用途：在 /learn-eval 給出自評分後，用 learn-eval-deep 對單一 learned skill 做客觀交叉驗證。
主要能力：提供三種深度模式——structural（結構分析，即時、0 tokens）、trigger（描述品質與觸發查詢生成，約 6K tokens）、full（加入消融實驗，約 18K tokens，1 case × 1 run，僅供 sanity check）。Bridge 輸出三系統分數：System 3 結構、System 1 觸發、System 2 消融 delta（僅 full 模式），並映射回 learn-eval 的 5 維度：Specificity、Actionability、Scope Fit、Non-redundancy、Coverage，與自評並排顯示並標註資料覆蓋率。
使用方式：Step 1 定位 skill，無引數時以 ls -t ~/.claude/skills/learned/.md | head -1 找最近修改者；有引數時用 ls ~/.claude/skills/learned/{引數}*.md 搜尋。Step 2 選深度，預設 1（structural）。Step 3 執行 bridge：python3 ~/Documents/skills-ecosystem-eval/src/learn_eval_bridge.py "{skill_path}" --mode {mode}，bridge 不存在時提示先 clone。輸出前需做完整性檢查，缺欄位則停止計算、標記 N/A 並警告。Step 4 呈現分數與映射結果，總分 /25 給出 PASS/FAIL。Step 5 依結果建議動作，使用者同意時直接讀取並修改 skill 檔案後重跑驗證。
限制：structural 模式只看檔案結構、不呼叫 LLM；trigger 模式生成查詢但不實際跑觸發測試；full 模式消融僅 1 case × 1 run，統計力有限；Active agents（~/.claude/agents/）結構與 learned skills 不同，部分維度不適用。