product-showcase

name	product-showcase
description	Genera demos visuales y contenido LinkedIn con metodo PAR para productos tech. Usar cuando tienes MVP listo para mostrar al mundo.
allowed-tools	Read, Write, WebFetch, Glob, Bash

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

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