Communitygithub.com

brand-discovery

Menez un entretien structuré et adaptatif sur l’identité de marque pour produire un livre de marque complet.

Qu'est-ce que brand-discovery ?

Ce skill guide un agent IA à travers une série d’entretiens structurés pour découvrir et formaliser l’identité d’une marque. Il est conçu pour des sessions multiples, sauvegardant les réponses sur disque afin d’éviter toute perte d’information et de permettre une reprise ultérieure. Le skill utilise des frameworks reconnus comme le Cercle d’Or de Sinek, les 12 archétypes de Mark & Pearson, ou la méthode « 5 Pourquoi » pour approfondir les motivations. Il gère aussi les entretiens multi-fondateurs avec une phase de réconciliation. La sortie finale est un fichier `90_SYNTHESIS.md` qui sert de livre de marque complet pour les designers, rédacteurs et collaborateurs. Ce skill est particulièrement utile pour les startups, les agences et toute organisation cherchant à formaliser une identité explicite, cohérente et durable.

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

Demander à votre IA préférée

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

Documentation

Brand Discovery

Utilisez ce skill pour mener un entretien structuré et adaptatif sur l’identité de marque. L’objectif est un 90_SYNTHESIS.md complet — un livre de marque de référence que l’organisation peut utiliser pour briefs designers, rédacteurs et collaborateurs externes.

L’entretien se déroule en plusieurs sessions. Enregistrez les réponses sur disque au fil de l’eau afin qu’aucune connaissance sollicitée ne soit perdue lorsqu’une conversation se termine, et qu’une session ultérieure puisse reprendre là où la précédente s’est arrêtée.

Quand l’activer

  • Une marque est créée, repositionnée, ou a besoin d’une référence d’identité écrite pour briefs collaborateurs.
  • Plusieurs sessions sont prévues — la conversation s’étendra sur plusieurs jours ou semaines.
  • Plusieurs fondateurs ou parties prenantes ont besoin d’entretiens individuels avant une passe de réconciliation.
  • L’utilisateur veut une méthode structurée et reproductible plutôt qu’une discussion informelle.
  • La documentation de marque existante est dispersée, implicite ou dépendante du fondateur et doit être rendue explicite.

Protocole de début de session

À chaque activation, effectuez ces étapes avant de poser une question d’entretien :

  1. Vérifier la progression antérieure. Cherchez un ensemble existant de fichiers de modules et un point de contrôle state.json dans le répertoire brand-identity du projet. S’il n’en existe pas, il s’agit d’un nouveau départ — confirmez le nom de la marque, les participants et l’emplacement de sauvegarde des fichiers brand-identity, puis commencez par le premier module.
  2. Lire le fichier du module en cours s’il en existe un, et analysez sa section Raw pour trouver les réponses précédemment capturées.
  3. Faire rapport à l’utilisateur en deux ou trois phrases : dans quel module nous sommes, son statut et ce qu’il reste. Puis demandez : « Continuer ici, ou changer de module ? »

Discipline d’entretien

Appliquez ces règles tout au long de chaque module :

  1. Une question à la fois. Ne présentez jamais une liste de questions.
  2. Après chaque réponse : courte paraphrase → une sonde d’approfondissement OU clôturez le fil si le sujet est saturé. Ne passez jamais à autre chose en silence.
  3. Méthode de l’échelle : pour chaque réponse « quoi », enchaînez avec « Pourquoi est-ce important pour vous ? » jusqu’à ce qu’une valeur fondamentale émerge (généralement deux à quatre itérations).
  4. 5 Pourquoi : pour les croyances ou les déclarations de positionnement — poussez jusqu’à ce que la raison profonde, non la déclaration de surface, soit sur la table.
  5. Détecter les réponses creuses : si génériques, remplies de jargon ou vagues, demandez un exemple concret, une histoire de client ou un chiffre.
  6. Techniques projectives (à utiliser une fois par module pour briser un plateau) :
    • « Si la marque était une personne, comment entrerait-elle dans une pièce ? »
    • Nécrologie de la marque : « Si l’organisation fermait dans cinq ans, qu’est-ce que les clients regretteraient ? Que regretteriez-vous de ne pas avoir dit ? »
    • Contraste concurrentiel : « Citez un pair que vous admirez mais que vous ne voudriez jamais devenir. Qu’est-ce qui en fait spécifiquement le mauvais modèle ? »
  7. Signal de saturation : lorsque deux sondes consécutives ne produisent aucune nouvelle information, résumez et clôturez le module.
  8. Fin de module : écrivez un fichier de module structuré avec deux sections :
    • ## Raw — citations et exemples textuels.
    • ## Synthèse — votre interprétation, trois formulations candidates, questions ouvertes, contradictions entre participants. Puis mettez à jour le point de contrôle state.json (voir le protocole d’état ci-dessous).

