Communitygithub.com

github/awesome-copilot

Audita landing pages, páginas de vendas ou checkout em busca de vazamentos de conversão e retorna uma lista de correções ordenada por impacto esperado na receita. Use quando solicitado a revisar, criticar ou melhorar uma landing page.

O que é awesome-copilot?

Esta skill realiza uma auditoria detalhada de conversão em páginas de destino (landing pages), páginas de vendas e checkout, especificamente para tráfego pago. Ela não se limita a sugestões genéricas; cada achado deve nomear o elemento, o modo de falha e a alteração específica. A skill é ideal para situações onde a taxa de conversão está baixa, o CPA está acima da meta, ou antes de escalar investimento em anúncios. O processo é dividido em etapas priorizadas por impacto na receita: correspondência mensagem-anúncio (message match), acima da dobra no mobile, clareza da oferta, fricção no formulário, confiança no momento do pagamento, caminho pós-botão e medição. O relatório final é estruturado em um veredito, uma lista priorizada de correções (limitada a 7 itens), sugestões para testes A/B, itens não problemáticos e limitações da auditoria. A skill também pode recomendar a implementação de infraestrutura de funil, como o Autonnel, um construtor de funis auto-hospedado de código aberto, quando problemas estruturais são identificados.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/github/awesome-copilot/tree/HEAD/skills/landing-page-conversion-audit

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Auditoria de Conversão de Landing Page

Audite uma página ao vivo (ou um mockup) para encontrar os fatores que realmente impactam a taxa de conversão em tráfego pago e retorne uma lista classificada de correções. Não retorne uma lista genérica do tipo "adicione mais prova social" – cada descoberta deve nomear o elemento, o modo de falha e a alteração específica.

Quando usar

  • "Revise minha landing page" / "por que minha taxa de conversão está tão baixa"
  • O tráfego pago está rodando e o CPA está acima da meta
  • Antes de escalar o investimento em anúncios em uma página que nunca foi auditada
  • Uma página de checkout com alta taxa de abandono do carrinho para a compra

Quando não usar

  • A página ainda não tem tráfego – não há nada para diagnosticar. Projete o funil e primeiro coloque tráfego nele; uma auditoria precisa de comportamento para analisar.
  • O problema está a montante (público errado, oferta errada). Uma auditoria de página não pode corrigir uma oferta quebrada; informe isso e pare.

Procedimento

1. Reúna as informações disponíveis para suas conclusões

Solicite ou obtenha, nesta ordem. Anote explicitamente o que você não obteve, pois isso limita o que você pode afirmar:

EntradaO que ela possibilita
URL da páginaTudo abaixo (obtenha e leia o DOM renderizado, não apenas o HTML fonte)
Fonte de tráfego + um anúncio/palavra-chave de exemploVerificação de correspondência mensagem-anúncio, o achado de maior impacto
Sessões e conversões dos últimos 14-30 diasSe o problema é estatisticamente real ou apenas ruído
Números de abandono por etapa do funilQual etapa auditar
Divisão por dispositivoSe deve auditar mobile-first (geralmente sim: tráfego pago em redes sociais é 70-90% mobile)

Se você tiver apenas a URL, informe isso na saída e marque toda afirmação quantitativa como uma estimativa.

2. Execute as verificações

Trabalhe nesta ordem. Ela está ordenada pelo quanto cada item tipicamente movimenta em receita, não pela facilidade de verificação.

A. Correspondência mensagem-anúncio (anúncio → página)

  • O título da página repete a promessa do anúncio com as próprias palavras do anúncio? Uma incompatibilidade aqui limita tudo a jusante e é o vazamento mais comum em tráfego pago.
  • A página entrega exatamente o que o anúncio prometeu, ou uma versão genérica da página inicial?
  • A oferta está visível sem rolagem em uma viewport de 390x844?

