企业官网建设流程全解析

Gemini CLI 也能跑？logo-design-skill 不只是 Claude 专属：双 CLI 上手指测

【免费下载链接】logo-design-skillA comprehensive logo-design skill for Claude, Gemini CLI, Codex and other AI agents: principles, process, SVG craft, testing tools and a 1,400+ logo reference library.项目地址: https://gitcode.com/gh_mirrors/lo/logo-design-skill

当一个开源"技能包"（Skill）的 README 第一行就写着"turns Claude — or any agent that supports Agent Skills, such as Gemini CLI, Codex CLI, Cursor or GitHub Copilot"时，很多人的第一反应是：这是不是营销话术？一个为 Claude 打磨的设计工作流，换到 Gemini CLI 上到底还能不能跑、跑出来质量掉不掉？

logo-design-skill 恰好就是这样一个值得较真的项目：它不是一段提示词，而是一整套带 9 个 Python 自动化脚本、1400+ 真实 SVG Logo 参考库和标准化设计流程的"设计操作系统"。本文不替你做结论，而是把仓库源码摊开，从安装机制、运行差异、质量锚点到选型建议，逐层实测分析，告诉你双 CLI 上手时真正会遇到的坑在哪里、哪些是通用的、哪些是平台独有的。

为什么设计技能包必须支持多 CLI

先看清一个趋势：Agent Skills 正在成为 Claude 与 Gemini 等主流 CLI 的共同标准。所谓 Skill，本质上就是一个包含SKILL.md的文件夹——纯 Markdown 指令加纯 Python 工具，不依赖任何闭源插件运行时。这个设计是刻意为之的。

在 README.md 的安装章节里，项目给出了非常明确的平台映射表：

关键信息在第 395–414 行："The skill uses the open Agent Skills format … so it works in any agent that supports skills — the instructions are plain Markdown and the tools are plain Python."换句话说，跨 CLI 不是"尽力兼容"，而是架构使然。SKILL.md的 front-matter 里只有name和description两个字段，任何按 Agent Skills 规范读取描述、按需挂载技能的 CLI 都能识别它。

支撑这一点的是运行时约束：全部脚本仅依赖 Python 3.8+ 标准库，render_png.py的渲染后端做了五级回退（cairosvg → rsvg-convert → Inkscape → headless Chrome/Edge/Brave → macOS Quick Look），search_library.py、svg_audit.py等更是零外部依赖。这意味着无论你的 CLI 跑在哪个操作系统、哪个运行时里，工具链的"地基"是同一份。加上 tools/package_skill.py 可以把整个技能打包成 zip（还提供剔除 1400+ SVG 的 lite 版），上传到任意支持 Skills 的平台只是几分钟的事。

而 Gemini 生态之所以格外值得关注，是因为 Google 在把 Agent Skills 推广为开放标准这件事上投入极大——社区里"从入门到用好 Agent Skills"的教程几乎都在讲同一套目录结构。设计技能包天然需要多模态模型来"看图"（后面会细说），而这正是 Gemini 的强项。一个技能包如果锁死单一 CLI，等于把半个生态的用户关在门外，这是它坚持开放格式的根本动机。

在 Gemini CLI 下运行：差异与三个真坑

装好之后，真正上手跑一遍，你会发现流程骨架完全一致，但有三处平台差异值得注意，它们都是源码里能查到的真实约束。

第一坑：渲染后端决定你能不能"看见"作品。这个技能的核心方法论是"画完必须渲染出来看"。在 SKILL.md 的"Look at your work"一节写得毫不含糊："Drawing in SVG code is drawing blind."（在 SVG 代码里画画等于盲画）。整个 Phase 5 测试循环依赖render_png.py把矢量转成 PNG 供模型自查。而在不同 CLI 环境里，可用的渲染后端完全不同：macOS 上有 Quick Look 兜底，Linux 服务器上通常只有 rsvg-convert 或 headless Chrome。如果两端恰好都缺，模型会按 SKILL.md 的要求"声明自己无法渲染，并把几何保持得格外简单显式"——这是质量差异的第一个来源，但它是环境问题，不是技能本身的问题。

第二坑：路径与启动方式的约定。SKILL.md 里明确写了：在 Claude Code 中脚本目录用${CLAUDE_SKILL_DIR}/scripts/，在其他 Agent 里"use the folder this skill was loaded from"。也就是说，所有脚本调用都要以完整路径执行，而不是依赖cd。Windows 上还有个隐蔽的坑：python3在 Windows 上往往是 Microsoft Store 的占位 stub，SKILL.md 要求改用python或py -3。这些写在指令里的细节，决定了一个技能在 Gemini CLI 的 Linux/Windows 环境下会不会在第一步就卡住。

第三坑：模型必须能读图。这是 README 里最容易被忽略的一句话："The skill works best with a model that can view images, because it renders its own drafts to PNG and checks them before showing you anything."整个工作流（svg_audit.py出分、concept_sheet.py生成概念总览图、preview_sheet.py生成 16px 像素测试）的前提是模型真的"看一眼"输出。Gemini 系列天然满足这个条件，这一点在选型时反而是加分项。

把这三个坑过一遍后，结论开始清晰：差异全部集中在"执行环境适配"层，而非"设计逻辑"层。设计逻辑——从 Brief 到概念发散再到交付——是写在 SKILL.md 和 references/ 目录里的确定性流程，与运行它的 CLI 无关。

输出质量对比：同一句提示词，质量锚点在哪

既然流程是共享的，所谓"输出质量对比"就更值得用可复现的方式定义。仓库自带评测集 evals/evals.json，里面就是标准化的提示词。比如评测 1 的原始提示词：

"Design a logo for Kiln, a small-batch specialty coffee roaster in Istanbul. It should feel warm, crafted and modern — not rustic cliché. It needs to work on coffee bags, paper cups and as an Instagram avatar. Give me three directions and your recommendation."

