frontend-design
49 / 100
anthropics/skills
评分标准达成率 95.9% → 91.7%
- 无明显效果
只读文档，分不出高下
以前我们只让 AI 阅读 SKILL.md，按 4 个方面给出 A、B、C。2026 年 10 月统计时发现，这个分数几乎没有区分度。
68%
在 90 分以上
在已评估的 2,839 个技能中，满分 100 的就有 694 个。
98%
的“指示清晰度”为 A
文档写得规范，并不代表技能能用。
84%
的“步骤具体性”为 A
写了步骤，不等于结果会更好。
实测流程
我们从热门技能开始，每天实测 1 个，流程如下。Claude 只用于编写任务、运行和评分，统计和保存由程序完成。
- 01
编写任务
根据 SKILL.md 编写技能应能帮上忙的请求、测试项目的初始文件和评分标准，并在运行前固定。请求中不写技能名称。
- 02
隔离运行
每次运行都创建一次性容器。容器只能连接 Anthropic 的 API，接触不到其他网站和本站的信息。
- 03
分别不使用和使用技能
把同一个任务交给未安装技能和已安装技能的 Claude Code。两者的先后顺序交替进行。
- 04
记录时间和令牌
记录耗时、令牌数、费用（按 API 价格换算）、轮数，以及技能是否真的被加载。
- 05
盲评
由另一个 AI 在不知道哪一方使用了技能的情况下，对每条评分标准打 1、0.5 或 0 分。依据是生成的文件，而不是运行结果自己的说明。
- 06
公开生成结果
公开每次运行的最终回复以及新建或修改的全部文件，任何人都能核对评分依据。
实测评分的构成（100 分）
由 5 项相加。评分较严格：安装后毫无变化的技能约为 55 分。
| 质量 | 45 | 评分标准达成率之差。差为 0 得 15 分，+50 个百分点得满分，−25 个百分点得 0 分。 |
|---|---|---|
| 速度 | 15 | 耗时的增减。不变得 7.5 分，减半得满分，变为 1.5 倍得 0 分。 |
| 令牌 | 15 | 令牌数的增减，计分方法与速度相同。 |
| 触发 | 15 | 安装了技能的运行中，Claude 实际加载该技能的比例。 |
| 稳定 | 10 | 顺利完成的比例（5 分）和使用技能一方未落败的比例（5 分）。 |
例：质量、耗时、令牌都不变，每次都被使用且从不中断的技能 = 15 + 7.5 + 7.5 + 15 + 10 = 55 分
安装技能后有什么变化
除评分外，还用标签标出变化的类型。一个技能可能有多个标签。
好的变化
- 质量提升
- 评分标准达成率提高 15 个百分点以上
- 更快
- 质量不降低，耗时减少 20% 以上
- 节省令牌
- 质量不降低，令牌数减少 20% 以上
需要留意的变化
- 质量下降
- 达成率下降 10 个百分点以上
- 更慢 / 令牌增加
- 耗时或令牌数增至 1.5 倍以上
- 不常被使用
- 安装后，超过一半的运行中没有被加载
- 中途停止
- 每 4 次中有 1 次以上未完成
为保证公平而做的约定
为了让评分接近实际使用感受，我们统一了以下条件，同时也写明局限。
对评分者保密
不告诉评分的 AI 哪一方使用了技能，A、B 的顺序每次随机。
统一条件
使用相同任务、相同初始文件和相同模型（Claude Sonnet），唯一的差别是有无技能。
不看星标数
热度和作者不计入评分。按热度排序只用于决定实测的先后顺序。
任务偏向（局限）
任务由 AI 根据 SKILL.md 编写，可能偏向技能有用的场景。评分标准不纳入该 SKILL.md 特有的规则。
次数较少（局限）
每个技能 2 个任务，每个最多 3 次；连续两次结果相同则提前结束。评分请作为参考。
无法实测的技能
需要外部服务账号或 API 密钥的技能无法在隔离环境中运行，因此暂不实测。
常见问题
为什么有的技能没有评分？
这些技能还没有实测。我们按热度从高到低每天实测 1 个。所有技能都会显示根据 SKILL.md 做的文档检查。
为什么知名技能的评分反而不高？
如果不使用技能的 Claude Code 也能很好地完成任务，就测不出差别。评分衡量的是“安装后改变了什么”，所以对 Claude 本来就擅长的工作，评分会偏低。
觉得评分有问题怎么办？
可以在技能页面的文档检查栏申请复核。在生成结果页面可以查看每次运行的最终回复和生成的文件。
实测使用的模型和日期在哪里看？
技能页面的实测对比栏下方写有运行模型、评分模型和日期。