Séquence des modules

FichierIntituléFrameworks utilisés
10_purpose-why.mdObjectif / PourquoiCercle d’Or de Sinek, Lencioni
20_positioning.mdPositionnementDunford « Obviously Awesome », template Moore
30_audience-niche.mdAudience & NicheBaker « Business of Expertise », ICP
40_personality-archetype.mdPersonnalité & Archétype12 archétypes de Mark & Pearson, 5 dimensions J. Aaker
50_voice-tone.mdVoix & TonDirectives de voix de marque
60_narrative-story.mdRécit / HistoireTrueline de Neumeier, arc narratif de marque
70_founder-tension.mdMarques fondateur vs StudioEnns « Win Without Pitching »
90_SYNTHESIS.mdLivre de marque maîtrePrisme de Kapferer, système de marque Aaker

Complétez les modules dans l’ordre. Acceptez une demande de l’utilisateur de sauter des modules et notez le saut dans state.json.

Protocole d’écriture de l’état

Après que chaque module a atteint le statut saturé ou terminé, écrivez deux fichiers :

Fichier du module à modules/{fichierModule} — contenu Raw et Synthèse complet.

state.json — un point de contrôle léger permettant à une session ultérieure de reprendre. Mettez à jour completedModules, inProgressModule, nextModule, lastUpdated. Schéma :

{
  "session": "{nom_marque}-brand-{AAAA-MM}",
  "outputPath": "{chemin_vers_répertoire_brand_identity}",
  "completedModules": [],
  "inProgressModule": "10_purpose-why.md",
  "nextModule": "20_positioning.md",
  "participants": ["fondateur-A"],
  "lastUpdated": "{ISO-8601}"
}

Après l’écriture, confirmez : « Module X sauvegardé. État mis à jour. Suite : Y. »

Module terminal (90_SYNTHESIS.md) : lors de l’écriture de la synthèse finale, définissez inProgressModule à "90_SYNTHESIS.md" et nextModule à null dans state.json. Après l’écriture, définissez completedModules pour inclure "90_SYNTHESIS.md", puis définissez inProgressModule à null — le laisser renseigné ferait qu’une future reprise traiterait le livre de marque terminé comme toujours en cours. Confirmez : « Livre de marque terminé. Tous les modules sauvegardés. »

Mode multi-fondateur

Lorsque plus d’un fondateur participe, écrivez les réponses de chaque fondateur dans founders/{participant}.md au lieu des fichiers de module principaux. Validez le nom du participant avant d’écrire : n’acceptez que des caractères alphanumériques et des traits d’union (par ex. fondateur-a, anna) ; rejetez les noms contenant des séparateurs de chemin (/, \, ..) ou des caractères spéciaux. Validez fichierModule par rapport à la séquence de modules énumérée (10 à 90 uniquement). Validez outputPath pour vous assurer qu’il s’agit d’un chemin absolu dans le répertoire du projet — rejetez les chemins relatifs et les chemins qui s’échappent via des segments ... Une fois que tous les fondateurs ont terminé un module, lancez une passe de réconciliation : résumez les convergences et divergences dans le fichier du module, signalez les « tensions productives » pour l’atelier d’alignement du groupe.

Anti-patrons

  • Commencer sans lire l’état d’abord. Chaque session doit s’ouvrir en vérifiant l’existence de fichiers de modules et de state.json. Passer cette étape fait perdre toute continuité avec les sessions précédentes.
  • Poser plusieurs questions à la fois. Une question à la fois n’est pas optionnelle — les listes produisent des réponses de checklist, pas une véritable perspicacité.
  • Passer à la Synthèse avant la saturation. Si les deux dernières sondes n’ont produit aucune nouvelle information, le module est terminé. Si elles en ont produit — il ne l’est pas.
  • Sauter la réconciliation multi-fondateur. Lorsque plusieurs parties prenantes sont impliquées, les entretiens individuels doivent être terminés avant la réconciliation. Discuter collectivement de la marque d’abord introduit un biais d’ancrage.
  • Traiter cela comme une session unique. Ce skill est conçu pour plusieurs sessions. Se précipiter vers 90_SYNTHESIS.md en une seule conversation produit un résultat superficiel.

Skills associés

  • competitive-platform-analysis — après que brand-discovery a établi le brief de positionnement, utilisez-le pour délimiter et catégoriser l’ensemble des concurrents.
  • brand-voice (ECC) — si le module voix-et-ton de brand-discovery a besoin d’un profil de style d’écriture distinct basé sur les sources.

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 associés