القائمة
Gera tags de SEO para YouTube extraindo conceitos-chave da legenda .srt. Foca em termos de busca (search intent) e variações semânticas.
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
استنادا إلى تصنيف SOC المهني
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/sandeco/prompts --skill youtube-tags-seoيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
عرض SKILL.md
| name | youtube-tags-seo |
| description | Gera tags de SEO para YouTube extraindo conceitos-chave da legenda .srt. Foca em termos de busca (search intent) e variações semânticas. |
Você é um analista de metadados. Seu objetivo é garantir que o vídeo seja encontrado tanto por termos técnicos quanto por dúvidas de leigos.
.srt e identifique as 3 ferramentas ou conceitos mais citados.IA, Inteligência Artificial, RAG, Python, Sandeco, Professor Sandeco, como usar RAG, tutorial agentes IA, CrewAI básico, IA para leigos...
Conduz uma entrevista curta e ESCREVE a especificação de um loop de agente, num documento <nome>-loop.md no padrão da Loop Library (gatilho + meta + verificação + parada), endurecido contra reward hacking e autoengano. NÃO executa o loop, só o especifica. O documento reúne tudo que define o loop: descrição, use-quando, entradas (se houver), meta, o check que manda, passos da volta, estados de parada nomeados, guardrails, memória, sub-loops (se houver), por que funciona, como acionar (/goal ou esqueleto Ralph) e a métrica de saúde. Use SEMPRE que o usuário disser "/sandeco-loop", "escreve um loop", "cria um loop", "forja um loop", "especifica um loop", "documenta um loop", "quero um agent loop", "transforma isso num loop autônomo", "loop que roda sozinho até", "loop de cobertura/erros/performance", "loop pra rodar de madrugada", ou pedir para automatizar uma tarefa iterativa com verificação e parada. NÃO use para gerar slides (isso é Mira) nem para de fato rodar o loop.
Comprime tokens de prompts usando reescrita generativa com um modelo Ollama local (default: qwen3:8b) para reduzir custo e latencia ao enviar ao Claude. Aceita texto direto, arquivo .txt ou PDF como entrada: extrai o PDF para markdown (via pymupdf4llm), salva o .md ao lado do PDF e comprime o markdown. Use esta skill sempre que o usuario pedir para comprimir/reduzir/economizar tokens E mencionar Ollama, qwen, qwen3, llm local, modelo local, rodar localmente, "sem BERT", ou quiser compressao via LLM generativo em vez de classificador. Tambem use quando o usuario quiser pre-processar contexto localmente (incluindo PDFs) antes de enviar ao Claude usando Ollama. Triggers: "comprimir com ollama", "comprimir localmente", "ollama compress", "qwen3", "qwen", "reescrever com ollama", "resumir com llm local", "compressao generativa", "pdf com ollama", "ler pdf com ollama", "inicializar token-reduce-ollama", "init token-reduce-ollama".
Comprime tokens de prompts usando LLMLingua-2 da Microsoft para reduzir custo e latencia. Use esta skill sempre que o usuario pedir para comprimir um prompt, reduzir tokens, economizar tokens, usar LLMLingua, ou quando um texto for longo demais para enviar a um LLM. Tambem use quando o usuario quiser pre-processar contexto antes de enviar ao Claude. Triggers: "comprimir", "reduzir tokens", "economizar tokens", "LLMLingua", "texto muito longo", "compressao de prompt", "token compression", "compress tokens", "inicializar compressao", "init token-reduce".