé

  3. Toujours inclure ces deux experts :

    • Détecteur d'Écriture IA — Voir experts/humanizer.md. Poids : 1.5x. Non négociable.
    • Correspondance de Voix de Marque — Vérifie l'alignement avec la voix de marque configurée et les motifs de rejet connus de references/patterns.md (si présent).

  4. Vérifier les motifs appris. Si references/patterns.md existe, le lire. Si des motifs s'appliquent à ce type de contenu, en informer le panel. Déduire des points pour les motifs connus comme mauvais.

  5. Limiter à 10 experts. Si vous avez plus de 10 experts, fusionner les rôles qui se chevauchent.

Format de sortie du panel

Lister chaque expert avec : Nom, optique/axe, ce qu'il vérifie.

Étape 3 : Sélectionner la rubrique de notation

Choisir la rubrique appropriée dans scoring-rubrics/ :

Type de contenuFichier de rubrique
Blog, social, email, newsletter, scriptsscoring-rubrics/content-quality.md
Stratégie, recommandations, analysescoring-rubrics/strategic-quality.md
Landing pages, publicités, CTAscoring-rubrics/conversion-quality.md
Graphiques, visualisation de données, infographiesscoring-rubrics/visual-quality.md
Évaluations de candidatsscoring-rubrics/evaluation-quality.md
AutreSynthétiser une rubrique à partir des deux correspondances les plus proches

Lire le fichier de rubrique sélectionné pour les critères détaillés et l'attribution des points.

Étape 4 : Noter — Boucle récursive jusqu'à 90+

Objectif : 90/100 pour tous les experts. Non négociable. Maximum 3 rounds.

Chaque round produit :

## Round [N] — Score : [MOY]/100

| Expert | Score | Retour clé |
|--------|-------|------------|
| [Nom] | [0-100] | [Justification en une ligne] |
| ... | ... | ... |

**Agrégat :** [moyenne pondérée — humanizer à 1.5x]
**Top 3 faiblesses :** [classées]
**Modifications effectuées :** [modifications spécifiques répondant à chaque faiblesse]

Puis le contenu/artefact révisé.

Règles

  • Les notes doivent être impitoyablement honnêtes. Pas d'arrondi à 90.
  • Le score de l'humanizer est pondéré à 1.5x dans l'agrégat.
  • Si l'agrégat < 90 : identifier les 3 principales faiblesses → réviser → round suivant.
  • Si l'agrégat ≥ 90 : finaliser et passer à la sortie.
  • Après 3 rounds, si toujours < 90 : retourner la meilleure version avec un score honnête + une note sur ce qui la retient.
  • Afficher TOUS les rounds dans la sortie — la trace des itérations fait partie de la valeur.

Mode comparaison de variantes

Lors de la notation de plusieurs variantes (A/B/C) :

  • Noter chaque variante indépendamment par le panel complet.
  • Après la notation, classer les variantes par score agrégé.
  • Si la meilleure variante est < 90, itérer sur la meilleure (ne pas toutes les itérer).

Étape 5 : Format de sortie

Gagnant + Score (toujours en haut)

## 🏆 Résultat : [SCORE]/100 — [RÉUSSI ✅ | NÉCESSITE DES AMÉLIORATIONS ⚠️]

[Contenu/artefact final ici]

**Itérations :** [N] rounds
**Panel :** [Noms des experts, séparés par des virgules]

Si variantes : afficher le gagnant en premier, puis les scores des finalistes.

## 🏆 Gagnant : Variante [X] — [SCORE]/100

[Contenu gagnant]

### Scores des finalistes
- Variante A : 87/100
- Variante B : 82/100
- Variante C : 91/100 ← Gagnant

Historique des retours (en dessous du résultat)

Afficher les rounds complets de notation.

---
<details>
<summary>📊 Historique des notations (N rounds)</summary>

[Tous les tableaux des rounds de l'étape 4]

</details>

Étape 6 : Retour vers la source (lorsque le contenu noté provient d'une autre compétence)

Lorsque le contenu noté provient d'une autre compétence, générer une Note d'Amélioration de la Source :

## 🔁 Retour pour [Compétence source]

### Ce qui a été mal noté
- [Motif] : [Exemple spécifique de ce contenu]

### Améliorations suggérées pour la compétence
- [Modification concrète du processus/rubrique/prompt de la compétence source]

### Motifs à ajouter à la compétence source
- [Toute faiblesse récurrente qui devrait devenir une règle]

Cette note peut être utilisée pour mettre à jour le SKILL.md ou les rubriques de la compétence source.

Étape 7 : Mémoire — Apprendre des approbations et des rejets

Après que l'utilisateur approuve ou rejette la sortie du panel :

En cas d'approbation (score ≥ 90, utilisateur accepte)

Noter ce qui a fonctionné. Aucune action nécessaire sauf si un nouveau motif positif émerge.

En cas de rejet (l'utilisateur remplace le panel ou rejette un contenu à 90+)

  1. Demander pourquoi (ou déduire du contexte).
  2. Ajouter un nouveau motif à references/patterns.md en utilisant ce format :
## [Nom du motif]
- **Type :** rejet | préférence | remplacement
- **Types de contenu :** [auxquels ce motif s'applique]
- **Règle :** [Ce qu'il faut toujours/jamais faire]
- **Exemple :** [L'instance spécifique qui a déclenché ceci]
- **Date :** [AAAA-MM-JJ]
- **Pénalité de points :** [-N points lorsqu'il est détecté]
  1. Confirmer : "Motif ajouté : [résumé en une ligne]. Le panel déduira [N] points pour cela à l'avenir."

Application des motifs

À chaque round de notation, vérifier references/patterns.md par rapport au contenu. Appliquer les pénalités de points avant le début de la notation par les experts. Cela signifie que les motifs connus comme mauvais sont pénalisés même si des experts individuels les manquent.

Fichiers de référence

FichierObjectifQuand le lire
experts/humanizer.mdRubrique de détection d'écriture IA (24 motifs)Chaque notation
experts/[domaine].mdPanels d'experts préconstruits pour les domaines courantsLorsque le domaine correspond
scoring-rubrics/content-quality.mdRubrique de notation de contenuNotation de contenu
scoring-rubrics/strategic-quality.mdRubrique de notation stratégiqueNotation de stratégie
scoring-rubrics/conversion-quality.mdRubrique de landing page/pub/CTANotation de conversion
scoring-rubrics/visual-quality.mdRubrique de graphique/viz de données/infographieNotation visuelle
scoring-rubrics/evaluation-quality.mdRubrique de candidat/évaluationNotation d'évaluation
references/patterns.mdMotifs de rejet apprisChaque notation
references/expert-assembly.mdExemples d'experts par domaine pour l'assemblage automatiqueLors de la construction de panels sur des domaines inconnus

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 associés

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