用途：对 Claude Code 技能做可重复的性能基准测试，衡量并跨迭代比较技能表现，服务于发布前质量门禁。
主要能力：支持多次试验（默认 trials_per_eval 为 3）与方差分析；同时运行 with-skill 与 baseline 两组以计算 improvement_ratio、token 节省与时间节省比例；按阈值（min_pass_rate、max_avg_tokens、max_avg_duration_seconds、min_improvement_ratio）做门禁判定；与上一迭代对比，列出回归项与改进项。
使用方式：以已有 eval 集（evals/evals.json）或自定义 benchmark 配置（含 skill_name、skill_path、eval_set_path、trials_per_eval、baseline_type、thresholds 等）启动；逐条 eval 多次运行，记录 pass/fail、token、时长，保存 timing.json 与 grading.json；随后聚合：python scripts/aggregate_benchmark.py <workspace>/iteration-<N> --skill-name <name>，生成 benchmark.json；再对比前次基准并生成含汇总、回归、改进、逐条明细、方差分析与建议的报告。
适用场景：技能迭代后的效果验证、发布前阈值把关，以及定位低可靠性 eval。与 skill-forge-eval、skill-forge-evolve、skill-forge-publish、skill-forge-review 协同。
限制：阈值不通过时不得批准发布，需先修复；不足 2 次试验时方差标记为不可靠；试验超时或崩溃则从方差计算中排除并标注 trials_completed 与 trials_requested；baseline 全部失败时只报告 with-skill 结果并跳过 improvement_ratio；通过率等于阈值按通过处理。具体运行环境与依赖细节暂未提供。