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

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AgentPersonal全局Per project项目级Gemini CLI~/.gemini/skills/logo-design.gemini/skills/logo-designCodex CLI~/.codex/skills/logo-design.codex/skills/logo-designCursor / Copilot 等见各 Agent 的 skills 文档通常是项目内skills/目录关键信息在第 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 Looksearch_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 stubSKILL.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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考