CF Gauss

Auditoria de landing pages

Troque opinião visual por uma auditoria que mostra evidência.

Uma skill para analisar URL, screenshot, HTML ou copy com 12 critérios ponderados, prioridade e correção acionável.

AutoriaProjeto original
TecnologiaPython · Markdown
LicençaMIT
Atualizadoago. de 2026

Por que existe

Comentários como “mude a cor do botão” não explicam a causa nem o impacto. A skill separa aderência, prontidão e confiança para mostrar o que foi observado, o que ainda é inferência e qual correção merece vir primeiro.

A pontuação vai de zero a cem, mas nunca deve ser lida sozinha. Cobertura indica quanto da página pôde ser verificado; confiança mostra a força da evidência; prontidão identifica bloqueios de lançamento que uma boa aparência não resolve. Essa separação evita premiar uma interface bonita com formulário quebrado, promessa sem prova, entrega pós-conversão ausente ou mensuração incapaz de confirmar o resultado. O relatório mostra exatamente onde agir primeiro.

01

Builders revisando uma landing page antes do lançamento

02

Times de marketing que precisam priorizar correções

03

Agentes que devem justificar cada recomendação

Menos promessa.
Mais mecanismo.

01

Rubrica de 12 critérios

Oferta, headline, CTA, prova, fricção, UX, mobile, SEO, privacidade, mensuração e entrega pós-conversão entram no mesmo diagnóstico.

02

Evidência rotulada

Achados são marcados como confirmados, inferidos ou não verificados para impedir falsa precisão.

03

Dois julgamentos

A nota de aderência não mascara bloqueios operacionais; prontidão de lançamento é avaliada separadamente.

04

Fila curta de ações

A saída limita prioridades e descreve problema, impacto, correção e fonte para cada item relevante.

1

Forneça

Passe uma URL, screenshot, HTML, rascunho ou protótipo sem autorizar submissões.

2

Observe

A auditoria reúne evidências disponíveis e declara claramente o que não conseguiu verificar.

3

Pontue

Os critérios ponderados geram aderência, cobertura e confiança sem inventar dados ausentes.

4

Corrija

Implemente primeiro os maiores bloqueios e reavalie a mesma superfície.

git clone https://github.com/luisroquette/My_LP_Makes_Neil_Proud.git ~/.codex/skills/my-lp-makes-neil-proud

Limites honestos

O que este projeto não promete.

Próximo projeto

MemoryGuard
Claude Partner Network
ABRIA — Associação Brasileira de Inteligência Artificial