Communitygithub.com

bighardperson/computer-science-skills-collection

Avalia, pontua e melhora iterativamente qualquer conteúdo ou estratégia usando um painel auto-montado de especialistas. Ideal para revisão de qualidade de cópias, sequências, landing pages, documentos de estratégia, títulos, gráficos, avaliações de recrutamento e muito mais.

O que é computer-science-skills-collection?

Este skill é um mecanismo de pontuação e melhoria iterativa de propósito geral. Ele monta automaticamente um painel de 7 a 10 especialistas adaptados ao tipo de conteúdo e domínio, pontua o conteúdo, e repete o processo até que todas as pontuações atinjam 90+ (máximo de 3 rodadas). Suporta plataformas como Claude Code, Cursor e Codex, e é acionado por frases como "expert panel this", "score this", "quality check this" ou "panel review". O skill inclui um detetor de escrita por IA com peso 1.5x, verificação de voz da marca, e aprendizado de padrões com base em aprovações e rejeições do usuário. Também fornece feedback estruturado para outros skills, permitindo melhorias contínuas.

Funciona com✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/bighardperson/computer-science-skills-collection/tree/HEAD/skills/content-ops
Ver original→Navegar por todas as habilidades

Perguntar na sua IA favorita

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

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Documentação

Preâmbulo (executado na inicialização do skill)

# Verificação de versão (silenciosa se atualizada)
python3 telemetry/version_check.py 2>/dev/null || true

# Opt-in de telemetria (primeira execução apenas, depois memoriza sua escolha)
python3 telemetry/telemetry_init.py 2>/dev/null || true

Privacidade: Este skill registra o uso localmente em ~/.ai-marketing-skills/analytics/. A telemetria remota é apenas opt-in. Nenhum código, caminho de arquivo ou conteúdo de repositório é coletado. Veja telemetry/README.md.

Painel de Especialistas

Mecanismo de pontuação e melhoria iterativa de propósito geral. Monta automaticamente os especialistas certos para o que está sendo avaliado, pontua e itera até atingir 90+.

Passo 1: Coleta — Entender o que está sendo pontuado

Colete ou infira do contexto:

  1. Conteúdo/artefato — A(s) coisa(s) a serem pontuadas (cole, caminho de arquivo ou URL)
  2. Tipo de conteúdo — Cópia, sequência, landing page, estratégia, título, gráfico, avaliação de candidato, etc.
  3. Contexto da oferta — O que está sendo vendido/promovido? Para quem? Qual domínio/indústria?
  4. Variantes — Existem múltiplas versões para comparar? (A/B/C)
  5. Skill de origem — Esta saída é de outro skill? (ex.: cold-outbound-optimizer) Se sim, anote a origem para roteamento de feedback no Passo 6.

Se o contexto for óbvio pela conversa, não pergunte — apenas prossiga.

Passo 2: Montagem Automática do Painel de Especialistas

Monte um painel de 7–10 especialistas adaptados ao tipo de conteúdo e domínio.

Regras de montagem

  1. Comece com especialistas do tipo de conteúdo. Leia o diretório experts/ para painéis pré-construídos que correspondam ao tipo de conteúdo. Se existir uma correspondência exata (ex.: experts/linkedin.md para uma postagem no LinkedIn), use-a como base.

  2. Adicione especialistas de domínio/oferta. Com base no contexto da oferta, adicione 1–3 especialistas que entendam da indústria ou domínio específico. Exemplos:

    • Avaliar marketing de padaria → adicione Especialista em Marketing de Alimentos e Bebidas
    • Avaliar landing page de SaaS → adicione Especialista em Conversão SaaS
    • Avaliar abordagem de recrutamento → adicione Recrutador de Agência + Especialista em Mercado de Talentos
    • Avaliar cópia de dispositivo médico → adicione Especialista em Conformidade de Saúde

  3. Sempre inclua estes dois:

    • Detector de Escrita por IA — Veja experts/humanizer.md. Peso: 1.5x. Inegociável.
    • Correspondência de Voz da Marca — Verifica alinhamento com a voz da marca configurada e padrões de rejeição conhecidos de references/patterns.md (se presente).

  4. Verifique padrões aprendidos. Se references/patterns.md existir, leia-o. Se algum padrão se aplicar a este tipo de conteúdo, informe o painel sobre eles. Desconte pontos por padrões conhecidamente ruins.

  5. Limite de 10 especialistas. Se você tiver mais de 10, mescle funções sobrepostas.

Formato de saída do painel

Liste cada especialista com: Nome, foco/lente, o que ele verifica.

Passo 3: Selecionar Rubrica de Pontuação

Escolha a rubrica apropriada de scoring-rubrics/:

Tipo de conteúdoArquivo de rubrica
Blog, redes sociais, e-mail, newsletter, roteirosscoring-rubrics/content-quality.md
Estratégia, recomendações, análisescoring-rubrics/strategic-quality.md
Landing pages, anúncios, CTAsscoring-rubrics/conversion-quality.md
Gráficos, visualização de dados, infográficosscoring-rubrics/visual-quality.md
Avaliações de candidatosscoring-rubrics/evaluation-quality.md
OutrosSintetize uma rubrica a partir das duas correspondências mais próximas

Leia o arquivo de rubrica selecionado para critérios detalhados e alocação de pontos.

Passo 4: Pontuação — Loop Recursivo até 90+

Meta: 90/100 em todos os especialistas. Inegociável. Máximo de 3 rodadas.

