Habilidades ai-visual-accuracy-check
📦

ai-visual-accuracy-check

v1.0.0 Riesgo medio 🌐 Acceso a red📁 Acceso al sistema de archivos⚙️ Comandos externos

Validar la precisión visual de PDF a HTML

Las conversiones de PDF a HTML pueden parecer correctas en el marcado mientras pierden diseño, jerarquía o espaciado. Esta skill guía a Claude, Codex o Claude Code mediante una revisión visual basada en capturas de pantalla con una salida puntuada de aprobado/reprobado.

Compatible con: Claude Codex Code(CC)
📊 73 Adecuado
1

Descargar el ZIP de la habilidad

2

Subir en Claude

Ve a Configuración → Capacidades → Habilidades → Subir habilidad

3

Activa y empieza a usar

Recursos legibles por agentes

Usa estos enlaces cuando un agente de IA, crawler o script necesite contexto limpio en vez de leer la página completa.

Detalle Markdown GET /skills/abejitsu-ai-visual-accuracy-check.md Manifest firmado GET /api/skills/abejitsu-ai-visual-accuracy-check/manifest Lockfile firmado GET /api/skills/abejitsu-ai-visual-accuracy-check/lockfile

Pruébalo

Usando "ai-visual-accuracy-check". Comparar una página de capítulo renderizada con la imagen de su página PDF fuente usando el umbral predeterminado.

Resultado esperado:

La página aprueba con una puntuación alta de similitud visual. El diseño y la jerarquía coinciden bien, con solo diferencias menores de espaciado.

Usando "ai-visual-accuracy-check". Revisar un capítulo después de que cambios de CSS provocaran desplazamientos de diseño.

Resultado esperado:

La página no alcanza el umbral. Los problemas principales son la prominencia de los encabezados, la indentación de listas y la alineación de tablas en comparación con el PDF.

Usando "ai-visual-accuracy-check". Evaluar tres páginas representativas de un capítulo de varias páginas.

Resultado esperado:

La puntuación promedio es aceptable. La página inicial es la más sólida, mientras que la página final necesita ajustes menores de tipografía.

Auditoría de seguridad

Riesgo medio
v6 • 6/28/2026

The static analyzer's Ruby backtick, weak cryptography, and system reconnaissance findings are false positives caused by Markdown code fences, filenames, and ordinary prose. The skill still has medium operational risk because its intended workflow reads local HTML and image files, renders screenshots with a headless browser, and sends visual content to Claude for analysis.

1
Archivos escaneados
385
Líneas analizadas
8
Review items
0
False positives ignored

Confirmed security concerns (2)

Bajo
SKILL.md:3SKILL.md:17SKILL.md:348-353
Weak Cryptography Findings Are Textual False Positives
The weak cryptography detections correspond to the word AI and descriptive visual reasoning text, not cryptographic algorithms or hashing code. No evidence found of MD5, SHA-1, DES, or similar weak cryptographic usage.
The cited lines contain natural-language descriptions of AI visual reasoning. They do not contain cryptographic APIs, algorithms, or security-sensitive hashing behavior.
Bajo
SKILL.md:284-285SKILL.md:378
System Reconnaissance Findings Are Documentation False Positives
The scanner flagged ordinary validation and comparison prose as reconnaissance. No evidence found of OS discovery, environment probing, host enumeration, or network scanning instructions.
The referenced lines discuss retrying invalid AI output and the flexibility of visual comparison. They do not instruct system inspection or reconnaissance.
Capability review items (3)

These are real local capabilities that may be expected for this skill, so they require review but are not counted as confirmed malicious behavior.

Medio
SKILL.md:37-41SKILL.md:181-186
Third-Party AI Visual Analysis Sends Document Images
The workflow instructs the assistant to attach the original PDF PNG and rendered HTML screenshot to Claude for comparison. This is legitimate for the skill, but it may expose sensitive document pages to an external AI service if users provide confidential PDFs.
The documented process explicitly sends both images to Claude for multimodal comparison. The behavior is intentional, but it creates a clear data-sharing risk.
Medio
SKILL.md:28-35SKILL.md:49-51SKILL.md:208-243
Local File Rendering and Report Output
The skill reads local HTML and PDF page image files, renders HTML through a headless browser, and saves a report under an output directory. This is expected behavior, but users should scope input and output paths to the project workspace.
The file reads, browser rendering step, and report path are directly documented. No malicious path traversal or secret collection is shown.
Bajo
SKILL.md:29-30SKILL.md:50SKILL.md:59-70SKILL.md:127-170SKILL.md:206-275SKILL.md:340-371
Static Ruby Backtick Findings Are Markdown False Positives
The external command detections point to Markdown inline code, fenced code blocks, examples, diagrams, and file paths. I did not find Ruby code, shell backtick execution, or user-controlled command construction in the reviewed file.
The suspicious syntax occurs in Markdown documentation and JSON or bash examples, not executable Ruby. There is no script file or dynamic command invocation in the skill package.

