# Li Audit > Post-mortem de lo ya publicado en LinkedIn: qué posts funcionaron, por qué y qué dejar de hacer. Úsalo cuando el usuario pega sus analytics y pregunta «qué funciona», «por qué ha fracasado», «mira mis analytics» o en qué insistir. Fuente: https://skillsagentes.com/skills/jakeschincariol/linkedin-agent-skill/li-audit Markdown: https://skillsagentes.com/skills/jakeschincariol/linkedin-agent-skill/li-audit.md Repositorio: https://github.com/Jakeschincariol/linkedin-agent-skill Autor: Jakeschincariol Licencia: MIT Actualizado: hace 4 días Coste de contexto: 76 tok instalada, 854 tok al activarse, 854 tok con todos los archivos del bundle Bundle: 1 archivo, 3 KB Permisos que pide: ninguno declarado ## Instalación Un skill son archivos markdown: los mismos archivos valen para cualquier agente y lo único que cambia es el directorio de destino, es decir la bandera `--agent`. Añade `-g` para instalarlo en todos los proyectos de la máquina. ```bash # Claude Code npx -y skills add Jakeschincariol/linkedin-agent-skill --skill li-audit --agent claude-code # Cursor npx -y skills add Jakeschincariol/linkedin-agent-skill --skill li-audit --agent cursor # Codex npx -y skills add Jakeschincariol/linkedin-agent-skill --skill li-audit --agent codex # Gemini CLI npx -y skills add Jakeschincariol/linkedin-agent-skill --skill li-audit --agent gemini # Windsurf npx -y skills add Jakeschincariol/linkedin-agent-skill --skill li-audit --agent windsurf # Cline npx -y skills add Jakeschincariol/linkedin-agent-skill --skill li-audit --agent cline ``` ## Qué hace - Evalúa las publicaciones que el usuario ya ha subido a LinkedIn y calcula las métricas que importan: tasa de interacción, ratio de comentarios, múltiplo de alcance y tasa de guardados/envíos. - Ignora las impresiones brutas como baremo y ordena los posts por tasa de interacción y múltiplo de alcance para distinguir lo que de verdad funcionó. - Compara los 5 mejores y los 5 peores posts para identificar patrones de gancho, formato, longitud, tema, día y hora, y comentarios en la primera hora. - Presenta un informe de auditoría con los hallazgos como afirmaciones con evidencia, e indica el nivel de confianza en cada conclusión. - Entrega las conclusiones a /li-plan para que la próxima planificación se apoye en la evidencia del propio usuario y no en reglas generales. ## Cuándo usarla - El usuario pega sus analytics de LinkedIn o sus publicaciones anteriores y pregunta «qué está funcionando». - El usuario pregunta «por qué este post ha fracasado» o «mira mis analytics». - El usuario pide «audita mi contenido» o quiere saber en qué debería insistir. ## Qué la activa - "Audita mi contenido de LinkedIn y dime qué funciona." - "¿Por qué este post no ha tenido alcance?" - "Mira mis analytics y dime qué repito." - "¿En qué debería centrarme en LinkedIn?" - "Compara mis mejores y peores posts de LinkedIn." ## Antes de instalar - Requiere que el usuario proporcione sus analytics de LinkedIn (exportación CSV, capturas por post o al menos los posts con reacciones); opcionalmente, lee ~/.claude/linkedin/log.md si existe. ## Archivos - SKILL.md — 3 KB ## SKILL.md Reproducido tal cual desde Jakeschincariol/linkedin-agent-skill bajo MIT. Esta sección es el documento original y está en inglés. # li-audit The only honest source of what works for an account is that account. Every rule in every LinkedIn guide, including the ones in this pack, is a prior. The user's own last 30 posts are the evidence. ## Input Ask for whichever the user has: - The post analytics export (LinkedIn: Analytics -> Content -> Export). CSV. - Or a screenshot per post with impressions, reactions, comments, reposts. - Or just the posts and their reaction counts, which is enough for a first pass. Also read `~/.claude/linkedin/log.md` if it exists, since it records which hook formula each post used. ## What to actually measure Raw impressions are the least useful number on the page, because they are mostly a function of how many people already follow the user. Compute these instead, and show the working: | metric | how | what it tells you | | --- | --- | --- | | **Engagement rate** | (reactions + comments + reposts) / impressions | whether the post earned its reach | | **Comment ratio** | comments / reactions | whether it started something or just got a nod | | **Reach multiple** | impressions / follower count | whether it travelled past the existing audience | | **Save/send rate** | if available | the strongest single predictor of future reach | Rank by engagement rate and reach multiple, not impressions. A post with 900 impressions and 40 comments beat the one with 12,000 impressions and 6. ## Then find the pattern With the top 5 and bottom 5 side by side, look for what actually separates them, and be willing to conclude something the user will not like: - Hook formula. Which numbers from `hooks.json` are in the top 5? - Format. Text, document, image, video. - Length. - Theme. - Day and time - check this **last**, and only if the other four show nothing. It is almost never the cause, and it is where people want it to be. - First-hour comments. Posts the user replied to inside an hour versus not. State the finding as a claim with the evidence attached, and say how confident it is. With 30 posts you can see a pattern; with 6 you cannot, and you should say that instead of inventing one. ## Output ``` AUDIT · 31 posts · Jun 12 - Sep 5 TOP 5 BY ENGAGEMENT RATE 8.1% #3 Mistake "$18,000 is what no contract cost me" 1,940 imp 6.4% #20 Walk-Away "I fired my highest-paying client" 2,210 imp ... BOTTOM 5 0.4% #5 List "7 tools every founder needs" 11,400 imp ... WHAT THE DATA SAYS 1. Posts where you were the one who looked bad: mean 6.2% vs 1.1% for everything else. n=6. This is your strongest signal and it is not close. 