brand-guidelines (Anthropic)

Reseña

Codex CLI 0.166 (gpt-6-astra, razonamiento bajo) en una Mac de pruebas, un proyecto temporal nuevo y HOME/TMPDIR/cachés temporales por ejecución, skill instalada (tratamiento) o ausente (control) o ausente con el requisito central de la skill condensado en una frase añadida al prompt (grupo del prompt de una frase), 2 ejecuciones por grupo y tarea, red desactivada, escrituras en /tmp bloqueadas. Los prompts nunca mencionan la skill (salvo el texto indicado abajo). Tres tareas que nombran la marca oficial de Anthropic sin dar ningún valor: aplicar un nuevo estilo a deck.html in situ, escribir brand.css para documentos internos y construir una pequeña tarjeta de estado autocontenida (status.html). Puntuadas con reglas: al menos 5 de los 7 códigos hex de marca, títulos con Poppins, cuerpo con Lora, alternativas Arial/Georgia.

Comparación de tres ramas

Medido con Codex CLI en 18 ejecuciones, puntuado con comprobaciones basadas en reglas y sin juez LLM. Total 26.6 / 30, veredicto Según el caso.

Veredicto: Situacional (26.6 / 30). Fuente: anthropics/skills, skills/brand-guidelines, fijado en el commit ca45fc4. Instalación: npx skills@latest add anthropics/skills --skill brand-guidelines. Licencia: Apache-2.0 / términos de Anthropic (véase LICENSE.txt en el skill).

Qué es

El skill brand-guidelines de anthropics/skills: los colores de marca oficiales de Anthropic (oscuro #141413, claro #faf9f5, gris medio #b0aea5, gris claro #e8e6dc, acentos naranja #d97757, azul #6a9bcc, verde #788c5d) y la tipografía (Poppins para títulos con Arial como alternativa, Lora para el cuerpo con Georgia como alternativa), además de cómo aplicarlos. Un único SKILL.md de unas 330 palabras; sin scripts.

Cómo lo probamos

Codex CLI 0.166 (gpt-6-astra, razonamiento bajo) en un Mac de pruebas, un proyecto temporal nuevo y HOME/TMPDIR/cachés temporales en cada ejecución, skill instalado (grupo con skill), ausente (grupo de control) o ausente con el requisito central del skill comprimido en una frase añadida al prompt (grupo de una frase), 2 ejecuciones por grupo y tarea, red desactivada, escrituras en /tmp bloqueadas. Los prompts nunca mencionan el skill (salvo la formulación indicada abajo).

Tres tareas que nombran la marca oficial de Anthropic sin dar ningún valor: reestilizar deck.html in situ, escribir brand.css para documentos internos y crear una pequeña tarjeta de estado autocontenida (status.html). Puntuadas por reglas: al menos 5 de los 7 códigos hexadecimales de marca, títulos en Poppins, cuerpo en Lora y alternativas Arial/Georgia.

1. Reestilizar una presentación HTML — Aplica a deck.html los colores y la tipografía oficiales de la marca Anthropic. Edita el archivo in situ.
2. Escribir una hoja de estilos de marca — Escribe brand.css para nuestros documentos internos siguiendo las directrices de marca oficiales de Anthropic (colores y tipografía). Guárdalo como brand.css.
3. Tarjeta de estado de marca — Crea status.html: una pequeña tarjeta de estado autocontenida (título y tres filas de estado) con el aspecto y la sensación de la marca oficial de Anthropic.

La puntuación es programática (tests ocultos / detección de problemas sembrados / comprobaciones de restricciones / renderizado+OCR cuando corresponde), de 0 a 5 por ejecución. Ningún juez LLM decidió ninguna puntuación.

Resultados

La frase única que recibió el tercer grupo: "Usa la paleta de Anthropic (oscuro #141413, claro #faf9f5, gris medio #b0aea5, gris claro #e8e6dc; acentos naranja #d97757, azul #6a9bcc, verde #788c5d) con Poppins para los títulos (Arial como alternativa) y Lora para el cuerpo del texto (Georgia como alternativa)."

Puntuación media: 4.42 sin vs 5.0 con el skill (delta +0.58). Tokens por ejecución: 104k vs 56k (0.54x); tiempo 64s vs 39s. Grupo de una frase: 5.0 (la mejora del skill frente a la frase: +0.0; la mejora de la frase frente a no usar skill: +0.58); la frase usa 52k tokens por ejecución, así que el skill consume 1.08 veces sus tokens.

Qué ocurrió

• Puntuación media de 4.42 sin el skill, 5.0 con el skill y 5.0 con una versión de una frase que enumera los colores y las fuentes. Los fallos del grupo de control vinieron de la tarea de la tarjeta de estado: en una de sus dos ejecuciones (1.9/5) el agente no usó la paleta ni las fuentes de marca, y en la otra sí (4.64); en las tareas de la presentación y la hoja de estilos, el control obtuvo 5.0 en ambas ejecuciones.
• Así que Codex a secas suele conocer la paleta por entrenamiento, pero no de forma fiable; con el skill, las 6 ejecuciones acertaron la paleta y las fuentes completas.
• El skill se leyó en 6/6 ejecuciones y salió más barato que el control: 56k tokens por ejecución frente a 104k (0.54x), y más o menos lo mismo que la frase (52k). En la tarea de la presentación, el control usó 155-166k tokens frente a 64k con el skill; no investigamos por qué el control gastó más (hizo 8 comandos frente a 6 en la primera ejecución de cada uno).
• La versión de una frase, que contiene los mismos códigos hexadecimales y fuentes, puntuó igual que el skill (5.0) con el mismo coste, así que el valor del skill son los datos almacenados, no un método elaborado.

Puntuación por dimensiones

Límites de esta prueba

• Una comprobación por reglas de códigos hexadecimales y nombres de fuentes, no un juicio visual de hasta qué punto la página parece de la marca.
• Tres tareas pequeñas, dos ejecuciones cada una; el fallo del control es una sola ejecución.
• El skill solo contiene datos de una marca (la de Anthropic); la prueba no dice nada sobre lo bien que funciona un skill así con las directrices de otra empresa.
• n = 2 por grupo y tarea: las diferencias de menos de ~1 punto son ruido.
• La puntuación basada en reglas mide lo que las comprobaciones pueden ver; no puede juzgar el gusto ni si un resultado es el mejor posible.

Seguridad

Véase security.md. Escaneo: 0 CRITICAL / 0 HIGH / 0 MEDIUM. Veredicto: seguro de ejecutar (sandbox sin red). Un escaneo limpio no demuestra que un skill sea seguro.

Conclusión

El skill proporciona de forma fiable la paleta y las fuentes exactas, y en estas ejecuciones costó la mitad de tokens que una petición sin más. Un prompt de una frase con los mismos valores lo iguala, así que merece la pena usarlo solo si quieres los datos guardados una vez en lugar de repetirlos en cada prompt.