菜单
Genera demos visuales y contenido LinkedIn con metodo PAR para productos tech. Usar cuando tienes MVP listo para mostrar al mundo.
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。
基于 SOC 职业分类
| 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 |
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.
Analizar el Proyecto
Generar Contenido PAR
Crear Visuales
Estructurar Landing
El problema debe ser:
Ejemplo:
"Pase horas transcribiendo apuntes que ningun OCR podia leer. Google Lens, Tesseract... todos fallaban con MI letra."
La accion debe mostrar:
Ejemplo:
"Cree un sistema RAG que APRENDE de mis correcciones. Cada vez que corrijo un error, el sistema lo recuerda."
Los resultados deben ser:
Ejemplo:
"82% accuracy inicial -> 95%+ despues de 50 correcciones Modelo qwen2.5vl supera a minicpm-v en 26 puntos"
Template para posts de LinkedIn usando metodo PAR. Incluye estructura, hashtags recomendados y CTA.
Estructura de landing page con secciones:
Guion para grabar video demo o GIF. Incluye timing y puntos clave a mostrar.
Antes de publicar, verifica:
| 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 |
#MachineLearning #Python #OpenSource #AI #DeepLearning #ComputerVision
#ProductDevelopment #MVP #Startup #TechInnovation #BuildInPublic
#DevCommunity #100DaysOfCode #LearnInPublic #IndieHacker
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