Agent skill
product-showcase
Genera demos visuales y contenido LinkedIn con metodo PAR para productos tech. Usar cuando tienes MVP listo para mostrar al mundo.
Install this agent skill to your Project
npx add-skill https://github.com/majiayu000/claude-skill-registry/tree/main/skills/data/product-showcase
SKILL.md
Product Showcase Skill
Este skill te ayuda a crear demos profesionales y contenido de LinkedIn para mostrar tus proyectos tecnicos. Utiliza el metodo PAR (Problema-Accion-Resultado) para comunicar el valor de tu producto de forma efectiva.
Cuando Usar Este Skill
- Tienes un MVP funcional listo para mostrar
- Quieres crear contenido para LinkedIn/Twitter
- Necesitas una landing page profesional
- Quieres documentar el valor de tu proyecto
Flujo de Trabajo
-
Analizar el Proyecto
- Identificar el problema que resuelve
- Documentar la solucion innovadora
- Recopilar metricas y resultados
-
Generar Contenido PAR
- Problema: El dolor que existe
- Accion: Tu solucion unica
- Resultado: Metricas concretas
-
Crear Visuales
- Before/After del producto
- Graficos de benchmarks
- Diagrama de arquitectura
-
Estructurar Landing
- Hero con propuesta de valor
- Seccion de problema
- Demo interactiva
- Llamada a la accion
Metodo PAR Explicado
P - Problema
El problema debe ser:
- Especifico y medible ("45% de error" no "muchos errores")
- Relatable (el lector debe identificarse)
- Doloroso (que motive a buscar solucion)
Ejemplo:
"Pase horas transcribiendo apuntes que ningun OCR podia leer. Google Lens, Tesseract... todos fallaban con MI letra."
A - Accion (Tu Solucion)
La accion debe mostrar:
- Que hace diferente tu solucion
- Por que es un "oceano azul" (sin competencia directa)
- La innovacion tecnica clave
Ejemplo:
"Cree un sistema RAG que APRENDE de mis correcciones. Cada vez que corrijo un error, el sistema lo recuerda."
R - Resultado
Los resultados deben ser:
- Cuantificables (numeros especificos)
- Comparativos (vs alternativas)
- Impresionantes pero creibles
Ejemplo:
"82% accuracy inicial -> 95%+ despues de 50 correcciones Modelo qwen2.5vl supera a minicpm-v en 26 puntos"
Templates Disponibles
1. linkedin-par.md
Template para posts de LinkedIn usando metodo PAR. Incluye estructura, hashtags recomendados y CTA.
2. landing-structure.md
Estructura de landing page con secciones:
- Hero
- Problema
- Solucion
- Demo
- Benchmark
- CTA
3. demo-script.md
Guion para grabar video demo o GIF. Incluye timing y puntos clave a mostrar.
Checklist UX Demo
Antes de publicar, verifica:
- Valor entendible en <10 segundos
- Before/after visualmente claro
- Numeros destacados y legibles
- CTA claro y visible
- Mobile-friendly
- Velocidad de carga <3s
- Sin errores de consola
- Links funcionando
- Imagenes optimizadas
Frameworks Recomendados
| Caso de Uso | Framework | Razon |
|---|---|---|
| Demo rapida | Tailwind + shadcn | Setup minimo, profesional |
| Dashboard | Next.js + Recharts | SSR, charts nativos |
| Landing SEO | Astro | Ultra rapido, estatico |
| App ML | Streamlit/Gradio | Rapido para AI demos |
| Showcase | Next.js 14 | Full-stack, Vercel deploy |
Visuales Esenciales
1. Before/After
- Slider interactivo
- Izquierda: estado actual/competencia
- Derecha: tu solucion
2. Benchmark Chart
- Barras horizontales
- Tu solucion destacada en verde
- Competencia en gris/rojo
3. Arquitectura
- Diagrama simple del flujo
- Iconos reconocibles
- Maximo 5-7 elementos
4. Metricas Hero
- Numero grande y destacado
- Descripcion corta
- Contexto comparativo
Hashtags Recomendados
Tech/Dev
#MachineLearning #Python #OpenSource #AI #DeepLearning #ComputerVision
Producto
#ProductDevelopment #MVP #Startup #TechInnovation #BuildInPublic
Comunidad
#DevCommunity #100DaysOfCode #LearnInPublic #IndieHacker
Ejemplo de Post Completo
Sabes que los OCR genericos tienen hasta 45% de error con letra manuscrita?
**El Problema:** Pase horas transcribiendo apuntes que ningun OCR podia leer.
Google Lens, Tesseract, apps de notas... todos fallaban con MI letra.
**La Solucion:** Cree un sistema RAG que APRENDE de mis correcciones. Cada vez
que corrijo un error, el sistema lo recuerda.
**Resultados:**
- 82% accuracy inicial -> 95%+ despues de 50 correcciones
- Modelo qwen2.5vl supera a minicpm-v en 26 puntos
- <100ms para aplicar correcciones
[GIF: Before/After]
Demo: [link] Repo: [link]
Stack: Python + SQLite + Ollama Lo mejor: funciona con tu propia GPU.
#MachineLearning #OCR #Python #OpenSource #RAG
Recursos
- Excalidraw - Diagramas de arquitectura
- Gifski - Crear GIFs de alta calidad
- Recharts - Graficos React
- shadcn/ui - Componentes UI
Didn't find tool you were looking for?