用途：评估一个技能包是否真正改善产出，而不是仅凭标题、声称的流程或看似完整的报告给分。
输入要求：必须指定唯一目标（<INDEX name> 或 subject_path: <path>）；phase 为 calibrate 或 verify；一个带适配器的 surface（codex、claude-code、cursor、opencode、cline）及确切模型名；evals/evals.json 以及可解析的旧技能或无技能基线。用 scripts/hash-skill-package.mjs 对完整目标包做哈希，所有终态结果只属于该哈希，包变更需重跑。
安全：目标保持只读；改文件任务只在 .skill-eval-runs/ 下的一次性副本中运行；对 push、PR/issue 创建、支付、迁移、生产服务等边界做 mock；无安全夹具时返回 INCONCLUSIVE。不得编辑目标、提交、推送、全局安装或接触真实外部系统。
运行：先读 references/run-protocol.md，校验评测定义；为每个用例分别创建基线与目标工作区，用相同提示、夹具、适配器、模型、权限和限制运行，且各自从干净会话开始。使用 scripts/run-harness-eval.mjs --adapter <id> ...，适配器只负责把通用运行翻译为 harness 命令并解析输出。机械断言用确定性检查，语义质量用两份产物的盲比；每条断言和评分都存简短证据文件。verify 阶段按 references/evidence-contract.md 构建结果，并对当前目标路径运行 scripts/compute-eval-verdict.mjs。不得跨适配器或模型比较 token 数；缺失 token 遥测记为不可用，不猜测也不自动判为 inconclusive，产物质量仍可证明提升；时长只报告，本身不证明提升。
校准：运行配对并提出断言，但不给出终态结论；拒绝在明显错误产物上也能通过的断言；断言集需人工或独立评审批准后才加入草稿。
触发检查：MVP 从包推导触发要求，仅显式技能不要求自动激活检查，隐式技能要求；原生触发追踪验证尚未实现，因此隐式技能无法从本 MVP 获得终态 PASS，应记为 NOT_RUN 并返回 INCONCLUSIVE。Cursor 也使用显式提示上下文而非原生技能加载。
结论：PASS 需所有断言通过、无产物回退、所需触发检查通过，且至少一项产物评分或观测到的 token 对比优于基线；FAIL 为断言、范围边界、触发检查或产物评分失败或回退；NO_LIFT 为两者都通过但目标无实测价值；INCONCLUSIVE 为基线、当前哈希、安全执行、所需触发、运行追踪、断言证据或评分证据缺失或不一致。FAIL、NO_LIFT、INCONCLUSIVE 都不构成接受或提交该修订的理由。
停止：返回一个校准产物或一个终态结论后停止；评测不授权代替人类修复、提交或接受结果。