docx (anthropics/skills)

評測

Codex CLI 0.166（gpt-6-astra，低推理）在 Mac 測試機上，每次執行都使用全新的暫存專案與暫存的 HOME/TMPDIR/快取，技能已安裝（實驗組）或未安裝（對照組），每個任務的每個組別執行 2 次，關閉網路，封鎖 /tmp 寫入。提示詞從未提及技能（除非下方註明的措辭）。環境：兩組都取得同一套離線工具組並複製到執行環境中（npm 的 docx 套件、python 的 lxml/defusedxml/openpyxl，以及 python3 的 python shim），因為技能假設這些都已預先安裝。Mac 上有 LibreOffice，但在 Codex 沙箱內會中止（exit 134），因此沒有人能渲染預覽。

三組對照

以 Codex CLI 執行 12 次，採規則式檢查評分，不經 LLM 評審。總分 21.4 / 30，評級為 視情況推薦。

判定：視情況而定（21.4 / 30）。 來源：anthropics/skills，skills/docx，固定於提交 ca45fc4。安裝：npx skills@latest add anthropics/skills --skill docx。授權條款： 專有授權（技能目錄中的 LICENSE.txt）：僅以唯讀方式評估，未再散佈。

這是什麼

Anthropic skills 儲存庫中的 docx 技能。它要求代理使用 docx npm 套件建立 Word 檔案、解壓縮 XML 來編輯既有檔案，並用 pandoc 讀取檔案；此外還附有處理追蹤修訂與註解的輔助指令碼（comment.py、accept_changes.py）、XSD 驗證器（office/validate.py）與 LibreOffice 包裝指令碼（office/soffice.py）。SKILL.md 表示這些套件已「預先安裝」。

我們如何測試

在 Mac 測試機上使用 Codex CLI 0.166（gpt-6-astra，低推理），每次執行都使用全新的暫存專案與暫存 HOME/TMPDIR/快取，安裝技能（實驗組）或未安裝（對照組），每個任務每組執行 2 次，網路關閉，/tmp 寫入封鎖。提示詞從未提及技能（以下註明的措辭除外）。

環境：兩組都取得相同的離線工具組並複製到執行環境中（npm 的 docx 套件、Python 的 lxml／defusedxml／openpyxl，以及讓 python 指向 python3 的相容層），因為技能假設這些都已預先安裝。Mac 上有 LibreOffice，但它在 Codex 沙箱中會中止（exit 134），因此沒有人能產生預覽。

1. 建立備忘錄 — 建立 memo.docx：一份標題為「Project Falcon status update」的 Word 備忘錄，使用 US Letter 紙張，包含三個附標題的章節（Summary、Risks、Next steps）、至少四個後續步驟的項目符號清單，以及一個三欄表格（Task、Owner、Due）含三列。請使用真正的 Word…
2. 追蹤修訂 + 註解 — 在 contract.docx 中，將第 2 條的付款期限從 30 天改為 45 天，作為由「Reviewer」提出的追蹤修訂，並在該條款附加一則內容為「Confirmed with finance」的註解。其他內容都不要更動。將結果存為 contract.docx（請在…編輯）
3. 擷取表格與大綱 — 從 report.docx 寫出 table.csv（該表格，包含其標題列）與 outline.txt（文件的標題，每行一個，依序排列）。不要修改 report.docx。

評分方式為程式化檢查（隱藏測試／植入問題召回／限制條件檢查／視情況進行渲染與 OCR），每次執行 0–5 分。沒有任何 LLM 評審決定分數。

結果

平均分數：未使用技能 5.0，使用技能 4.7（差異 -0.3）。每次執行 Token 數：91k 對 120k（1.32 倍）；時間 60 秒對 54 秒。

實際發生了什麼

• 沒有可測量的提升：兩組的每一次執行在我們的結構檢查上都拿到滿分（新備忘錄：US Letter、3 個真正的標題、4 個以上的清單項目、三欄表格、可在 LibreOffice 開啟；由「Reviewer」提出的追蹤修訂加上註解，且其他條款完好；表格擷取與大綱正確；來源檔案未被更動）。
• 技能在 6/6 次實驗組執行中被讀取。在追蹤修訂任務中，有一次實驗組執行使用技能的 comment.py 加入註解，並嘗試其 XSD 驗證器（呼叫失敗，exit 1）；另一次只讀了 comment.py --help，然後自行編輯 XML。對照組則直接編輯 XML，得到相同結果。
• 副作用：兩次實驗組的追蹤修訂執行都在專案中留下工作目錄（.edit/ 或 .docx-edit/，內含原始副本與約 22 個解壓縮的 XML 檔案）；對照組沒有留下任何東西。我們將此視為雜亂（分數中有小幅扣分）。
• 成本：整體每次執行的 Token 數約為 1.3 倍；追蹤修訂任務約為 1.9 倍（代理會先讀取技能與輔助指令碼）。
• 技能建議的預覽步驟（用 soffice.py 轉成 PDF，再查看頁面）在沙箱中以 exit 134 失敗，兩次嘗試的實驗組任務都如此，因此其主要驗證迴圈實際上並未執行。

各面向分數

這項測試的限制

• 三項任務都是具備 Python zipfile 的基準代理原本就能完成的；複雜版面（目錄、頁首／頁尾、圖片）與視覺品質並未測試。
• 我們檢查的是結構，不是頁面在 Word 中看起來如何。
• 追蹤修訂的正確性是以 XML 上的正規表示式檢查，而非在 Word 中開啟確認。
• 此技能為專有授權（見授權條款），因此僅描述其行為。
• 每項任務每組 n = 2：約 1 分以下的差異屬於雜訊。
• 規則式評分只能衡量檢查看得到的部分；無法評判品味，也無法判斷結果是否為最佳可能。

安全性

見 security.md。掃描：CRITICAL 0 / HIGH 1 / MEDIUM 7。判定：可安全執行（網路關閉的沙箱）。乾淨的掃描結果不能證明技能安全。

總結

在三項普通的 Word 任務上，相較於沒有輔助的代理，沒有可測量的增益，Token 數約為 1.3 倍，還會留下工作檔案；技能自身的預覽步驟在沙箱化的代理中無法執行。它的驗證器與註解輔助工具在較困難的編輯工作上或許仍有所幫助。