用途：运行某个技能的评测（evals）并汇报结果，帮助用户判断技能是否优于裸模型、某章节是否必要、输出是否满足评分标准，以及描述是否在正确查询上触发。
主要能力与四种模式：baseline 判断技能是否在同输入下胜过裸模型；variant 用精简版技能对比，判断某章节是否真正起作用；quality 依据命名评分标准评估某配置的输出；trigger 通过适配器测量真实触发情况，并可跨轮次优化描述。
使用方式：位置参数为被评测技能路径（含 SKILL.md 的目录）。可选参数包括 --evals、--mode baseline|variant|quality|trigger（可重复）、--variant-path、--project-root、--output-dir、--runs、--headless/-H。baseline、variant、quality 模式调用 uv run {skill-root}/scripts/run_evals.py，trigger 模式调用 uv run {skill-root}/scripts/run_triggers.py。质量模式会为每个用例启动评分器，写入 grading.json；--runs 大于 1 时可用 aggregate_benchmark.py 生成均值、标准差与配置差异。
激活时会解析配置、检查断点性运行记忆、定位技能、解析适配器、发现用例文件并确认运行摘要。
限制：技能不会凭空创造用例，找不到用例文件即停止；运行在干净工作目录中隔离执行，无容器、无终端模拟、无凭据暂存；运行产物永久保留，不删除或覆盖；评分器不给部分分，错误时标记 grading_error 而非默认判定。具体平台适配、超时与 worker 等细节以脚本文档为准。
输出：每次运行生成带日期的运行文件夹，包含提示、转录、cwd、timing.json 及 grading.json 等。实际评测效果、收费与平台支持等细节暂未提供。