Cada rodada produz:

## Rodada [N] — Pontuação: [MÉDIA]/100

| Especialista | Pontuação | Feedback Principal |
|--------------|-----------|--------------------|
| [Nome] | [0-100] | [Justificativa em uma linha] |
| ... | ... | ... |

**Agregado:** [média ponderada — humanizador a 1.5x]
**Top 3 fraquezas:** [classificadas]
**Mudanças feitas:** [edições específicas abordando cada fraqueza]

Então o conteúdo/artefato revisado.

Regras

  • As pontuações devem ser brutalmente honestas. Sem arredondamentos para 90.
  • Pontuação do humanizador com peso 1.5x no agregado.
  • Se agregado < 90: identifique as top 3 fraquezas → revise → próxima rodada.
  • Se agregado ≥ 90: finalize e prossiga para a saída.
  • Após 3 rodadas, se ainda < 90: retorne a melhor versão com pontuação honesta + nota sobre o que está segurando.
  • Mostre TODAS as rodadas na saída — o histórico de iteração faz parte do valor.

Modo de comparação de variantes

Ao pontuar múltiplas variantes (A/B/C):

  • Pontue cada variante independentemente com o painel completo.
  • Após a pontuação, classifique as variantes pela pontuação agregada.
  • Se a variante top for < 90, itere na melhor (não itere em todas).

Passo 5: Formato de Saída

Vencedor + Pontuação (sempre no topo)

## 🏆 Resultado: [PONTUAÇÃO]/100 — [APROVADO ✅ | PRECISA DE TRABALHO ⚠️]

[Conteúdo/artefato final aqui]

**Iterações:** [N] rodadas
**Painel:** [Nomes dos especialistas, separados por vírgula]

Se houver variantes: mostre o vencedor primeiro, depois as pontuações dos segundos colocados.

## 🏆 Vencedor: Variante [X] — [PONTUAÇÃO]/100

[Conteúdo vencedor]

### Pontuações dos segundos colocados
- Variante A: 87/100
- Variante B: 82/100
- Variante C: 91/100 ← Vencedor

Histórico de Feedback (abaixo do resultado)

Mostre as rodadas completas de pontuação.

---
<details>
<summary>📊 Histórico de Pontuação (N rodadas)</summary>

[Todas as tabelas de rodadas do Passo 4]

</details>

Passo 6: Feedback para a Origem (Ao Pontuar Saída de Outro Skill)

Quando o conteúdo pontuado veio de outro skill, gere um Relatório de Melhoria da Origem:

## 🔁 Feedback para o Skill de Origem

### O que pontuou baixo
- [Padrão]: [Exemplo específico deste conteúdo]

### Melhorias sugeridas para o skill
- [Mudança concreta no processo/rubrica/prompt do skill de origem]

### Padrões a adicionar ao skill de origem
- [Qualquer fraqueza recorrente que deveria se tornar uma regra]

Este relatório pode ser usado para atualizar o SKILL.md ou as rubricas do skill de origem.

Passo 7: Memória — Aprender com Aprovações e Rejeições

Após o usuário aprovar ou rejeitar a saída do painel:

Na aprovação (pontuação ≥ 90, usuário aceita)

Anote o que funcionou. Nenhuma ação necessária, a menos que um novo padrão positivo surja.

Na rejeição (usuário anula o painel ou rejeita conteúdo com 90+)

  1. Pergunte o motivo (ou infira do contexto).
  2. Adicione um novo padrão a references/patterns.md usando este formato:
## [Nome do Padrão]
- **Tipo:** rejeição | preferência | anulação
- **Tipos de conteúdo:** [a quais tipos isto se aplica]
- **Regra:** [O que sempre/nunca fazer]
- **Exemplo:** [A instância específica que desencadeou isto]
- **Data:** [AAAA-MM-DD]
- **Desconto de pontos:** [-N pontos quando detectado]
  1. Confirme: "Padrão adicionado: [resumo em uma linha]. O painel descontará [N] pontos por isso daqui em diante."

Aplicação de padrões

A cada rodada de pontuação, verifique references/patterns.md em relação ao conteúdo. Aplique descontos de pontos antes que a pontuação dos especialistas comece. Isso significa que padrões conhecidamente ruins são penalizados mesmo que especialistas individuais os percam.

Arquivos de Referência

ArquivoPropósitoQuando ler
experts/humanizer.mdRubrica de detecção de escrita por IA (24 padrões)Toda execução de pontuação
experts/[domínio].mdPainéis de especialistas pré-construídos para domínios comunsQuando o domínio corresponder
scoring-rubrics/content-quality.mdRubrica de pontuação de conteúdoPontuação de conteúdo
scoring-rubrics/strategic-quality.mdRubrica de pontuação de estratégiaPontuação de estratégia
scoring-rubrics/conversion-quality.mdRubrica de landing page/anúncio/CTAPontuação de conversão
scoring-rubrics/visual-quality.mdRubrica de gráfico/visualização de dados/infográficoPontuação visual
scoring-rubrics/evaluation-quality.mdRubrica de avaliação de candidato/assessoriaPontuação de avaliação
references/patterns.mdPadrões de rejeição aprendidosToda execução de pontuação
references/expert-assembly.mdExemplos de especialistas de domínio para auto-montagemAo construir painéis não familiares

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.

Habilidades Relacionadas

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