2. Tool listicles get impressions and nothing else. High reach, no comments, no leads. Three of your bottom five. 3. Day of week shows nothing. Your Tuesday mean and your Friday mean are inside the noise. Stop optimising it. STOP: listicles about tools. DO MORE: the ones with a cost you paid, and a number. ``` Then hand the conclusions to `/li-plan` so next week's plan is built on the user's own evidence rather than on defaults. ## Dónde encaja - Categoría: [Marketing](https://skillsagentes.com/categorias/marketing.md) — Campañas, copy, lanzamientos y ciclos de crecimiento. - Creador: [Jakeschincariol](https://skillsagentes.com/creators/jakeschincariol.md) — 0 skills en el directorio - [Todas las skills](https://skillsagentes.com/skills.md) - [Ranking de instalaciones](https://skillsagentes.com/ranking.md) ## Otras skills del mismo repositorio - [Li Comment](https://skillsagentes.com/skills/jakeschincariol/linkedin-agent-skill/li-comment.md): Escribe comentarios en publicaciones de LinkedIn que suenen a una persona con opinión, no a un bot. Úsalo cuando pegues una publicación y quieras un comentario o un lote de comentarios para tu ronda de engagement. - [Li Carousel](https://skillsagentes.com/skills/jakeschincariol/linkedin-agent-skill/li-carousel.md): Crea un carrusel («document post») de LinkedIn: copy por diapositivas, portada que logra el swipe y PDF para subir. Úsalo si pides «carousel», «document post», «slides for LinkedIn» o tienes una idea en lista que moriría como post de texto. - [Li Dm](https://skillsagentes.com/skills/jakeschincariol/linkedin-agent-skill/li-dm.md): Notas de conexión y mensajes directos de seguimiento que consiguen respuestas: la invitación de 200 caracteres, el primer mensaje y los dos seguimientos. Para escribir solicitudes de conexión, DMs y seguimientos a alguien en LinkedIn. - [Li Human](https://skillsagentes.com/skills/jakeschincariol/linkedin-agent-skill/li-human.md): Quita la huella de máquina de un borrador (em dashes, slop de IA, caracteres invisibles) y pásalo por un panel de cinco checks. Úsalo cuando el texto deba sonar humano o antes de cualquier post, comentario, respuesta o DM de LinkedIn. - [Li Inbox](https://skillsagentes.com/skills/jakeschincariol/linkedin-agent-skill/li-inbox.md): Haz triage de la bandeja de LinkedIn: clasifica solicitudes de conexión y DMs en leads, reclutadores, colegas y spam, y redacta las respuestas que merece la pena enviar. Para cuando la bandeja es un caos o hay dudas sobre si responder. ## Skills relacionadas - [Li Dm](https://skillsagentes.com/skills/jakeschincariol/linkedin-agent-skill/li-dm.md): Notas de conexión y mensajes directos de seguimiento que consiguen respuestas: la invitación de 200 caracteres, el primer mensaje y los dos seguimientos. Para escribir solicitudes de conexión, DMs y seguimientos a alguien en LinkedIn. - [Li Comment](https://skillsagentes.com/skills/jakeschincariol/linkedin-agent-skill/li-comment.md): Escribe comentarios en publicaciones de LinkedIn que suenen a una persona con opinión, no a un bot. Úsalo cuando pegues una publicación y quieras un comentario o un lote de comentarios para tu ronda de engagement. - [Li Carousel](https://skillsagentes.com/skills/jakeschincariol/linkedin-agent-skill/li-carousel.md): Crea un carrusel («document post») de LinkedIn: copy por diapositivas, portada que logra el swipe y PDF para subir. Úsalo si pides «carousel», «document post», «slides for LinkedIn» o tienes una idea en lista que moriría como post de texto. - [Li Human](https://skillsagentes.com/skills/jakeschincariol/linkedin-agent-skill/li-human.md): Quita la huella de máquina de un borrador (em dashes, slop de IA, caracteres invisibles) y pásalo por un panel de cinco checks. Úsalo cuando el texto deba sonar humano o antes de cualquier post, comentario, respuesta o DM de LinkedIn. - [Li Inbox](https://skillsagentes.com/skills/jakeschincariol/linkedin-agent-skill/li-inbox.md): Haz triage de la bandeja de LinkedIn: clasifica solicitudes de conexión y DMs en leads, reclutadores, colegas y spam, y redacta las respuestas que merece la pena enviar. Para cuando la bandeja es un caos o hay dudas sobre si responder. --- Skills Agentes · [Índice de páginas en markdown](https://skillsagentes.com/sitemap.md) · [Inicio](https://skillsagentes.com/index.md)