Communitygithub.com

descoberta-de-marca

Realiza uma entrevista estruturada e adaptativa para descobrir a identidade de uma marca, resultando em um master brandbook (90_SYNTHESIS.md).

O que é descoberta-de-marca?

Esta skill conduz um processo de entrevista de identidade de marca estruturado e adaptativo, projetado para capturar o conhecimento de fundadores e stakeholders ao longo de múltiplas sessões. Ela é ideal para situações em que uma marca está sendo criada, reposicionada ou precisa de uma referência escrita para briefar designers, redatores e colaboradores externos. A skill suporta entrevistas individuais para múltiplos fundadores antes de uma passagem de reconciliação e gerencia o progresso por meio de arquivos de módulo e um checkpoint `state.json`, garantindo que nenhuma informação seja perdida entre as sessões. Implementada para plataformas como Claude Code, Cursor e Codex, ela segue uma sequência de módulos pré-definida (Propósito, Posicionamento, Público, Personalidade, Voz e Tom, Narrativa, Tensão do Fundador) e aplica técnicas de entrevista como escada (laddering), 5 Porquês e técnicas projetivas para aprofundar as respostas, evitando respostas superficiais e garantindo uma síntese rica e acionável.

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

Perguntar na sua IA favorita

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

Documentação

Descoberta de Marca

Use esta skill para conduzir uma entrevista de identidade de marca estruturada e adaptativa. O objetivo é um 90_SYNTHESIS.md completo — um master brandbook que a organização pode usar para briefar designers, redatores e colaboradores externos.

A entrevista ocorre em múltiplas sessões. Capture as respostas em disco à medida que avança, para que nenhum conhecimento obtido seja perdido quando uma conversa termina, e para que uma sessão posterior possa retomar de onde a última parou.

Quando Ativar

  • Uma marca está sendo criada, reposicionada ou precisa de uma referência de identidade escrita para briefar colaboradores.
  • Múltiplas sessões são esperadas — a conversa se estenderá por dias ou semanas.
  • Múltiplos fundadores ou stakeholders precisam de entrevistas individuais antes de uma passagem de reconciliação.
  • O usuário deseja um método estruturado e repetível, em vez de uma conversa ad-hoc.
  • A documentação existente da marca está dispersa, implícita ou depende do fundador e precisa ser explicitada.

Protocolo de Início de Sessão

Em cada ativação, execute estas etapas antes de fazer qualquer pergunta da entrevista:

  1. Verifique o progresso anterior. Procure um conjunto existente de arquivos de módulo e um checkpoint state.json no diretório brand-identity do projeto. Se não existir, é um novo começo — confirme o nome da marca, participantes e onde salvar os arquivos brand-identity, então comece no primeiro módulo.
  2. Leia o arquivo do módulo atual se um estiver em andamento e examine sua seção Raw em busca de respostas capturadas anteriormente.
  3. Relate ao usuário em duas ou três frases: em qual módulo estamos, seu status e o que resta. Então pergunte: "Continuar aqui ou mudar de módulo?"

Disciplina da Entrevista

Aplique estas regras ao longo de cada módulo:

  1. Uma pergunta de cada vez. Nunca apresente uma lista de perguntas.
  2. Após cada resposta: breve paráfrase → uma sonda de aprofundamento OU encerre se o tópico estiver saturado. Nunca prossiga em silêncio.
  3. Escada (Laddering): para cada resposta "o quê", siga com "Por que isso é importante para você?" até que um valor central surja (normalmente duas a quatro iterações).
  4. 5 Porquês: para crenças ou afirmações de posicionamento — insista até que o motivo raiz, não a declaração superficial, esteja na mesa.
  5. Detecte respostas vagas: se genérica, cheia de jargão ou vaga, peça um exemplo concreto, uma história de cliente ou um número.
  6. Técnicas projetivas (use uma vez por módulo para quebrar um platô):
    • "Se a marca fosse uma pessoa, como ela entraria em uma sala?"
    • Obituário da marca: "Se a organização fechasse em cinco anos, do que os clientes sentiriam falta? Do que você se arrependeria de não ter dito?"
    • Contraste competitivo: "Cite um concorrente que você admira, mas jamais gostaria de se tornar. O que especificamente os torna o modelo errado?"
  7. Sinal de saturação: quando duas sondas consecutivas não produzirem novas informações, resuma e feche o módulo.
  8. Final do módulo: escreva um arquivo de módulo estruturado com duas seções:
    • ## Raw — citações literais e exemplos.
    • ## Síntese — sua interpretação, três formulações candidatas, perguntas em aberto, contradições entre participantes. Em seguida, atualize o checkpoint state.json (veja Protocolo de estado abaixo).