把这句话分别丢给 Claude Code 和 Gemini CLI，预期产出是同一个结构：一份含假设的简短 Brief、三个不同 mark type 的概念（纯 SVG、无 live text）、经过审计与小尺寸测试、以一张概念总览图呈现并附推荐——然后停在 checkpoint，等待用户选择方向，不擅自动工做全套。这个输出契约写死在 SKILL.md 的"Concept checkpoint"段落里，两端都必须遵守。

所以质量对比的真正抓手不是"谁跑得更好"，而是"两个 CLI 有没有各自把同一套质量门禁执行到位"。这套门禁是源码级的：

• 审计自动化：svg_audit.py会把 live text、嵌入位图、滤镜、掩膜、接近角误差（0.3–3° off clean angle）、小于 1/48 画布的微小细节、对比度低于 3:1 的颜色全部列出来，并对照参考库给出锚点数量分位（例如正方形符号中位锚点数 53）。产出一份 99/100 的审计报告是有据可查的，README 里就有现成的对照输出。
• 视觉测试：preview_sheet.py生成 16/20/24/32/48/64/96/128/256 px 的尺寸阶梯、像素级 favicon 测试、单色黑/白、镜像、180° 旋转、真实场景（浏览器标签、App 图标、名片）和竞品货架测试。下图的测试表正是"同一份 SVG 输入、任一 CLI 调用同一脚本"就能稳定复现的产物：

• 参考库校准：search_library.py用 1400+ 真实 Logo 让模型先研究品类惯例再动手，避免设计出"看着眼熟"的雷同标。stats.json记录了库的完整分布——抽象型占 23.5%、组合型 20.6%、19% 带渐变、正方形符号锚点中位数 53——这些数字会实时参与审计的复杂度判断。

而技能包官方跑过的 28 个虚构品牌案例（从咖啡、电竞到 B2B SaaS、金融、健康，每个都端到端跑完并交付了概念图 + 行业 Mockup 演示板），是验证这套流程在真实 Agent 上能走通的最好证据。下图的封面拼图本身就是"同一技能在不同品牌场景下重复 28 次都能出活"的实证：

因此，负责任的结论是：两端跑同一句提示词，产出结构必然一致（这是 SKILL.md 强制的），质量下限由审计脚本和测试清单兜住（这是工具强制的），上限则取决于该 CLI 背后模型的读图能力和对视觉细节的执行力。想在本地亲自复现，按 README 装好后直接拿评测集的提示词各跑一遍，再用svg_audit.py --json对比两份输出的分数即可——这个对比实验完全可复制，不靠玄学。

技能包整体运行效果的直观总览（含概念图、灰度排版、尺寸刻度）：

选型建议：按你的主力 CLI 做配置

综合上面的源码证据，选型建议可以收敛成一条简单原则：看你的主力 CLI，不看你崇拜的品牌。

• 主力是 Gemini CLI / 重视多模态读图：直接克隆仓库，把skills/logo-design复制到~/.gemini/skills/或项目级.gemini/skills/，新开会话丢一句"Design a logo for…"即可。Gemini 的视觉能力正是这个技能"渲染自查"方法论的最佳搭档，Python 环境用系统自带的标准库就够，唯一要确认的是render_png.py --which列出的渲染后端里至少有一个可用。
• 主力是 Claude Code：体验最顺滑——官方插件市场一条命令装好，还能直接用package_skill.py打包 zip 上传 Claude.ai。此时注意两点：让模型尽量保留 PNG 渲染自查步骤，不要让它"直接给 SVG 代码"；遇到跨机器交付时留意<text>转路径等规定。
• 想同时吃两端红利：把技能包复制两份到各自的 skills 目录，用同一个品牌 Brief 分别在两端跑一轮，以svg_audit.py分数和 16px 测试结果做交叉验证——这比任何第三方评测都更能说明你的模型 + 你的环境组合的真实水平。
• 想给别人用 / 有上传体积限制：用package_skill.py产出logo-design.zip与logo-design-lite.zip（后者剔除 SVG 库本体，仅保留 catalog 元数据与全部脚本、参考文档），按平台要求上传即可。

无论选哪条路，这个项目的定位都很清晰：它把"设计师的判断力"尽量前置编码成了流程与工具（12 条原则、7 个阶段、checkpoint 强制暂停、审计/测试/货架实验），把"AI 容易翻车的地方"（live text、近似角度、微小细节、雷同标）变成了脚本能揪出来的硬性检查。CLI 只是执行这份流程的容器——Gemini 能跑、Claude 能跑、Codex 也能跑，真正决定设计质量高低的，是模型有没有老老实实执行流程、认认真真看图改图。开源生态里这样的"流程即代码"设计技能包越来越多，logo-design-skill 用一份 1,432 条记录的标注库和 9 个无依赖脚本，给"AI 生产级 Logo"这个命题立了一个可检验的坐标系。

【免费下载链接】logo-design-skillA comprehensive logo-design skill for Claude, Gemini CLI, Codex and other AI agents: principles, process, SVG craft, testing tools and a 1,400+ logo reference library.项目地址: https://gitcode.com/gh_mirrors/lo/logo-design-skill