用途：依据 {spec}/test.md 中的验收测试计划，对已完成实现执行黑盒验收测试，捕获证据并输出需求级通过/失败结果。
主要能力：解析 test.md 中的用例（ID、需求 ID、Steps、Expected、Verify 方式、Command）；按 pipeline.yml 的启动配方与 roles.e2e_runner 选择评测 AI 角色与执行载体；为用例创建 {spec}/evidence/{round}/ 保存截图与日志；运行后独立机器核验证据。
核心原则：评测者声称“已测试并通过”不被信任；每个 PASS 用例必须指向磁盘上的真实证据（截图、命令日志等）。核验时若 PASS 用例引用的证据文件缺失或为空，则强制改为 FAIL 并记 Critical 发现；并重算 Evidence Manifest 的 sha256/大小，填写 Gate 行。证据命名如 T-A01-login.png、T-A02-latency.log，结果文件用相对指针引用而不嵌入内容。
使用方式：命令示例 /spec-evaluate --spec .specs/user-auth/；可选 --round {n}、--pipeline {path}、--backend {self|claude|codex}、--host-runtime {claude|codex}、--output {path}。当评测角色与 host_runtime 不同时，通过 agent-delegate 委派，使用 --mode delegate --sandbox workspace-write（不可用只读的 review 模式），并轮询报告。
限制：test.md 缺失则报错停止；pipeline.yml 缺失时以 backend=self 继续且无应用启动，playwright 用例标记为 blocked（跳过+警告，区别于 FAIL）；app 启动失败或 ready_pattern 不匹配也标记 blocked，不伪造通过。--backend 解析为 claude/codex 时必须提供有效的 --host-runtime，否则流水线报配置阻塞、独立运行时询问用户，不猜测。证据目录不可写则报错停止。结果格式异常时重跑一次，仍异常则报告 blocked。