用途：评估 KRT 技能组合的行为表现，用确定性校验与人工监督评分替代不透明的自动评判。
主要能力：
- 确定性语料检查：对 references/cases.json 与 references/expectations.json 运行 scripts/check_corpus.py，并在结果中保留语料版本与摘要。
- 监督评分：每个观察到的用例由监督者记录恰好一个 pass、fail 或 inconclusive 结果，证据保存在状态字段之外。
- 评分聚合：运行 scripts/score_run.py <results.json> 校验语料身份并汇总判断，不把 inconclusive 转成 pass 或 fail。
- 组合校验：新增或修改技能后运行 scripts/check_portfolio.py --repo-root <repo>。
使用方式：处理提示、输出、轨迹或工具日志前先加载 references/safety.md；准备或评分运行前加载 references/evaluation-contract.md；将 references/portfolio.json 视为每个 KRT 技能的显式清单与安全分类。路由用例交给被评估运行时时不提供预期技能，能力用例则带上声明的目标技能；在运行时响应完成前隐藏预期行为。
输出报告：语料版本与覆盖率、pass/fail/inconclusive 计数、确定性通过率、按评估类别分组的失败、组合契约错误、评估器局限与证据位置。
限制：捆绑脚本仅作确定性校验与聚合，不调用模型、不执行用例内容、不判断响应是否正确。不能仅凭一次运行声称改进，需比较同类语料版本，并在评分产物之外记录运行时/模型上下文。