Eval Skills 把技能当作被测函数：用示例输入在干净环境中运行，检查产出是否符合标准，再让失败驱动修改。评估只有在盲跑时才诚实——执行技能的代理不能携带当前对话上下文，也不能看到预期输出，否则就是在应试训练。
运行前需确认三项输入：目标技能（必须能解析到真实的 SKILL.md）、至少一个黄金用例（技能实际会收到的具体输入，如截图、提示、文件、场景）、每个用例的达标标准（好产出应达到的结果与坏产出的迹象，而非穷举部件清单）。缺任何一项都不要运行，应告知用户缺什么并帮助其具体化。
流程：先校验输入并明确技能的第一性原理与评估模式（判断型 vs 一致性型）；每个用例用一个全新代理盲跑，隔离运行，优先从运行者最终消息中捕获产出，必须写文件时给一次性沙箱目录，运行后检查并清理泄漏；由独立评审依据产出、标准与技能第一性原理评分，须引用具体证据；对重要或边缘用例重复盲跑 2–3 次报告通过率；将失败诊断为技能缺陷或坏用例，并对照 write-skills 的失败模式命名；通过 write-skills 修订后重新评估全部用例。
输出为简短报告：每个用例的通过率与引用差距、失败映射的缺陷、所做修改（或待批准的 diff）及重评结果。规则：盲跑不可妥协；测判断而非一致性；隔离是尽力而为，清扫才是保证；每个用例每次运行都用全新代理；按标准评分而非互相比较或数字分数；不要为通过无法辩护的用例而扭曲技能。