Qué hacen los skills para agentes con una página web

Método

El modelo y el effort están fijados en los scripts de ejecución. La tabla muestra lo que registran los archivos run.json.

Una sola muestra por celda, sin elegir los mejores resultados

Cada celda se genera una sola vez, de una pasada y sin turnos de seguimiento. El resultado se muestra tal como salió, incluidas las ejecuciones fallidas. Si una celda se vuelve a ejecutar, el intento anterior se conserva en runs/<prompt>/_attempts/.

El mismo prompt en las cuatro celdas

Los prompts usan una redacción neutra, sin adjetivos de estilo. Las celdas con skill añaden una frase final que nombra el skill: Use the <name> skill. para Claude Code y Use the $<name> skill. para Codex.

Aislamiento

Cada ejecución empieza en un directorio desechable nuevo, fuera del repositorio, con un HOME vacío, su propio directorio de configuración (CLAUDE_CONFIG_DIR o CODEX_HOME) y un entorno construido desde cero. No se carga ninguna configuración de usuario, plugin, skill de nivel de usuario, servidor MCP ni memoria. El skill que se prueba se copia solo en la carpeta de skills de ese proyecto desechable (.claude/skills/ o .agents/skills/). Los skills incluidos en cada CLI siguen disponibles y cuentan como nativos. La evidencia sale de los propios registros de cada agente y se guarda en run.json, en isolation.

El skill tiene que activarse

En las celdas con skill, los registros deben mostrar que el skill se cargó (skill_triggered). Si no es así, la celda se marca como Fallida en lugar de mostrarse como resultado del skill.

Capturas

Capturas de página completa a 1440 y 390 px CSS de ancho, tomadas cuando la red está inactiva y las fuentes se han cargado, con las animaciones desactivadas (playwright 1.64.1, playwright-chromium 156.0.8078.4). Las miniaturas muestran la parte superior de la página. “Abrir página” carga el index.html original en un iframe en sandbox (sandbox="allow-scripts", sin acceso de mismo origen).

Análisis de accesibilidad

Cada página se revisa también con un analizador automático de accesibilidad, y se muestra el número de incumplimientos por gravedad. Los análisis automáticos solo cubren una parte de los problemas de accesibilidad (no pueden juzgar, por ejemplo, si el texto alternativo o el orden del foco tienen sentido), así que los recuentos son una pista, no un veredicto.

Grabaciones del desplazamiento

Algunas celdas incluyen además una grabación corta de la página al desplazarse en ancho de escritorio, porque el movimiento no se ve en las capturas. Solo se carga al pulsar reproducir en la página de la celda.

Fechas de ejecución

2026-10-25 – 2026-10-26 (UTC), 46 celdas.

Votos

Cada página de resultado tiene un voto 👍 mediante giscus, un widget de terceros que solo se carga en las páginas de resultado, no en el resto de la galería. Para votar hay que iniciar sesión en GitHub. Los votos se guardan como reacciones en las GitHub Discussions de este repositorio, con una discusión por celda que comparten todos los idiomas. Los recuentos de las páginas de comparación se actualizan cada pocas horas. Muestran lo que prefieren los visitantes, no una evaluación.

Limitaciones conocidas

• Nativo significa tal como viene, no sin ningún skill. Todas las celdas, también las nativas, pueden usar los skills que trae su agente: los 19 skills integrados en Claude Code y los skills de sistema de Codex (imagegen, openai-docs, skill-creator, skill-installer). En el prompt dashboard, el skill integrado dataviz de Claude Code se activó por sí solo dos veces, una en claude__native y otra en claude__frontend-design; run.json lo registra en builtin_skills_used. Es intencionado: se compara lo que obtiene en la práctica quien instala el agente.
• Aislamiento significa “no se carga nada”, no “no se puede leer nada”. Los agentes todavía pueden leer el resto del disco: el sandbox workspace-write predeterminado de Codex puede leer /, y Claude Code con bypassPermissions no tiene sandbox. En las ejecuciones de v0, los agentes buscaron AGENTS.md en directorios superiores y uno usó Playwright desde la caché de npm del operador. Un aislamiento más fuerte (una cuenta de usuario aparte o un contenedor) queda como trabajo futuro.
• Barras laterales fijas en las capturas. Las capturas de página completa dibujan los elementos position: fixed o sticky con altura 100vh solo a la altura de la primera pantalla, así que la barra lateral de un panel puede parecer que termina a los 900 px. Esto se debe a la captura, no a la página.
• Una sola muestra no es un benchmark. Cada celda es una única generación. Toma la galería como ejemplos de lo que un skill tiende a hacer, no como una puntuación.