用途：帮助向 stata-skill 项目（Claude Code 的 Stata 参考技能）做贡献，涵盖运行评测流水线、分析结果、基于数据改进技能文档。
主要能力：评测脚本 tests/eval.py 负责发送任务给 Claude 并评判回答；tests/rubric.md 为 7 类评分标准（满分 55）；tests/tasks/task_*.md 为 24 个测试任务；还有 runner-only 基线插件、结果目录与既有评测报告、ROADMAP.md、CONTRIBUTING.md。
常用方式（命令保持原样）： 单任务单次：python tests/eval.py tests/tasks/task_01_data_cleaning.md 单任务 5 次：--runs 5 保存基线：--save tests/results/my_baseline.json 对比基线：--compare tests/results/my_baseline.json 测试模式：--runner-only、--no-skill、--skill-path /path/to/modified/plugin A/B 测试：编辑前保存基线，编辑文档后重跑并对比，观察均分上升、标准差持平或下降、无新失败模式。 可并行运行多个任务，目录原子创建，但建议每批 3-4 个任务以免资源耗尽。
结果结构：每次运行生成 tests/results/run_NNN/，含 transcript.json、judge_findings.md、metadata.json、code_files/；聚合结果为 JSON 列表。
多智能体分析：跑完评测后派发 4-5 个并行 Sonnet 子智能体，分别做回归分析（技能反而更差）、冗余分析（技能无增量）、高方差分析（SD>10）、最大提升分析、图形/薄弱区分析，汇总修改建议：先修文档 bug，再补缺失陷阱与工作流，最后重跑验证。已有示例分析发现 4 处文档 bug、新增 3 个陷阱与 1 个工作流，并提出“锚定效应”。
费用（资料给出）：单任务 1 次约 $0.50-$1.50；5 次 $2.50-$7.50；全部 24 任务各 1 次 $12-$36；各 5 次 $60-$120；完整 A/B $120-$240；多智能体后测分析 $3-$8。建议先用 1-3 个相关任务小规模验证。
限制：评测消耗 API 额度，须先小规模再放大；具体环境依赖、安装步骤、支持平台等资料暂未提供。