用途：为某个技能建立小型、真实的评估，衡量脚本无法确定的行为——技能是否该触发时触发、不该触发时保持安静，输出是否有效，是否在时间预算内。核心理念是“评估是一个文件夹，不是框架”。
主要能力：在目标技能（含 SKILL.md 的目录）旁生成 evals/ 工件，包含用例、运行脚本与记分卡；支持 invocation（触发）、validation（校验）、duration（时长）等维度；可对分类门做专项测试，输出准确率与混淆矩阵记分卡。
使用方式：脚手架命令为 python3 "${CLAUDE_SKILL_DIR}/scripts/scaffold-evals.py" <target-skill-dir>，随后在 evals/cases.md 填入 3–5 个真实用例（含至少一个不应触发的安静用例）。先跑 python3 <target-skill-dir>/evals/run.py --dry-run 检查用例能否解析，再跑 python3 <target-skill-dir>/evals/run.py 实际运行（会调用 claude -p）。测试分类门时加 --classify，填入 evals/classify-cases.md 的标签、门的指令与带标注的真实样例，再跑 python3 <target>/evals/classify.py 得到准确率与混淆记分卡。
适用场景：需要验证技能触发时机、输出有效性与时间预算，或测试技能开头的分类门（如区分缺陷与需求）。
限制：运行脚本需要 python3 与 claude CLI，可能受操作系统限制；技能评估会运行模型，结果并非逐字节一致，这种方差正是被测量的对象；不应评估确定性脚本已能保证的内容（应改为单元测试脚本）。若脚本无法运行，可用任意可用工具手动运行用例并统计记分卡。