evaluate-skill 是一个用于评估 AI 技能质量的编排型技能，核心目标是通过跨模型层级的盲测来判断某个 AI 技能的清晰度与健壮性。
用途方面：它面向需要验证技能说明是否足够清晰、能否被较低能力模型正确执行的场景，帮助发现技能描述中的歧义、缺失上下文、过度复杂推理或隐含知识要求等问题。
主要能力包括：读取并校验输入文件；建立跨层级评估矩阵；执行盲测；评估结果并生成改进报告。具体流程如下：
-
加载输入：读取 {{ skill-path }} 处的技能文件，读取 {{ test-cases-path }} 处的测试用例文件，并校验测试用例是包含 input 与 expectedOutcome 字段的 JSON 对象数组。
-
设置评估矩阵：待测模型层级为 opus、sonnet、haiku；对每个层级、每个测试用例规划一次盲测运行。
-
执行盲测（从最高层级开始）：按 opus → sonnet → haiku 的顺序，对每个测试用例在当前层级生成一个 test-subject 智能体，只向其提供技能内容与测试用例 input，不提供 expectedOutcome，然后收集其输出。
-
评估结果：对每次运行，将 test-subject 的输出与 expectedOutcome 比较，使用语义相似度判定通过/失败（输出无需完全相同，但须达成相同目标），并记录 tier、测试用例索引、通过/失败、输出摘要。
-
生成改进报告：识别所有测试用例全部通过的最低层级，即“清晰度下限”；对每个失败项分析低层级智能体失败的原因，例如指令是否含糊、是否缺少上下文或假设、是否属于过于复杂的多步推理、是否存在隐含知识要求；并给出具体、可执行的技能改进建议。报告按 Summary、Per-Tier Results、Failure Analysis、Recommendations 分节，最终输出给用户。
适用场景：需要对某个 AI 技能进行质量把关、判断其可被不同能力模型稳定执行的场景，尤其适合在技能发布或迭代前做清晰度与健壮性验证。
限制：资料中未提供该技能的具体安装命令、运行环境要求、依赖项、收费信息以及可用平台等细节；其输入路径以占位符形式给出，实际使用需按占位符提供相应文件。