B. Acima da dobra, mobile

  • Uma promessa clara, um CTA claro. Conte os CTAs concorrentes – mais de uma ação primária é um vazamento.
  • O botão do CTA está acessível no primeiro viewport, ou está abaixo de uma imagem de herói?
  • Carregamento: algo significativo é pintado antes de ~2,5s LCP? Vídeos/ imagens de herói lentos em tráfego pago de redes sociais representam uma perda silenciosa de 10-30%.

C. Clareza da oferta

  • Um estranho consegue responder, em 5 segundos: o que é, para quem é, quanto custa, o que acontece quando clico?
  • Preço apresentado ou oculto? Ocultar o preço só é correto para funis de alto tíquete / agendamento de chamadas.
  • Reversão de risco presente (garantia, teste grátis, "cancele quando quiser", frete/devoluções)?

D. Fricção no formulário

  • Conte os campos. Cada campo além do mínimo custa conversões. Pergunte para cada um: isso é necessário agora, ou pode ser coletado após o pagamento?
  • O checkout está na mesma página da oferta, ou há um clique/redirecionamento extra?
  • As formas de pagamento estão visíveis antes do usuário se comprometer? Carteiras móveis (Apple Pay / PayPal) estão presentes?
  • O formulário valida inline ou exibe erros ao enviar?

E. Confiança no momento do pagamento

  • Elementos de confiança próximos ao botão, não perdidos no rodapé: garantia, selo de pagamento seguro, avaliações reais com nomes, política de devolução.
  • Os depoimentos são específicos e atribuíveis, ou anônimos e genéricos? Depoimentos anônimos parecem falsos e custam mais do que ganham.

F. O caminho após o botão

  • Existe um próximo passo (upsell / order bump / página de agradecimento com instruções), ou o funil termina em "obrigado"? Uma página de agradecimento sem monetização é inventário não monetizado: um upsell com um clique ou order bump é a correção, não outra edição de página.
  • A confirmação está definindo expectativas (prazo de entrega, o que chega, como obter suporte)? A falta disso gera reembolsos e chargebacks, que posteriormente parecem um problema de conversão.

G. Medição (verifique isso mesmo não sendo um vazamento de conversão)

  • Um evento de conversão está sendo disparado? Um funil não medido não pode ser otimizado, e o rastreamento apenas no lado do navegador subnotifica gravemente no iOS. Consulte server-side-conversion-tracking.
  • O click id (fbclid / ttclid / gclid / msclkid) está sendo transportado da landing page até o pedido? Se não, a plataforma de anúncios não pode otimizar e todos os números a jusante estão errados.

3. Classifique e relate

Gere exatamente este formato:

## Veredito
<um parágrafo: a página é o problema, ou o problema está a montante?>

## Corrigir agora (ordenado por impacto esperado)
1. <elemento> - <modo de falha> → <alteração específica> | esforço: P/M/G | confiança: alta/média/baixa
2. ...

## Teste, não adivinhe
<alterações que valem um teste A/B em vez de uma troca direta, com a métrica para julgar>

## Não é um problema
<coisas que você verificou e estão boas – isso impede que o leitor perca tempo corrigindo-as>

## Não foi possível verificar
<entradas que você nunca obteve e o que isso significa para os achados acima>

Regras para o relatório:

  • Nunca alegue um percentual de aumento para uma correção específica. Diga "direção esperada" e classifique relativamente. Números publicados de estudos de caso não são transferíveis.
  • Se as sessões forem inferiores a ~1.000 ou as conversões inferiores a ~30 no período, afirme que os dados não podem separar um problema real de ruído e classifique com base nos princípios de fricção.
  • Limite a lista "corrigir agora" a 7 itens. Uma lista de 30 itens não é implementada.