Factores de riesgo

🌐 Acceso a red (2)
SKILL.md:37-41 SKILL.md:181-186
📁 Acceso al sistema de archivos (3)
SKILL.md:28-35 SKILL.md:49-51 SKILL.md:208-243
⚙️ Comandos externos (2)
SKILL.md:32-35 SKILL.md:339-340

Patrones detectados

Headless Browser Automation
Auditado por: codex Ver historial de auditorías →

Puntuación de calidad

55
Arquitectura
100
Mantenibilidad
87
Contenido
71
Comunidad
58
Seguridad
83
Cumplimiento de la especificación

Lo que puedes crear

Verificar capítulos de libros de texto convertidos

Comparar el HTML generado del capítulo con las imágenes de páginas del PDF fuente antes del lanzamiento.

Bloquear pipelines de conversión de documentos

Añadir un umbral de puntuación que bloquee el despliegue cuando la fidelidad visual caiga por debajo del nivel esperado.

Revisar regresiones de diseño

Usar feedback visual puntuado para identificar cambios de espaciado, jerarquía o posicionamiento después de actualizaciones de CSS.

Prueba estos prompts

Ejecutar una verificación de una sola página 
Usa ai-visual-accuracy-check para comparar chapter_02.html con 02_page_16.png. Usa el umbral predeterminado de 85 y resume el resultado de aprobado o reprobado.
Revisar una muestra de capítulo 
Usa ai-visual-accuracy-check en las páginas inicial, central y final del capítulo 4. Promedia las puntuaciones de las páginas y enumera las principales diferencias visuales.
Investigar una puerta fallida 
Usa ai-visual-accuracy-check para explicar por qué el último capítulo no alcanzó el umbral visual de 85. Prioriza correcciones de diseño, jerarquía, posicionamiento y tipografía.
Comparar variantes de conversión 
Usa ai-visual-accuracy-check para comparar dos versiones HTML renderizadas con la misma página PDF. Recomienda la versión con mayor fidelidad visual y explica las compensaciones.

Mejores prácticas

  • Usa muestras no confidenciales a menos que la política de tu servicio de IA permita compartir imágenes de documentos.
  • Mantén el umbral predeterminado de 85 hasta que tengas datos de calibración específicos del proyecto.
  • Almacena las imágenes del PDF original y las capturas de pantalla renderizadas con nombres estables para una revisión repetible.

Evitar

  • No trates la puntuación de IA como reemplazo de las verificaciones de accesibilidad o corrección del contenido.
  • No reduzcas el umbral para aprobar defectos de diseño conocidos sin documentar la razón.
  • No renderices HTML no confiable fuera de un entorno de navegador sandboxed.

Preguntas frecuentes

¿Qué compara esta skill?
Compara una captura de pantalla HTML renderizada con una imagen de página del PDF original.
¿Requiere soporte de visión de Claude?
Sí. El flujo de trabajo documentado espera un modelo multimodal que pueda inspeccionar ambas imágenes.
¿Qué puntuación aprueba la puerta?
El umbral predeterminado de aprobación es 85 de 100.
¿Puede manejar capítulos de varias páginas?
Sí. Recomienda comparar páginas clave y promediar sus puntuaciones.
¿Realiza una comparación pixel-perfect?
No. Usa juicio visual contextual en lugar de diferencias estrictas de píxeles.
¿Qué datos deben proteger los usuarios?
Los usuarios deben proteger las páginas PDF confidenciales, las capturas de pantalla renderizadas y los informes generados.

Detalles del desarrollador

Autor

AbeJitsu

Licencia

MIT

Version

v1.0.0

Repositorio

https://github.com/AbeJitsu/Game-Settings-Panel/tree/main/.claude/skills/calypso/ai-visual-accuracy-check

Ref.

main

Estructura de archivos

📄 SKILL.md