internal-comms (Anthropic)
起草狀態報告、管理層更新、公司電子報與事故報告等內部溝通內容。
internal-comms：技能會用自己精簡的 3P 格式撰寫進度更新，但三個組別都通過我們的規則並拿到 5.0
Codex CLI · gpt-6-astra
26.0 / 30
相對未使用技能的提升：+0.00 · 視情況推薦 · 18 次執行
視情況推薦：提升幅度 +0.00 低於 +1.0。推薦條件為總分至少 22/30、產出品質至少 3.5、提升幅度至少 +1.0。
SOTA
透過使用 Codex 測試。
涵蓋 Codex, Claude Code
Codex CLI 0.166（SOTA 等級）：18 次評分執行。依我們的等級規則，在這裡通過也涵蓋 Claude Code；但這不代表第二等級的結果。
分數
每個維度為 0 到 5 分，六個維度相加即為滿分 30 的總分。每個維度都是 5 分最好。成本 5 分代表便宜又快速；安裝 5 分代表容易安裝。
- 觸發可靠性
- 5.0
- 相對未使用技能的提升
- 2.0
- 產出品質
- 5.0
- Token 與時間成本
- 5.0
- 安裝與可攜性
- 4.0
- 安全性
- 5.0
安全審查
安全靜態掃描：0 CRITICAL / 0 HIGH / 0 MEDIUM。人工審查：可在無網路沙箱中安全執行（未發現問題）。掃描結果乾淨，不代表技能一定安全。
安裝
npx skills@latest add anthropics/skills --skill internal-comms
固定 Commit: ca45fc496a3436251f191354091d557da31c15b5
測試日期: 2026-11-02
我們測了什麼
- 從原始筆記寫 3P 更新 — 根據 notes.md 裡的筆記，為我們團隊寫本週的 3P 更新（只能使用這些事實）。存到 update.md。
- 主管進度更新 — 把 notes.md 改寫成簡短的主管進度更新（已經上線什麼、接下來要做什麼、風險），只能使用這些事實。存到 leadership.md。最多 150 字。
- 給員工的 FAQ — 只用 notes.md，為公司其他同仁寫一份 4 題 FAQ，說明我們團隊接下來要做什麼（帳務遷移等）。存到 faq.md。
優點
- 技能即使未被點名也會被採用：6/6 次實驗組執行都讀取了技能檔案。
- 沒有額外 Token 負擔：Token 用量是未使用技能的 1.05 倍。
- 使用技能後的絕對品質很高：5.0 / 5。
缺點
- 相對未使用技能沒有可測量的提升（+0.00，落在雜訊範圍內）。
- 一句話提示得分 5.0，使用技能則為 5.0（+0.00）。
- 對照組本來就拿到 5.0：這是天花板效應，因此測試無法顯示提升幅度。
- 每個任務的每個組別 n=2；約 1 分以內的差異屬於雜訊。
評測
在 Mac 測試機上執行 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的 HOME/TMPDIR/快取，技能分為已安裝（實驗組）、未安裝（對照組），以及未安裝但把技能核心要求濃縮成一句話附加在提示詞後（一句話提示組），每個任務的每個組別執行 2 次，關閉網路，封鎖 /tmp 寫入。提示詞從未提到技能（除了下方註明的措辭）。從一份簡短的團隊事實 notes.md 出發的三個寫作任務：3P 進度更新、簡短的主管進度更新（最多 150 字），以及一份 4 題的公司 FAQ。規則檢查：是否提到三個段落、staging 與資料匯出問題以及 11 月 9 日這個日期，字數限制，沒有捏造數字，四組問答。
三組對照
| 組別 | 平均分數（0-5） | 每次執行 Token 用量 |
|---|---|---|
| 未使用技能 | 5.0 | 60k |
| 一句話提示 | 5.0 | 60k |
| 使用技能 | 5.0 | 63k |
以 Codex CLI 執行 18 次，採規則式檢查評分，不經 LLM 評審。總分 26.0 / 30，評級為 視情況推薦。
判定：視情況而定（26.0 / 30）。 來源：anthropics/skills，skills/internal-comms，固定於提交 ca45fc4。安裝：npx skills@latest add anthropics/skills --skill internal-comms。授權條款： Apache-2.0 / Anthropic 條款（請見技能內的 LICENSE.txt）。
這是什麼
anthropics/skills 的 internal-comms 技能：內部溝通的格式：3P 更新（進度、計畫、問題）、公司電子報、常見問題與一般溝通，每種都附一個範例檔案。SKILL.md 約 400 字，範例檔案約 1,400 字。只有 Markdown，沒有腳本。
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）、未安裝（對照組），或未安裝但將技能核心要求濃縮成一句話附加在提示詞後（一句話提示組），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）。
三項寫作任務，素材是一份簡短的團隊事實 notes.md：一份 3P 更新、一份簡短的主管更新（最多 150 字），以及一份 4 題的公司常見問題。規則檢查：三個區塊都有、提到預備環境與資料匯出問題以及 11 月 9 日這個日期、字數限制、沒有捏造數字、四組問答。
- 從原始筆記寫 3P 更新 — 依 notes.md 的筆記（只能使用這些事實）為我們團隊寫本週的 3P 更新。存到 update.md。
- 主管狀態更新 — 把 notes.md 改寫成簡短的主管更新（已上線什麼、下一步、風險），只能使用這些事實。存到 leadership.md。最多 150 字。
- 員工常見問題 — 依 notes.md，為公司其他同仁寫一份 4 題的常見問題，說明我們團隊接下來要做什麼（帳務遷移等）。存到 faq.md。
評分方式為程式化檢查（隱藏測試／預埋問題召回／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
提供給第三組的一句話提示：「依更新類型遵循標準的內部溝通格式（3P：進度、計畫、問題；電子報；常見問題；主管更新），保持簡潔、易於掃讀，並只使用筆記中的事實。」
| 任務 | 對照組分數 | 一句話提示 | 使用技能 | 對照組 Token 數 | 一句話提示 Token 數 | 使用技能 Token 數 | 技能讀取 |
