Communitygithub.com

Boucle de révision publicitaire en aveugle (Raibit-AI/blind-ad-…

Améliore une publicité vidéo grâce à des révisions A/B en aveugle répétées. Deux versions sont présentées sous forme de planches-contact à un nouveau relecteur qui ne sait pas laquelle est la plus récente, et les deux sont notées par rapport à des références issues de publicités alimentaires gagnantes. La version suivante ne modifie que les points sur lesquels les relecteurs s'accordent, et la boucle continue jusqu'à ce que les gains s'arrêtent. À utiliser lorsque l'utilisateur souhaite améliorer, itérer, critiquer ou tester A/B une publicité ou une Reel avant de dépenser de l'argent, ou demande « quelle version est la meilleure ».

Qu'est-ce que blind-ad-… ?

Cette compétence automatise un processus d'itération publicitaire basé sur des révisions en aveugle, conçu pour les créateurs et les spécialistes du marketing qui souhaitent optimiser leurs vidéos publicitaires (notamment pour Facebook et Instagram Reels) avant de les diffuser. Elle fonctionne en générant des planches-contact de deux versions d'une publicité (une image toutes les 0,5 seconde), en les soumettant à un nouveau relecteur (un sous-agent ou un nouveau chat) qui ne sait pas quelle version est la plus récente, et en recueillant des scores structurés et des recommandations. Les modifications ne sont appliquées que lorsque plusieurs relecteurs sont d'accord, ce qui évite les biais subjectifs. La boucle s'arrête lorsque les gains deviennent marginaux et que les prochaines améliorations nécessitent de nouvelles prises de vue ou des décisions stratégiques. Elle prend en charge les workflows via des sous-agents (comme Claude Code, Cursor, Codex, etc.) et utilise des outils comme `ffmpeg` pour la génération des planches-contact. L'approche repose sur des références objectives (benchmarks de publicités gagnantes) plutôt que sur le simple goût personnel.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Raibit-AI/food-ad-kit/tree/HEAD/plugins/food-ad-kit/skills/blind-ad-review

Demander à votre IA préférée

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

Documentation

Boucle de révision publicitaire en aveugle

Juger son propre travail sature rapidement. Dans la boucle d'où provient cette compétence, la propre checklist du créateur atteignait 29,5 sur 30 à la 15ème version, alors que les gains réels continuaient. Les révisions en aveugle ont continué à les trouver.

1. Créer les planches-contact

Pour chaque version, créez une image avec une image toutes les 0,5 s et son horodatage :

ffmpeg -i ad.mp4 -vf "fps=2,scale=180:320,drawtext=text='%{pts\:hms}':fontcolor=yellow:fontsize=16:x=4:y=4,tile=8x6" -frames:v 1 sheet.jpg

Nommez-les de manière neutre (A.jpg, B.jpg) et randomisez laquelle est la plus récente.

2. Effectuer la révision avec un nouveau relecteur

Utilisez un nouveau sous-agent ou une nouvelle discussion à chaque fois, afin que le contexte antérieur ne le biaise pas. Instruisez-le avec :

Vous êtes un directeur créatif de marketing de performance pour les publicités de restaurant sur Facebook et Instagram Reels, qui sont surtout diffusées sans le son. Voici deux montages sous forme de planches-contact, une image toutes les 0,5 s ; les horodatages jaunes ne font pas partie de la publicité. (1) Quel montage reçoit le plus de budget, et pourquoi ? Soyez prêt à déclarer une égalité. (2) Notez chaque montage de 1 à 10 sur : l'accroche visuelle dans la première seconde, l'attrait de l'appétit, la clarté de qui et où, le rythme, la fin. (3) Les 3 correctifs à plus fort impact pour le meilleur montage, chacun lié à un horodatage. Signalez tout ce qui semble généré par IA ou décalé. (4) Par rapport à ces références, listez chaque ligne que le meilleur montage manque : [collez le tableau depuis benchmarks.md].

L'étape 4 est l'amélioration par rapport au goût. « La distance par rapport à ce que font les publicités gagnantes » peut être mesurée. « Est-ce que je l'aime » ne le peut pas.

3. Décider quoi changer (les règles qui ont tenu)

  • Agissez uniquement là où 2 relecteurs ou plus sont d'accord, ou lorsque le correctif est mesurable (volume sonore, marque manquante, premier cut tardif). Les relecteurs se contredisent sur le goût ; dans notre boucle, l'un demandait un cut sec vers le carton de fin et le suivant demandait un fondu enchaîné.
  • Changez une chose par version, et notez ce qui a changé et pourquoi.
  • Un mouvement latéral n'est pas une victoire. Lorsqu'un relecteur déclare un match nul, conservez les deux versions comme un véritable test A/B pour que la plateforme décide (longue contre courte, deux accroches).
  • Re-testez les modifications dictées par un relecteur avec un nouveau relecteur, pour vous assurer que vous améliorez la publicité et non pas que vous ne satisfaites qu'un seul critique.
  • Surveillez les régressions. Un nouvel arrière-plan qui donne l'impression que la nourriture est moins abondante est une perte : la nourriture d'abord, la variété ensuite.

4. Savoir quand s'arrêter

Arrêtez-vous lorsque deux révisions consécutives déclarent une quasi-égalité et que chaque correctif restant nécessite de nouvelles prises de vue (personnes, nouvel angle, vrai tournage) ou une décision du propriétaire (une offre, le wording de l'accroche). Ensuite, publiez 3 à 5 variantes qui diffèrent chacune d'une chose, diffusez-les avec un petit budget quotidien pendant une semaine, et laissez les vrais spectateurs choisir. Réinjectez le résultat dans cette boucle en tant que nouvelle référence.

Modèle de journal

| # | Quoi a changé | Pourquoi (qui a demandé) | Verdict du relecteur | Garder ? | |---|---|---|---| | | | | | |

Individual skills in this repo

This repo contains 4 individual skills — each has its own dedicated page.

Raibit-AI/ad-teardown

Breaks a video ad down the way a creative director would. It measures length, cut speed and first cut; pulls frame strips of the first 3 seconds and of the whole ad; transcribes the speech; tags the hook, format, people, text, offer and ending; and scores it against benchmarks from winning food ads. Use when the user asks to analyze, break down, tear down, critique or compare a video ad, Reel or TikTok, especially for a restaurant or food brand.

Raibit-AI/food-shot-director

Directs AI image-to-video food shots for restaurant ads (chopsticks lifting noodles, a spoon scooping, sauce poured, a piece lifted to the lens). It gives the prompt formula, which foods animate well and which morph, and a keep-or-reject checklist so the dish still looks like the real menu item. Works with any image-to-video model (Kling, Veo, Seedance, LTX, Runway). Use when the user wants to animate a food photo, make food B-roll or a hand-in-frame food shot, or turn menu photos into video...

Raibit-AI/social-ad-builder

Assembles finished vertical social video ads from clips plus a simple JSON shot list. It outputs a 9:16 master for Reels, Stories and TikTok plus a 4:5 feed cut, with brand-color dish labels, the brand on frame 0, hard cuts, a matched color grade, clean designed sound, safe loudness and an end card. It uses free ffmpeg only. Use when the user wants to edit, cut, assemble or render a short ad, Reel or TikTok from food or product clips, or make several ad variations to A/B test.

Raibit-AI/winning-ad-finder

Finds video ads that are probably working for restaurants and food brands, using the free Meta Ad Library, and builds a short "swipe file" of likely winners to study. Use when the user asks to find winning ads, research competitors' Facebook or Instagram ads, see what ads restaurants are running, or build ad inspiration for a food business.

Skills associés