用途：评估 Salesforce 技能是否提升 AI 生成代码的质量，通过对比“无技能上下文”与“有技能上下文”两种生成结果并分别打分。
主要能力与模式：
- 基准任务：输入 /sf-eval 或 /sf-eval <task-id>，从 evals/benchmarks/tasks.json 读取任务。先按通用 AI 方式生成基线代码，再读取 skills/<skill>/SKILL.md 及其引用生成技能版代码，最后依据 evals/benchmarks/rubric.md 与 judge-prompt.md 打分。评分维度为 Security、Governor Limits、Bulkification、Patterns、Completeness，各 0-5 分，满分 25。输出对比表并给出提升点数与百分比；运行全部任务时输出汇总表，完整报告保存到 evals/benchmarks/results/BENCHMARK.md。
- 静态检查：输入 /sf-eval --check <file> 或 /sf-eval check <file>，运行 bash evals/checks/static-checks.sh <file> 并展示结果。
- 自定义代码评分：对用户提供的代码按同一 25 分标准评分，并引用相关技能给出改进建议。
基准任务覆盖 Apex 触发器批量、Batch Apex、REST API、Callout 服务、测试类、HttpCalloutMock、SOQL 查询与动态搜索、LWC 记录列表、Flow 自动化、安全审计、元数据生成、CI/CD、数据迁移、平台事件等。
限制：基线生成需刻意采用通用 LLM 写法（如 public class、跳过 WITH USER_MODE 与 stripInaccessible、逻辑直接写在触发器内等），以体现无领域知识的典型输出；具体安装与运行环境要求资料未提供。