00-arena-router 是 arena-eval 套件的入口路由技能，定位为“分诊台”，本身不运行任何模型比较或基准测试，而是根据用户意图将其导向合适的子技能。每个子技能自包含，可独立安装和使用。
用途：当用户希望以竞技场（arena-style）方式比较或基准测试多个 LLM/智能体，但尚不清楚应使用哪个具体工作流时，该技能负责诊断比较目标并给出推荐路由。
主要能力：
- 诊断用户想比较模型在什么方面的表现，通过提问确认（除非用户请求已明确答案）。诊断问题为：“你在什么方面比较这些模型？a) 你自定义的任务（聊天机器人质量、摘要、编程等），将获得裁判模型的胜率排名；b) 具体是每个模型在被要求推荐引用时编造或幻觉参考文献的频率。”
- 快捷规则：若用户已明确说“对我的聊天机器人任务运行 arena 评估”或“基准测试这些模型的引用幻觉”，则跳过提问；若用户明确要求同时评估通用质量和引用准确性，则推荐两个工作流。
- 分诊表路由：
- 用户说“在[任意自定义任务]上比较/基准测试/排名这些模型”→ 使用 01-auto-arena：根据任务描述生成查询、收集响应、自动生成评分标准、运行成对裁判比较、产出胜率排名。
- 用户说“哪个模型引用幻觉最少？”或“基准测试参考文献推荐准确性”→ 使用 02-ref-hallucination-arena：对每个模型运行参考文献推荐查询，用 CrossRef/PubMed/arXiv/DBLP 验证每个返回的引用，按验证准确率排名。
- 用户说“比较通用有用性 AND 引用准确性”→ 先 01-auto-arena，再 02-ref-hallucination-arena，分别运行、分别报告，保留两个目标。
- 用户说“我想审阅一篇论文的现有参考文献，而不是比较模型”→ 不属于本套件，应使用 academic-eval 套件的 01-paper-review / 02-bib-verify。
使用方式：技能以诊断问题或用户表述为依据进行路由，输出格式为“Recommended workflow: [skill-name]”加一句理由。若一个工作流即可覆盖请求，则只推荐一个；若用户同时要求通用质量和引用准确性，则推荐 01-auto-arena 后接 02-ref-hallucination-arena 作为两次独立运行（或按用户指定顺序），并说明两次运行测量不同内容、结果应分开报告，任一排名不能替代另一排名。
关键区别：两个工作流都产出模型排名，但“正确”的定义不同。01-auto-arena 的正确性是裁判意见——LLM 裁判对任意任务成对评分哪个响应更好，适用于任何任务，无需真实标签。02-ref-hallucination-arena 的正确性是外部可验证的——每个引用都对照真实文献数据库检查，排名反映事实准确性而非裁判偏好，范围更窄（仅引用推荐）但真实标签置信度更高。若用户只关心引用准确性，即使表述为“哪个模型更好”，也应优先推荐 02-ref-hallucination-arena 而非 01-auto-arena。
适用场景：需要为多个 LLM/智能体选择评估路径的初始分诊；明确要比较自定义任务质量或引用幻觉的场合；需要区分主观裁判偏好与客观引用验证两种评估目标的场合。
限制：该技能不执行比较本身；不适用于审阅单篇论文现有参考文献的场景；具体子技能的安装命令、运行细节与依赖未在资料中提供。