Sequência de Módulos

ArquivoRótuloFrameworks utilizados
10_purpose-why.mdPropósito / PorquêCírculo Dourado de Sinek, Lencioni
20_positioning.mdPosicionamentoDunford "Obviamente Impressionante", template Moore
30_audience-niche.mdPúblico & NichoBaker "Business of Expertise", ICP
40_personality-archetype.mdPersonalidade & Arquétipo12 arquétipos de Mark & Pearson, 5 dims de J. Aaker
50_voice-tone.mdVoz & TomDiretrizes de voz da marca
60_narrative-story.mdNarrativa / HistóriaTrueline de Neumeier, arco da história da marca
70_founder-tension.mdMarcas de Fundador vs Marca de EstúdioEnns "Win Without Pitching"
90_SYNTHESIS.mdMaster BrandbookPrisma de Kapferer, sistema de marca Aaker

Complete os módulos em ordem. Respeite a solicitação do usuário para pular módulos e anote o pulo em state.json.

Protocolo de Escrita de Estado

Após cada módulo atingir o status de saturado ou concluído, escreva dois arquivos:

Arquivo de módulo em modules/{moduleFile} — conteúdo completo de Raw e Síntese.

state.json — um checkpoint leve para que uma sessão posterior possa retomar. Atualize completedModules, inProgressModule, nextModule, lastUpdated. Esquema:

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

Após escrever, confirme: "Módulo X salvo. Estado atualizado. Próximo: Y."

Módulo terminal (90_SYNTHESIS.md): ao escrever a síntese final, defina inProgressModule para "90_SYNTHESIS.md" e nextModule para null em state.json. Após escrever, defina completedModules para incluir "90_SYNTHESIS.md", então defina inProgressModule para null — mantê-lo preenchido faria com que uma retomada futura tratasse o brandbook concluído como ainda em andamento. Confirme: "Brandbook completo. Todos os módulos salvos."

Modo Multi-Fundador

Quando mais de um fundador participar, escreva as respostas de cada fundador em founders/{participante}.md em vez dos arquivos de módulo principais. Valide o nome do participante antes de escrever: aceite apenas caracteres alfanuméricos e hífens (ex.: fundador-a, ana); rejeite nomes contendo separadores de caminho (/, \, ..) ou caracteres especiais. Valide moduleFile em relação à sequência de módulos enumerada (apenas 10 a 90). Valide outputPath para garantir que seja um caminho absoluto dentro do diretório do projeto — rejeite caminhos relativos e caminhos que escapem via segmentos ... Após todos os fundadores concluírem um módulo, execute uma passagem de reconciliação: resuma convergências e divergências no arquivo do módulo, sinalize "tensões produtivas" para o workshop de alinhamento do grupo.

Anti-Padrões

  • Começar sem ler o estado primeiro. Toda sessão deve abrir verificando a existência de arquivos de módulo e state.json. Pular isso perde toda a continuidade das sessões anteriores.
  • Fazer várias perguntas de uma vez. Uma pergunta de cada vez não é opcional — listas produzem respostas do tipo checklist, não insights reais.
  • Passar para a Síntese antes da saturação. Se as duas últimas sondas não produziram novas informações, o módulo está concluído. Se produziram — não está.
  • Pular a reconciliação multi-fundador. Quando múltiplos stakeholders estão envolvidos, as entrevistas individuais devem ser concluídas antes da reconciliação. Discutir a marca coletivamente primeiro introduz viés de ancoragem.
  • Tratar isso como uma sessão única. Esta skill é projetada para múltiplas sessões. Apressar-se para 90_SYNTHESIS.md em uma única conversa produz resultados superficiais.

Skills Relacionadas

  • competitive-platform-analysis — após a descoberta-de-marca estabelecer o brief de posicionamento, use-a para escopar e categorizar o conjunto de concorrentes.
  • brand-voice (ECC) — se o módulo de voz e tom da descoberta-de-marca precisar de um perfil de estilo de escrita separado, baseado em fontes.

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.

Habilidades Relacionadas