Communitygithub.com

Raibit-AI/ad-teardown

Analisa um anúncio em vídeo como um diretor criativo: mede duração, velocidade de corte, extrai quadros, transcreve a fala, identifica o gancho, formato, pessoas, texto, oferta e final, e compara com benchmarks de anúncios de comida vencedores.

O que é ad-teardown?

Esta skill permite que agentes de IA (como Claude Code, Cursor ou Codex) realizem uma análise completa de anúncios em vídeo, especialmente Reels ou TikToks de restaurantes e marcas de comida, seguindo uma metodologia profissional de direção criativa. Ela combina ferramentas locais (ffmpeg, whisper.cpp opcional) com julgamento visual do agente para extrair métricas objetivas (duração, cortes, velocidade de corte, primeiro corte, quadros-chave) e preencher um registro estruturado com elementos criativos (formato, tipo de gancho, texto na tela, pessoas, oferta, final). Em seguida, compara os resultados com benchmarks de anúncios vencedores (disponíveis em arquivo markdown), gera um relatório conciso com veredito, pontos fortes, lacunas e um padrão digno de ser copiado, e pode resumir múltiplos anúncios em uma tabela de padrões. A skill é útil para criadores de conteúdo, profissionais de marketing e agências que desejam avaliar rapidamente a eficácia de anúncios e obter recomendações acionáveis baseadas em dados do mundo real.

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

Perguntar na sua IA favorita

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

Documentação

Análise de anúncio

1. Medir (grátis, local)

Execute o script incluído em cada vídeo. Ele precisa de ffmpeg; whisper.cpp (whisper-cli) é opcional, para transcrições.

bash scripts/teardown.sh caminho/para/anuncio.mp4 diretorio_saida/

Ele escreve:

  • hook.jpg: quadros a cada 0,5 s de 0 a 3 s.
  • sheet.jpg: 16 quadros em todo o anúncio.
  • metrics.json: duração, cortes, cortes_por_min, duracao_media_plano, primeiro_corte.
  • transcript.txt: apenas se o whisper-cli estiver instalado. Defina WHISPER_MODEL para o caminho do modelo.

2. Observar e classificar

Leia hook.jpg e sheet.jpg. Ignore os carimbos de data/hora amarelos; eles não fazem parte do anúncio. Preencha este registro, julgando apenas o que você pode ver ou ler:

{
 "formato": "comida_montagem | proprietario_ou_funcionario_falando | criador_ou_influenciador | reacoes_clientes | grafico_oferta | processo_cozinha | misto",
 "quadro0": "o que está literalmente no primeiro quadro",
 "tipo_gancho": "movimento_comida | comida_parada | rosto_falando | texto_titulo | oferta | pessoa_comendo | processo_cozinhando | outro",
 "texto_gancho": "palavras na tela nos primeiros 3 s, ou nulo",
 "movimento_no_primeiro_segundo": true,
 "maos_no_quadro": "nenhuma | algumas | muitas",
 "pessoas": "nenhuma | funcionario_ou_chef | proprietario | clientes | criador",
 "fala": "nenhuma | voz_sobreposta | pessoa_falando_na_camera",
 "texto_na_tela": "nenhum | rotulos_pratos | titulo | oferta | legendas | misto",
 "oferta": "a oferta em palavras, ou nulo",
 "marca_mostrada_em_segundos": 0.0,
 "final": "cartao_logo | cartao_oferta | foto_comida | pessoa_falando | abrupto | outro",
 "palavras_cta": "chamada para acao exata, ou nulo",
 "estilo_visual": "telefone_natural_cru | estúdio_polido | misto"
}

3. Comparar com os benchmarks

Abra benchmarks.md e compare o anúncio com ele. Aprovado ou reprovado em cada linha, com a diferença em números. Por exemplo: "primeiro corte aos 4,1 s contra um benchmark de 1,9 s" ou "nenhuma mão no quadro, enquanto 79% dos vencedores têm uma".

4. Relatório

Mantenha-o curto e direto:

  1. Veredito em uma linha.
  2. O que ele faz que os vencedores fazem. Até 3 pontos.
  3. As 3 maiores lacunas, cada uma vinculada a um carimbo de data/hora e uma correção concreta.
  4. Uma coisa que vale a pena copiar dele, como um padrão, não como filmagem.

Quando o usuário fornecer vários anúncios, adicione uma tabela de resumo e os padrões compartilhados por 3 ou mais deles.

Individual skills in this repo

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

Raibit-AI/blind-ad-review

Improves a video ad through repeated blind A/B reviews. Two versions are shown as contact sheets to a fresh reviewer who doesn't know which is newer, and both are scored against benchmarks from winning food ads. The next version changes only what reviewers agree on, and the loop continues until the gains stop. Use when the user wants to improve, iterate, critique or A/B test an ad or Reel before spending money, or asks "which version is better".

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.

Habilidades Relacionadas