用途：评估现有代理指令规则集（如 CLAUDE.md、AGENTS.md、.cursorrules、copilot-instructions.md 或其他编码代理上下文文件）的质量。核心理念是“无法被违反的规则也无法被遵循”，多数指令文件因不可证伪的指导、冗余噪音和未写入的隐性知识而失效。
工作方式分两阶段。阶段一（静态评审，始终执行）：读取规则文件，识别格式（Markdown 文本、结构化规则列表、YAML front matter、围栏区块），按离散行为指令拆分为单条规则；可选扫描代码库中的 linter 配置（.eslintrc、pyproject.toml、ruff.toml）、类型配置（tsconfig.json）、CI 配置（.github/workflows/）以检测冗余。每条规则按七项属性二元打分（0–7）：P1 具体可证伪、P2 编码原因、P3 源于真实失败、P4 作用域恰当、P5 指向范例、P6 包含反模式、P7 token 高效。得分≤2 为弱，P1=0 视为噪音。随后做结构分析：与 linter/类型系统/CI 重复的冗余、作用域过宽或过窄、九个覆盖类别（C1 架构边界、C2 领域模型与业务规则、C3 约定与模式、C4 集成与外部依赖、C5 运维与部署、C6 测试理念、C7 安全模型、C8 性能约束、C9 历史决策与技术债）的覆盖情况，以及 token 预算（Claude Code 根目录<4000 token、子目录<1000；Copilot 根目录<1000 行、每次评审读前 4000 字符；Cursor/Windsurf/AGENTS.md 类似 Claude Code）。输出评分卡、汇总统计、覆盖图、token 预算与前三项改进建议，并给出阶段一结论（均值≥5 强、3–4 合格、<3 弱）。若无文件可访问，回退为访谈模式，请用户粘贴规则，并提示无法验证与代码库的一致性。
阶段二（行为测试，可选）：生成 3 个编码任务，每条约 50 行代码、触及 2 条以上规则；每条规则生成一条可观察断言，写入 evals/evals.json；交由 context-eval 在有/无该指令文件的条件下运行并计算通过率差值，合成综合报告，给出最终结论（静态≥5 且 delta≥0.25 强；静态≥3 且 delta≥0.10 合格；静态<3 或 delta<0.10 弱；delta<0 有害）。delta 为有规则与无规则通过率之差（0.0–1.0）。
限制：阶段二需要 context-eval 基础设施与时间，非默认路径；静态阶段对代码库模式的检查需人工验证。具体安装命令与收费信息资料未提供。