用途：Codebase Arena 用于针对特定代码仓库设计、运行并评判中英双语代码库能力基准。每个请求只路由到一个工作流：生成/修订用例（references/workflows/generate.md）、在被评估产品中执行（references/workflows/execute.md）、评判结果并生成对比报告（references/workflows/report.md）。跨工作流时按生成、分别在每个产品执行、再由独立智能体评判的顺序进行，且不得让执行上下文自行评判。
主要能力：每个赛道固定 15 个用例，覆盖 code_retrieval、architecture_conventions、behavior_workflows、dependency_impact、bug_diagnosis 五个能力维度，每维各含一个主 grep-glob-read、codebase-index、hybrid 用例。新生成版本使用 blueprint schema v4，用例固定 generationLoad: none，仅生成只读任务（retrieve_explain、impact_analyze、diagnose），拒绝 verify、test_design、implement、refactor 等开发交付。所有可读的过程产物、用例提示、检查与报告需产出语义对等的中英双版本，中文独立自然书写，H1/H2/H4 审批前须跑确定性双语校验。路径一律使用相对于声明工作目录或产物根目录的相对路径，禁止绝对路径。公开用例留在被评估仓库内，私有证据、评分标准、隐藏测试与评判输入置于其外。
使用方式：执行时每个用例创建一个无继承上下文的全新 case-coordinator 子代理，每次尝试再由其创建一个全新 worker 子代理，直接在被评估项目的实时环境中运行，同一时间只跑一个用例，worker 提示仅用英文并只获得当前用例。每次工作前记录 startedAt、完成后记录 completedAt（秒级 UTC），保留 execution-result.json 并输出 final-response.md（仅 Markdown）。执行前完成依赖安装，首个用例前建立可恢复的项目快照，每个 worker 返回后由该用例协调者冻结状态、确定性回滚并清理 .codebase-eval-worker，快照/回滚/清理出错则终止整轮。每个系统×用例只给一个 0–10 分（0.5 步长），报告据不可变计时证据做有界时长调整。评估根固定为相对被评估仓库根的 .codebase-eval。
适用场景与限制：适用于在真实仓库上对编码产品进行人工复核的双语能力基准评测。仅支持原生仓库与纯代码两条赛道。不询问用例数偏好，不引入第二结果或独立代码/实现/速度分数，generationLoad 仅作元数据。不收集思维链，不保留完整检索轨迹，跨机器传输不在范围内。修改协议脚本或 schema 后运行 node scripts/self-test.mjs。维护技能包时用 scripts/skill-metadata.mjs 生成或校验 agents/openai.yaml。其余如价格、支持平台等信息暂未提供。