用途：对 Claude Code 技能进行结构化评测，验证其触发是否准确、工作流是否正确、输出质量是否达标。整个流程基于多代理流水线，包括执行器、评分器、比较器与分析器。
主要能力与流程： 一、定义评测集。可从 JSON 文件（如 evals/evals.json）、内联提示或根据技能描述自动生成。评测集包含 skill_name、skill_path 以及评测项列表，每项含 eval_id、eval_name、prompt、input_files、assertions（名称、检查条件、权重）和 should_trigger。无评测集时可运行 python scripts/generate_eval_set.py <skill-path> 生成初始集，交由用户审核修改。 二、建立工作区。评测工作区应放在技能目录之外，避免产物混入技能文件。每个迭代目录下按 eval 编号分目录，各含 eval_metadata.json 及 with_skill 与 baseline 两个运行的 outputs、timing.json、grading.json，另有 benchmark.json 与 benchmark.md。 三、执行评测。每个评测同时启动两次运行：启用技能运行与基线运行（新技能不加载技能，改进技能先用旧版本快照）。运行委托给 agents/skill-forge-executor.md，并记录 total_tokens、duration_ms、total_duration_seconds。 四、评分。委托 agents/skill-forge-grader.md 按断言逐条判定，写入 grading.json，含每条断言的 passed、evidence 和整体 pass_rate。 五、汇总分析。运行 python scripts/aggregate_benchmark.py <workspace>/iteration-<N> --skill-name <name> 生成 benchmark，包含每次评测通过率、平均耗时与 token、提升比率；再由 agents/skill-forge-analyzer.md 发现隐藏模式、失败断言类型与回归。 六、报告与反馈。生成含总体指标表、逐评测结果表、模式洞察与改进建议的报告；用户反馈写入 feedback.json，可传给 /skill-forge evolve 进入下一轮迭代。
高级能力：盲测比较。委托 agents/skill-forge-comparator.md，传入 with_skill/outputs 与 baseline/outputs 两个目录，比较器随机标注版本 A/B，在不知新旧的情况下按断言评分。
错误处理：执行超时（超过 5 分钟）终止并标记 timed_out；崩溃时写 error.txt 并继续其余评测；无法判定时 passed 置为 null 并附证据；缺失 timing 或 grading 文件则标记该评测不完整；始终汇总已有结果，不因单个失败阻塞。
质量门禁：确认所有评测均已执行、每次运行均有计时、所有断言均有证据评分、benchmark 已汇总通过率与耗时 token、分析器模式已记录、结果已呈现给用户。
限制：资料未提供具体安装命令、运行环境依赖、收费与平台信息；该工具面向 Claude Code 技能评测，其他场景是否适用暂未提供。