用途：把技能当作待测函数，用示例输入在干净环境中运行，检查产物是否符合标准，并让失败驱动修改。评估必须盲跑：执行技能的代理不能携带当前对话上下文，也不能看到预期输出。
必要输入（缺一不可）：目标技能，须能解析到真实的 SKILL.md；至少一个黄金用例，即技能实际会收到的具体输入（截图、提示、文件、场景）；每个用例的标准，即好产物应达到的结果与坏产物的迹象，而非穷举清单。若缺少或无法解析，应停止并告知用户缺哪一项及合格版本的样子，不得编造用例或猜测意图。
工作流：先校验输入并明确技能的第一性原理与评估模式（判断型或符合型）；再锐化每个用例的标准；然后每个用例用一个全新代理盲跑，隔离运行，优先从运行者最终消息中捕获产物，必要时给一次性沙箱目录，运行后检查并清理主检出；接着由独立评审依据产物、标准和技能第一性原理评分，须引用具体证据；对重要或边界用例重复盲跑 2–3 次报告通过率；将失败诊断为技能缺陷或坏用例，并对照 write-skills 的失败模式命名；通过 write-skills 修订，只改失败指向之处；重新评估全部用例，循环至达标或证明技能结构上无法表达该用例。
输出：简短报告，含每个用例的通过率与引用差距、失败映射的缺陷、所做修改（或待批准差异）及重评结果。
限制：盲跑不可妥协；测判断而非符合；隔离是尽力而为，清扫才是保证；每个用例每次运行使用全新代理；按标准评分而非互相比较或数字分数；不要为通过无法辩护的用例而扭曲技能。