用途：衡量、基准测试、比较与验证某个上下文工程 harness 是否提升智能体结果。核心方法是对同一批任务分别在有该 harness 与无该 harness 的条件下运行，依据断言打分，并计算增益与 token 成本的比值。
主要能力：提供一套评估循环（定义待测 harness、编写 3-5 条真实用例、定义成功断言、实际运行、打分、计算差值、迭代），并附带一批脚本与协议文件，包括 grader.md（打分协议）、schemas.md（JSON schema）、generate_report.py（生成评估报告与结论）、aggregate_benchmark.py（汇总打分）、estimate_tokens.py（估算 harness 的 token 成本）、generate_viewer.py（生成 HTML 查看器）、comparator.md / analyzer.md（盲比较与影响分析）、anti-patterns.md（反模式指南）、optimize_harness.py（自动优化循环，需 LLM CLI）。
使用方式（按步骤）：1. 定义 harness 与基线，用 estimate_tokens.py 估算成本；2. 写 3-5 条真实、多样、有难度的任务提示，存到 evals/evals.json；3. 从结果、精确度、效率三个维度定义断言；4. 必须真正运行——有子代理时并行跑有/无 harness 两版，无子代理时先无后有顺序运行（并在报告中标注此方式明显更弱），结果存入 workspace/iteration-N/eval-{id}-{name}/ 的 outputs 目录；5. 按 grader.md 逐条断言打分，保存 grading.json；6. 用 generate_report.py 计算差值；判定阈值：平均增益 ≥0.25 且多数用例改善为 EFFECTIVE，0.05–0.25 或不一致为 MARGINAL，<0.05 为 INEFFECTIVE，<0 为 HARMFUL；7. 按提示词模板展示结果并生成查看器；8. 可选迭代、盲比较与自动优化。
适用场景：验证项目编码规范、技能或方法论类 harness 的收益；向相关方展示 harness 实际效果。
限制：资料未提供安装步骤；部分脚本依赖 Python 3，自动优化需 LLM CLI，否则只能保存提示手动应用；盲比较需子代理；无文件系统查看器时只能在对话中展示。评估必须实际运行，事后分析不算评估。