Communitygithub.com

découverte-de-marque

Mène un entretien structuré et adaptatif pour découvrir l'identité de marque, aboutissant à un livre de marque complet. Capture les réponses de manière persistante pour gérer plusieurs sessions et participants.

Qu'est-ce que découverte-de-marque ?

Cette compétence aide à conduire un entretien d'identité de marque structuré et adaptatif, conçu pour produire un livre de marque complet (`90_SYNTHESIS.md`) pouvant servir de référence pour les designers, rédacteurs et collaborateurs externes. Elle supporte des sessions multiples et non linéaires, avec un suivi d'état persistant via un fichier `state.json` et des fichiers de module individuels, garantissant qu'aucune connaissance ne soit perdue entre les conversations. La compétence applique une discipline d'entretien rigoureuse : une question à la fois, reformulation, approfondissement progressif (techniques de laddering et des 5 pourquoi), détection des réponses vagues, et utilisation de techniques projectives pour surmonter les blocages. Elle gère également un mode multi-fondateurs, où les réponses de chaque participant sont capturées séparément avant une passe de réconciliation. Les anti-patrons courants (démarrer sans lire l'état, poser plusieurs questions à la fois, passer à la synthèse trop tôt) sont explicitement documentés pour garantir la qualité du résultat final. La compétence est conçue pour être utilisée avec des agents comme Claude Code dans le cadre d'un projet de conseil en marque.

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

Demander à votre IA préférée

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

Documentation

Découverte de Marque

Utilisez cette compétence pour mener un entretien structuré et adaptatif sur l'identité de marque. L'objectif est de produire un 90_SYNTHESIS.md complet — un livre de marque maître que l'organisation peut utiliser pour brief designer·euse·s, rédacteur·rice·s et collaborateurs·rices externes.

L'entretien se déroule en plusieurs sessions. Enregistrez les réponses sur le disque au fur et à mesure pour ne pas perdre les connaissances acquises lorsqu'une conversation se termine, et pour qu'une session ultérieure puisse reprendre là où la précédente s'est arrêtée.

Quand activer

  • Une marque est en cours de création, de repositionnement, ou a besoin d'une référence d'identité écrite pour brief des collaborateur·rice·s.
  • Plusieurs sessions sont attendues — la conversation s'étendra sur des jours ou des semaines.
  • Plusieurs fondateur·rice·s ou parties prenantes ont besoin d'entretiens individuels avant une passe de réconciliation.
  • L'utilisateur·rice souhaite une méthode structurée et reproductible plutôt qu'une discussion ad-hoc.
  • La documentation de marque existante est dispersée, implicite ou dépendante des fondateur·rice·s et doit être rendue explicite.

Protocole de début de session

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

  1. Vérifiez la progression antérieure. Recherchez un ensemble existant de fichiers de module et un point de contrôle state.json dans le répertoire brand-identity du projet. Si rien n'existe, c'est un nouveau départ — confirmez le nom de la marque, les participant·e·s et l'emplacement de sauvegarde des fichiers, puis commencez au premier module.
  2. Lisez le fichier de module en cours s'il en existe un, et examinez sa section ## Raw pour les réponses précédemment capturées.
  3. Rapportez à l'utilisateur·rice en deux ou trois phrases : dans quel module nous sommes, son statut et ce qui reste à faire. Demandez ensuite : « 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 : brève reformulation → une sonde d'approfondissement OU cloturez le sujet s'il est saturé. Ne passez jamais à autre chose en silence.
  3. Laddering : pour chaque réponse « quoi », suivez 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 affirmations de positionnement — poussez jusqu'à ce que la raison racine, et non la déclaration de surface, soit sur la table.
  5. Détectez les réponses creuses : si générique, jargon ou vague, demandez un exemple concret, une histoire 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 marque : « Si l'organisation fermait dans cinq ans, qu'est-ce qui manquerait aux client·e·s ? De quoi regretteriez-vous de ne pas avoir parlé ? »
    • Contraste concurrentiel : « Citez un·e pair·e 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 clos le module.
  8. Fin de module : écrivez un fichier de module structuré avec deux sections :
    • ## Raw — citations textuelles et exemples.
    • ## Synthesis — votre interprétation, trois formulations candidates, questions ouvertes, contradictions entre participant·e·s. Puis mettez à jour le point de contrôle state.json (voir protocole d'état ci-dessous).

Séquence des modules

FichierÉtiquetteCadres utilisés
10_purpose-why.mdObjectif / PourquoiSinek Golden Circle, Lencioni
20_positioning.mdPositionnementDunford « Obviously Awesome », template Moore
30_audience-niche.mdAudience & NicheBaker « Business of Expertise », ICP
40_personality-archetype.mdPersonnalité & ArchétypeMark & Pearson 12 archétypes, J. Aaker 5 dims
50_voice-tone.mdVoix & TonDirectives de voix de marque
60_narrative-story.mdRécit / HistoireNeumeier trueline, arc narratif de marque
70_founder-tension.mdMarques Fondateur vs StudioEnns « Win Without Pitching »
90_SYNTHESIS.mdLivre de marque maîtrePrisme Kapferer, système de marque Aaker

Complétez les modules dans l'ordre. Honorez une demande d'utilisateur·rice de sauter un module et notez le saut dans state.json.

Protocole d'écriture de l'état

Après que chaque module a atteint son état de saturation ou de complétude, écrivez deux fichiers :

Fichier de module à modules/{moduleFile} — contenu complet Raw et Synthesis.

state.json — un point de contrôle léger pour permettre la reprise d'une session ultérieure. Mettez à jour completedModules, inProgressModule, nextModule, lastUpdated. Schéma :

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

Après écriture, confirmez : « Module X sauvegardé. État mis à jour. Suivant : 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 écriture, définissez completedModules pour inclure "90_SYNTHESIS.md", puis définissez inProgressModule à null — le laisser rempli amènerait une reprise future à traiter le livre de marque complet comme encore en cours. Confirmez : « Livre de marque complet. Tous les modules sauvegardés. »

Mode multi-fondateurs

Lorsque plus d'un·e fondateur·rice participe, écrivez les réponses de chaque fondateur·rice 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 moduleFile 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 ceux qui s'échappent via des segments ... Après que tous les fondateur·rice·s ont complété un module, effectuez une passe de réconciliation : résumez les convergences et divergences dans le fichier de module, signalez les « tensions productives » pour l'atelier d'alignement de groupe.

Anti-patrons

  • Commencer sans lire l'état d'abord. Chaque session doit commencer par vérifier l'existence de fichiers de module et de state.json. Sauter cette étape perd toute continuité des 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 de véritables idées.
  • Passer à la synthèse avant saturation. Si les deux dernières sondes n'ont produit aucune nouvelle information, le module est terminé. Si ce n'est pas le cas, il ne l'est pas.
  • Sauter la réconciliation multi-fondateurs. Lorsque plusieurs parties prenantes sont impliquées, les entretiens individuels doivent être terminés avant la réconciliation. Discuter de la marque collectivement en premier introduit un biais d'ancrage.
  • Traiter cela comme une session unique. Cette compétence est conçue pour plusieurs sessions. Se précipiter vers 90_SYNTHESIS.md en une seule conversation produit un résultat superficiel.

Compétences connexes

  • competitive-platform-analysis — après que brand-discovery a établi le brief de positionnement, utilisez-la pour délimiter et catégoriser l'ensemble des concurrents.
  • brand-voice (ECC) — si le module voix et ton de brand-discovery nécessite un profil d'écriture séparé et basé sur des 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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

Skills associés