用途
eval-report 用于在完成多次评估之后做一次综合性回顾。触发场景包括：已运行 2 个以上评估技能并希望看到全局图景；需要向非技术干系人汇报评估状态；需要为发布或不发布决策提供证据；评估系统运行一段时间后需要做健康检查。该技能是只读的，只分析已有内容，不创建新的评审器或数据集。
主要能力
技能以固定清单推进分析，每一步都必须建立任务并按顺序完成：
- 清单扫描：读取 eval-design.md 和所有 runs/ 目录，构建时间线，统计关键指标，包括运行过的技能数、原则数、标签数、已校准评审器数量（含 TPR/TNR 范围）以及各技能最近活动日期。
- 成熟度评估：在五个维度上评级——失败发现、评审质量、标签覆盖、安全覆盖、人类对齐，每个维度分 L1 到 L4 四级。总体成熟度取各维度中的最低值（最弱环节原则）。每个评级都必须引用 eval-design.md 中的具体证据，不能凭感觉打分。
- 跨技能信号综合：找出被多个技能共同确认的一致信号（高置信度）；找出技能之间存在矛盾的发现（被视为最有价值的发现，可能揭示假设或方法上的结构性问题）；找出尚未被任何技能覆盖的盲区。
- 弱点诊断：分析失败集中在哪里（通过率最低的原则/评审器），计算原则两两之间的 Jaccard 相似度以识别共享根因的高度相关对（Jaccard > 0.5），并按难度分层查看哪些层表现最差。
- 根因分类：将每个弱点区域归类为 system_problem（应用本身表现差，特征为低通过率加强的评审器与人类一致性）、metric_problem（评审器或评估方法有缺陷，特征为低通过率加弱一致性）、data_problem（评估数据集不具代表性，如覆盖薄弱或标签漂移）或 unclear（证据不足）。
- 优先级建议：生成 P0（阻断发布）/P1（本迭代重要）/P2（待办）行动，每条建议须包含优先级、具体行动、当前状态、目标状态、预期影响和应使用的技能。避免把所有建议都标为 P1。
- 执行摘要：为一页纸的干系人摘要，包含发布就绪判断、前三大风险（含严重程度与缓解措施）、评估成熟度现状与目标、以及本次迭代的下一步行动。
使用方式
技能会读取 eval-design.md 中的 eval_report 命名空间以及 runs/ 下的历史结果。每个被综合的单指标运行结果应形如 runs/<skill>/<ts>/results.json 中的一条记录，字段包括 metric、mean、ci_95、n、by_stratum（如 easy/boundary/adversarial）和 verdict（pass/fail/insufficient_evidence）。
产出文件包括：
- eval-design.md：eval_report 命名空间（成熟度、信号、趋势、行动）
- runs/eval-report/<ts>/report.md：完整分析报告
- runs/eval-report/<ts>/executive-summary.md：一页纸干系人摘要
适用场景
适合在多个评估技能已产出结果后进行阶段性总结、向管理层或非技术干系人汇报评估状态、为发布决策提供证据，或对评估系统本身做定期健康检查。
限制与注意事项
该技能是只读分析，不生成新的评审器或数据集。资料中列出的常见错误包括：给出建议却未做根因分类；凭感觉打成熟度分；执行摘要写得过长；忽略跨技能矛盾；把所有建议都标为 P1。资料明确给出成熟度评估各维度的 5 维 × 4 级评分标准，以及 Jaccard > 0.5、kappa ≥ 0.8、TPR/TNR 阈值等参考指标。该技能属于评估闭环的“末端分析”，在落实建议后可再次运行以跟踪进展。资料未提及收费、价格或平台要求等信息。