|---|---|---|---|---|---|---|---|
| t1-3p | 5.0 | 5.0 | 5.0 | 59k | 59k | 62k | 2/2 |
| t2-status | 5.0 | 5.0 | 5.0 | 59k | 60k | 62k | 2/2 |
| t3-faq | 5.0 | 5.0 | 5.0 | 59k | 60k | 62k | 2/2 |
平均分數：未使用技能 5.0，使用技能 5.0（差異 +0.0）。每次執行 Token 數：60k 對 63k（1.05 倍）；時間 30 秒對 32 秒。一句話提示組：5.0（技能相較一句話提示的增益：+0.0；一句話提示相較無技能的增益：+0.0）；一句話提示每次執行 60k Token，因此技能的成本是一句話提示的 1.04 倍。
實際發生了什麼
- 修正檢查後就沒有分數差異：對照組平均 5.0、一句話提示 5.0、技能 5.0。第一次評分有兩個缺陷（把「Oct 26」當成捏造數字，且沒有把「Question:」／「Answer:」標籤算成問答組）；兩者都已修正，18 次執行全部重新檢查。
- 技能會改變輸出的樣貌。3P 更新中，技能兩次都使用其精簡格式：第一行是表情符號與團隊名稱加上週次，接著進度、計畫、問題各一段短文（97 字）。對照組與一句話提示共 4 次都寫 Markdown 標題加項目符號區塊（108-117 字）。常見問題方面，技能組使用標示「Question:」／「Answer:」的問答組（約 166 字，對照為 139 字）。
- 技能在 6/6 次執行中被讀取，每次執行花費 63k Token，對照組 60k（1.05 倍），幾乎是免費的附加項。
- 我們的規則評的是內容與限制，不是格式忠實度，因此有自家格式的團隊會看出差異，分數卻看不出來。
各面向分數
| 面向 | 分數 | 原因 |
|---|---|---|
| 1_輸出品質 | 5.0 | 使用技能時平均分數 5.00/5（程式化檢查，見各任務 表格）。 |
| 2_相較無技能的提升 | 2.0 | 相較未使用技能的 5.00，+0.00 分（每項任務 n=2；約 1 分以下 屬於雜訊）。 |
| 3_觸發 | 5.0 | 技能檔案在 6/6 次實驗組執行中被讀取。 |
| 4_指令可攜性 | 4 | 純 Markdown 加上範例；格式專屬於範例公司的風格。 |
| 5_效率 | 5 | 1.05 倍 Token（每次執行 63k 對 60k）與 1.07 倍時間（32 秒對 30 秒）。 |
| 6_安全性與衛生 | 5 | 只有 Markdown；沒有腳本。 |
這項測試的限制
- 三項任務使用簡短的事實清單，因此沒有任何組捏造內容；更長或更混亂的來源可能會拉開差距。
- 沒有評分公司自身風格的格式忠實度；技能的格式是 Anthropic 的範例，未必符合你的公司。
- 電子報與一般溝通格式未測試。
- 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 0 / MEDIUM 0。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
原生 Codex 在沒有協助的情況下就能寫出正確、以事實為基礎的內部更新，因此沒有可測量的品質增益，成本也可忽略。若你想一致套用它的精簡 3P 與常見問題格式，這項技能值得；若團隊有不同風格，它幫不上忙。
完整紀錄
執行日誌：internal-comms (Codex CLI, network off, per-run temp HOME/TMPDIR, one row per graded run.) 欄位：任務、組-輪次、得分（0-5）、token、秒、通過的檢查、代理開啟的 skill 檔案。 t1-3p control-1: 得分 5.0, token 59846, 秒 24.3, 檢查 5/5, 未開啟 t1-3p control-2: 得分 5.0, token 59766, 秒 49.0, 檢查 5/5, 未開啟 t1-3p oneliner-1: 得分 5.0, token 59901, 秒 22.2, 檢查 5/5, 未開啟 t1-3p oneliner-2: 得分 5.0, token 60002, 秒 38.3, 檢查 5/5, 未開啟 t1-3p treatment-1: 得分 5.0, token 62866, 秒 44.8, 檢查 5/5, 開啟 internal-comms t1-3p treatment-2: 得分 5.0, token 62843, 秒 34.4, 檢查 5/5, 開啟 internal-comms t2-status control-1: 得分 5.0, token 59933, 秒 21.4, 檢查 4/4, 未開啟 t2-status control-2: 得分 5.0, token 59817, 秒 33.7, 檢查 4/4, 未開啟 t2-status oneliner-1: 得分 5.0, token 59958, 秒 26.3, 檢查 4/4, 未開啟
18 次執行、3 個產出檔案
範例產出
SOTA · 装了 skill：update.md（t1-3p，第 1 次，Codex）
📱 Mobile & Platform team (Week of Oct 26) Progress: Shipped mobile app v2.3 to 100% of users and fixed the login timeout bug (#482). Launched the onboarding survey, with 340 responses so far. Plans: Start the billing migration on Nov 9 and hold a design review for the new dashboard on Nov 4. Hire one backend engineer; 2 interviews are scheduled. Problems: Staging has been flaky for 3 days, blocking QA on 2 tickets. The data export feature slipped by one week because of a vendor API change. One engineer is out sick until Nov 3.