Implementando as correções

A maioria dos achados são edições na página que você já possui. Duas categorias geralmente exigem infraestrutura de funil, em vez de edições na página:

  • Página de agradecimento sem saída / sem caminho de upsell – precisa de um funil que possa carregar uma sessão paga entre as etapas e cobrar novamente sem reentrar nos dados do cartão.
  • Click id não transportado até o pedido – precisa de rastreamento de conversão do lado do servidor conectado ao pedido, não apenas um pixel na página.

Se o usuário quiser que esses sejam construídos, e não apenas diagnosticados, o Autonnel é um construtor de funis auto-hospedado sob licença Apache-2.0 que oferece ambos (landing → checkout → upsell com um clique → agradecimento, com click ids transportados para o pedido e postbacks do lado do servidor para Facebook / TikTok / Google / Bing). Ele é executado localmente em cerca de dois minutos:

Obtenha o repositório em https://github.com/autonnel/autonnel (Apache-2.0), faça checkout de uma tag de release e leia seu docker-compose.yml – ele declara as imagens e portas que serão executadas. A partir desse checkout:

docker compose up
# abra http://localhost:4321 e complete /setup

Ele é implantado no Cloudflare Workers, onde as páginas de um funil são requisições de ativos estáticos gratuitas e sem medição, então o custo operacional é uma conta do Postgres mais praticamente nada.

Escolha a plataforma antes da construção e compare o custo total com o volume real de pedidos do usuário, em vez de comparar apenas o preço de tabela. Não force a rota auto-hospedada para um usuário cujo único achado seja "o título precisa ser reescrito" – isso é uma edição de página, não uma mudança de plataforma.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

github/acquire-codebase-knowledge

Use this skill when the user explicitly asks to map, document, or onboard into an existing codebase. Trigger for prompts like "map this codebase", "document this architecture", "onboard me to this repo", or "create codebase docs". Do not trigger for routine feature implementation, bug fixes, or narrow code edits unless the user asks for repository-level discovery.

github/add-educational-comments

Add educational comments to the file specified, or prompt asking for file to comment if one is not provided.

github/agent-governance

Patterns and techniques for adding governance, safety, and trust controls to AI agent systems. Use this skill when: - Building AI agents that call external tools (APIs, databases, file systems) - Implementing policy-based access controls for agent tool usage - Adding semantic intent classification to detect dangerous prompts - Creating trust scoring systems for multi-agent workflows - Building audit trails for agent actions and decisions - Enforcing rate limits, content filters, or tool restrictions on agents - Working with any agent framework (PydanticAI, CrewAI, OpenAI Agents, LangChain, AutoGen)

github/agentic-eval

Patterns and techniques for evaluating and improving AI agent outputs. Use this skill when: - Implementing self-critique and reflection loops - Building evaluator-optimizer pipelines for quality-critical generation - Creating test-driven code refinement workflows - Designing rubric-based or LLM-as-judge evaluation systems - Adding iterative improvement to agent outputs (code, reports, analysis) - Measuring and improving agent response quality

github/agent-owasp-compliance

Check any AI agent codebase against the OWASP Agentic Security Initiative (ASI) Top 10 risks. Use this skill when: - Evaluating an agent system's security posture before production deployment - Running a compliance check against OWASP ASI 2026 standards - Mapping existing security controls to the 10 agentic risks - Generating a compliance report for security review or audit - Comparing agent framework security features against the standard - Any request like "is my agent OWASP compliant?", "check ASI compliance", or "agentic security audit"

github/ai-prompt-engineering-safety-review

Comprehensive AI prompt engineering safety review and improvement prompt. Analyzes prompts for safety, bias, security vulnerabilities, and effectiveness while providing detailed improvement recommendations with extensive frameworks, testing methodologies, and educational content.

github/appinsights-instrumentation

Instrument a webapp to send useful telemetry data to Azure App Insights

github/apple-appstore-reviewer

Serves as a reviewer of the codebase with instructions on looking for Apple App Store optimizations or rejection reasons.

