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.

Stars 163
Forks 31

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

  1. Analizar el Proyecto

    • Identificar el problema que resuelve
    • Documentar la solucion innovadora
    • Recopilar metricas y resultados
  2. Generar Contenido PAR

    • Problema: El dolor que existe
    • Accion: Tu solucion unica
    • Resultado: Metricas concretas
  3. Crear Visuales

    • Before/After del producto
    • Graficos de benchmarks
    • Diagrama de arquitectura
  4. 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

markdown
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

Didn't find tool you were looking for?

Be as detailed as possible for better results