internal-comms (Anthropic)

Reseña

Codex CLI 0.166 (gpt-6-astra, razonamiento bajo) en una máquina de pruebas Mac, con un proyecto temporal nuevo y HOME/TMPDIR/cachés temporales en cada ejecución, la skill instalada (grupo con skill), ausente (control) o ausente con el requisito central de la skill comprimido en una frase añadida al prompt (grupo del prompt de una frase), 2 ejecuciones por grupo y tarea, sin red y con las escrituras en /tmp bloqueadas. Los prompts nunca mencionan la skill (salvo la redacción indicada abajo). Tres tareas de redacción a partir de un breve notes.md con datos del equipo: una actualización 3P, una actualización breve para la dirección (máximo 150 palabras) y una FAQ de la empresa con 4 preguntas. Comprobaciones de reglas: se mencionan las tres secciones, los problemas de staging y exportación de datos y la fecha del 9 de noviembre, los límites de palabras, ningún número inventado y cuatro pares de pregunta/respuesta.

Comparación de tres ramas

Medido con Codex CLI en 18 ejecuciones, puntuado con comprobaciones basadas en reglas y sin juez LLM. Total 26.0 / 30, veredicto Según el caso.

Veredicto: Según el caso (26.0 / 30). Fuente: anthropics/skills, skills/internal-comms, fijada en el commit ca45fc4. Instalación: npx skills@latest add anthropics/skills --skill internal-comms. Licencia: Apache-2.0 / condiciones de Anthropic (véase LICENSE.txt en la skill).

Qué es

La skill internal-comms de anthropics/skills: formatos para comunicaciones internas: actualizaciones 3P (Progreso, Planes, Problemas), newsletters de empresa, FAQs y comunicaciones generales, con un archivo de ejemplo para cada una. Unas 400 palabras en SKILL.md y 1,400 en los archivos de ejemplo. Solo Markdown, 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 por ejecución, skill instalada (tratamiento) o ausente (control) o ausente con el requisito central de la skill comprimido en una frase añadida al final del prompt (grupo de una frase), 2 ejecuciones por grupo y tarea, red desactivada, escrituras en /tmp bloqueadas. Los prompts nunca mencionan la skill (salvo la formulación indicada abajo).

Tres tareas de redacción a partir de un notes.md breve con datos del equipo: una actualización 3P, una actualización breve para la dirección (máx. 150 palabras) y un FAQ de empresa de 4 preguntas. Comprobaciones por reglas: que se mencionen las tres secciones, los problemas de staging y de exportación de datos y la fecha del 9 de noviembre, los límites de palabras, que no haya números inventados y cuatro pares de pregunta/respuesta.

1. Actualización 3P a partir de notas en bruto — Escribe la actualización 3P de esta semana para nuestro equipo a partir de las notas de notes.md (usa solo esos datos). Guárdala en update.md.
2. Actualización de estado para la dirección — Convierte notes.md en una actualización breve para la dirección (qué se entregó, qué viene después, riesgos), usando solo esos datos. Guárdala en leadership.md. Máximo 150 palabras.
3. FAQ para empleados — Escribe un FAQ de 4 preguntas para el resto de la empresa sobre lo que hará nuestro equipo a continuación (migración de facturación, etc.) usando solo notes.md. Guárdalo en faq.md.

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

Resultados

La frase única que recibió el tercer grupo: "Sigue el formato estándar de internal-comms para el tipo de actualización (3P: Progreso, Planes, Problemas; newsletter; FAQ; actualización para la dirección), sé conciso y fácil de escanear, y usa solo los datos de las notas."

Puntuación media: 5.0 sin vs 5.0 con la skill (delta +0.0). Tokens por ejecución: 60k vs 63k (1.05x); tiempo 30s vs 32s. Grupo de una frase: 5.0 (la ganancia de la skill sobre la frase única: +0.0; la ganancia de la frase única sobre sin skill: +0.0); tokens de la frase única 60k por ejecución, así que la skill cuesta 1.04x la frase única.

Qué ocurrió

• Ninguna diferencia de puntuación una vez corregidas las comprobaciones: media 5.0 para control, 5.0 para una frase, 5.0 para la skill. La primera pasada de puntuación tuvo dos defectos (trataba «Oct 26» como un número inventado y no contaba las etiquetas «Question:»/«Answer:» como pares de pregunta/respuesta); ambos se corrigieron y se volvieron a comprobar las 18 ejecuciones.
• La skill cambia la forma del resultado. En la actualización 3P, ambas ejecuciones con skill usaron su formato compacto: un emoji y el nombre del equipo con la semana en la primera línea, y luego un párrafo corto para Progreso, Planes y Problemas (97 palabras). Las 4 ejecuciones de control y de una frase escribieron un título Markdown con secciones de viñetas (108-117 palabras). En el FAQ, las ejecuciones con skill usaron pares etiquetados «Question:»/«Answer:» (unas 166 palabras frente a 139).
• La skill se leyó en 6/6 ejecuciones y costó 63k tokens por ejecución frente a 60k (1.05x), una incorporación casi gratis.
• Nuestras reglas puntúan contenido y límites, no fidelidad de formato, así que un equipo con un formato propio notaría la diferencia aunque la puntuación no.

Puntuaciones por dimensión

Límites de esta prueba

• Las tres tareas usan una hoja de datos breve, así que ningún grupo inventó nada; una fuente más larga o más desordenada podría separarlos.
• No se puntuó la fidelidad de formato al estilo propio de una empresa; los formatos de la skill son ejemplos de Anthropic y puede que no coincidan con el tuyo.
• No se probaron los formatos de newsletter ni de comunicaciones generales.
• 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 el resultado es el mejor posible.

Seguridad

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

Conclusión

Codex sin más escribió actualizaciones internas correctas y basadas en datos sin ayuda, así que no hay una mejora de calidad medible y el coste es insignificante. Merece la pena la skill si quieres que se apliquen de forma consistente sus formatos compactos de 3P y FAQ; si tu equipo tiene un estilo propio distinto, no te ayudaría.