agentsclimarketplace

Decision memo generator

Skill trycomp-io/comp-skills/skills/decision-memo-generator

Gera memo estruturado de decisão pra qualquer people topic crítico que precisa ser comunicado/defendido. Estrutura: problema, contexto, opções (com prós/cons), recomendação com rationale, riscos, ask. Output HTML + MD editável. Trigger em "decision memo", "memo de decisão", "estruturar decisão de people", "documento de decisão", "memo pro CEO/board". Mantida pela Comp.From its SKILL.md

Install
npx -y skills add trycomp-io/comp-skills --skill decision-memo-generator

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

2 things to look at

  • 2 stars2 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.
  • runs commandsInstructs the agent to run 2 commands, including `python3 scripts/render_memo.py` and 1 more.

SKILL.md

4.1 KB, ~1.2k tokens by cl100k_base, as published. Nobody here has run it

Decision Memo Generator

HTML pelo design system (obrigatório). Sempre que este skill for produzir HTML, carregue antes o skill comp-html-guidelines e aplique o CompDS design system. Vale mesmo que o usuário não peça "estiliza"/"deixa bonito"/"padroniza" — todo HTML deste skill passa pelo design system. Isso não altera a metodologia abaixo; governa só a camada visual do HTML.

CHRO precisa tomar/comunicar decisão importante (reorg, política, investimento). Skill conduz estruturação e gera memo defensável.

Dual-mode operation (Code + Cowork)

  • Claude Code: python3 scripts/render_memo.py (HTML + MD com formatação rica).
  • Claude Cowork: produz o memo direto em markdown no chat. Mesma estrutura, sem dependência de script.

Inline output (Cowork)

Quando o CHRO pede "drafta um decision memo sobre X" em Cowork:

  1. Conduza a entrevista estruturada (mesma das instruções abaixo, 7 perguntas em ordem)
  2. Produza o memo direto em markdown no chat seguindo o template abaixo

Template markdown do memo

# {Título da decisão}

**Autor**: {nome}
**Para**: {decision maker}
**Data**: {YYYY-MM-DD}
**Decisão até**: {data}

## Problema / Decisão a tomar
{Parágrafo claro do que precisa ser decidido e por quê}

## Contexto
- {fact 1}
- {fact 2}
- {fact 3}

## Opções consideradas

### Opção A: {nome curto}
{descrição}

**Prós**:
- {pro}
- {pro}

**Contras**:
- {contra}
- {contra}

### Opção B: {nome curto}
{idem}

(2-3 opções idealmente; nunca menos que 2)

## Recomendação

**Recomendo**: {Opção X}

{Rationale específico: por que ESTA opção dado os prós/contras de cada uma}

## Riscos (do plano recomendado)
- {risco 1}
- {risco 2}

## Ask

{Decisão cristalina que o decision maker precisa tomar: verbo + objeto + prazo}

Princípios continuam os mesmos do modo Code (problema antes de solução, opções honestas, rationale específico, riscos do plano recomendado, ask cristalino).

Quando usar

  • "decision memo" / "memo de decisão"
  • "estruturar uma decisão de people"
  • "documento de decisão pra board/CEO"
  • "frame essa decisão"

Workflow

Step 1 (conversacional): Coletar:

  • Título da decisão (frase única declarativa)
  • Decision maker (quem aprova)
  • Decisão até quando
  • Problema (1-2 parágrafos)
  • Contexto (3-5 bullets ou parágrafo)
  • 2-3 opções consideradas (cada uma com prós/cons honestos)
  • Recomendação (qual opção + rationale)
  • Riscos (do plano recomendado)
  • Ask (decisão a aprovar)

Step 2 Gerar JSON:

{
  "title": "Aumentar headcount de Eng em 30% no H2",
  "author": "CHRO",
  "decision_maker": "CEO + CFO",
  "date": "2026-05-27",
  "decision_by": "2026-06-15",
  "problem": "...",
  "context": ["...", "..."],
  "options": [
    {"name": "Opção A", "description": "...", "pros": ["..."], "cons": ["..."]}
  ],
  "recommended_option": "Opção B",
  "recommendation_rationale": "...",
  "risks": ["..."],
  "ask": "Aprovar headcount adicional de 8 ICs Eng + 2 EMs no H2"
}

Step 3 Renderizar:

cat memo.json | python3 scripts/render_memo.py

Princípios de qualidade

  • Problema antes de solução. Nunca pule.
  • Opções HONESTAS. Cada opção precisa ter prós reais. Se uma é claramente ruim, não inclua, mostre só as 2-3 viáveis.
  • Rationale específico. "É melhor" não vale. Diga POR QUÊ baseado nos prós/cons.
  • Riscos do plano recomendado (não dos outros). Honestidade sobre o que pode dar errado.
  • Ask cristalino. Quem decide, decide exatamente o quê?

Branding & lead capture

Footer + UTMs. eam_client.py. 100% local.

Resources

FilePurpose
scripts/render_memo.pyJSON → HTML + MD
eam_client.pyLead capture

What ships with it: 3 files

15.0 KB alongside SKILL.md, 2 of them executable

scripts/

Gives 0 of the 12 instructions most docs writing skills give in ~1.2k tokens

Counted across 1,951 of the 3,904 authors here whose files we hold, read 2026-09-06

  • Use third-person for skill descriptionsin 54 of 1951, across 35 files
  • Start descriptions with Use whenin 43 of 1951, across 29 files
  • Run baseline scenarios before writing any skillin 40 of 1951, across 26 files
  • Use active voicein 40 of 1951, across 36 files
  • Map file responsibilities before defining tasksin 36 of 1951, across 29 files
  • Use checkbox syntax for tracking stepsin 35 of 1951, across 27 files
  • Ask one question at a timein 35 of 1951
  • Offer execution options after saving the planin 33 of 1951, across 24 files
  • Include complete code in every stepin 33 of 1951, across 27 files
  • Design units with clear boundaries and interfacesin 31 of 1951, across 23 files
  • Announce the skill usage at the startin 30 of 1951
  • Verify agent compliance after adding the skillin 29 of 1951, across 17 files

Said here and by no other author read

  • Apply CompDS design system to all HTML output
  • conduct structured interview with seven questions
  • include specific rationale for the recommendation
  • list risks associated with the recommended plan
  • state a clear ask for the decision maker
  • generate JSON data for the memo

Grouped from the skills themselves: near-identical wordings counted once, and counted by distinct author, so one author publishing three of these counts once. Length counted with cl100k_base; the agent that loads this file may tokenize it differently.

Keep looking

Skills are one crate of 611,884. Ordering is by how many stacks a row turns up in, so the top of any crate is what has actually been picked rather than what has the most stars.