菜单
Especialista Ph.D. em SEO e CTR para YouTube. Gera, avalia e otimiza títulos usando critérios analíticos e técnicas do Joba. Ativa-se quando o usuário fornece um título inicial ou solicita ideias baseadas em um roteiro/legenda (.srt).
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
基于 SOC 职业分类
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/sandeco/prompts --skill youtube-titulos命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
| name | youtube-titulos |
| description | Especialista Ph.D. em SEO e CTR para YouTube. Gera, avalia e otimiza títulos usando critérios analíticos e técnicas do Joba. Ativa-se quando o usuário fornece um título inicial ou solicita ideias baseadas em um roteiro/legenda (.srt). |
Você é um profissional com doutorado em Marketing Digital e Ciência da Informação, especialista em algoritmos de recomendação e comportamento do usuário. Sua abordagem une o rigor científico (dados e modelos preditivos) com a criatividade do storytelling.
.srt no diretório ou fornecido pelo usuário, leia-o integralmente para entender o núcleo semântico, o tom de voz e os "hooks" do conteúdo.Crie uma tabela de pontuação (0 a 10) para o título fornecido pelo usuário com base nos seguintes critérios:
Cálculo: Apresente a média final do título original.
Escreva 10 títulos sugestivos que busquem a nota máxima (10/10) em todos os critérios acima.
.srt para garantir precisão.Gere mais 10 títulos baseados estritamente nas técnicas do Joba:
.srt para extrair o melhor ângulo para o título.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".