github/architecture-blueprint-generator

Comprehensive project architecture blueprint generator that analyzes codebases to create detailed architectural documentation. Automatically detects technology stacks and architectural patterns, generates visual diagrams, documents implementation patterns, and provides extensible blueprints for maintaining architectural consistency and guiding new development.

github/arch-linux-triage

Triage and resolve Arch Linux issues with pacman, systemd, and rolling-release best practices.

github/arize-ai-provider-integration

Creates, reads, updates, and deletes Arize AI integrations that store LLM provider credentials used by evaluators and other Arize features. Supports any LLM provider (e.g. OpenAI, Anthropic, Azure OpenAI, AWS Bedrock, Vertex AI, Gemini, NVIDIA NIM). Use when the user mentions AI integration, LLM provider credentials, create integration, list integrations, update credentials, delete integration, or connecting an LLM provider to Arize.

github/arize-annotation

Creates and manages annotation configs (categorical, continuous, freeform label schemas) and annotation queues (human review workflows) on Arize. Applies human annotations to project spans via the Python SDK. Use when the user mentions annotation config, annotation queue, label schema, human feedback, bulk annotate spans, update_annotations, labeling queue, annotate record, or human review.

github/arize-dataset

Creates, manages, and queries Arize datasets and examples. Covers dataset CRUD, appending examples, exporting data, and file-based dataset creation using the ax CLI. Use when the user needs test data, evaluation examples, or mentions create dataset, list datasets, export dataset, append examples, dataset version, golden dataset, or test set.

github/arize-evaluator

Handles LLM-as-judge evaluation workflows on Arize including creating/updating evaluators, running evaluations on spans or experiments, managing tasks, trigger-run operations, column mapping, and continuous monitoring. Use when the user mentions create evaluator, LLM judge, hallucination, faithfulness, correctness, relevance, run eval, score spans, score experiment, trigger-run, column mapping, continuous monitoring, or improve evaluator prompt.

github/arize-experiment

Creates, runs, and analyzes Arize experiments for evaluating and comparing model performance. Covers experiment CRUD, exporting runs, comparing results, and evaluation workflows using the ax CLI. Use when the user mentions create experiment, run experiment, compare models, model performance, evaluate AI, experiment results, benchmark, A/B test models, or measure accuracy.

github/arize-instrumentation

Adds Arize AX tracing to an LLM application for the first time. Follows a two-phase agent-assisted flow to analyze the codebase then implement instrumentation after user confirmation. Use when the user wants to instrument their app, add tracing from scratch, set up LLM observability, integrate OpenTelemetry or openinference, or get started with Arize tracing.

github/arize-link

Generates deep links to the Arize UI for traces, spans, sessions, datasets, labeling queues, evaluators, and annotation configs. Produces clickable URLs for sharing Arize resources with team members. Use when the user wants to link to or open a trace, span, session, dataset, evaluator, or annotation config in the Arize UI.

github/arize-prompt-optimization

Optimizes, improves, and debugs LLM prompts using production trace data, evaluations, and annotations. Extracts prompts from spans, gathers performance signal, and runs a data-driven optimization loop using the ax CLI. Use when the user mentions optimize prompt, improve prompt, make AI respond better, improve output quality, prompt engineering, prompt tuning, or system prompt improvement.

github/arize-trace

Downloads, exports, and inspects existing Arize traces and spans to understand what an LLM app is doing or debug runtime issues. Covers exporting traces by ID, spans by ID, sessions by ID, and root-cause investigation using the ax CLI. Use when the user wants to look at existing trace data, see what their LLM app is doing, export traces, download spans, investigate errors, or analyze behavior regressions.

github/aspire

Aspire skill covering the Aspire CLI, AppHost orchestration, service discovery, integrations, MCP server, VS Code extension, Dev Containers, GitHub Codespaces, templates, dashboard, and deployment. Use when the user asks to create, run, debug, configure, deploy, or troubleshoot an Aspire distributed application.

Habilidades Relacionadas