用途：对比 MCP 工具在目标版本与基线版本间的行为差异，通过预置故事和自定义故事运行，结合 diff 分诊识别回归。
主要能力：解析 --baseline（必填）、--agents、--stories、--all-stories、--keep-container、--model 等参数；对 src/ha_mcp/ 做 git diff 并按工具模块、核心代码、工具类分类；从 tests/uat/stories/catalog/s*.yaml 选择预置故事，并至少设计 1 个自定义故事写入 /tmp/custom_c<NN>.yaml；分别在基线与目标版本运行故事，用 ha_query.py 逐条验证；读取会话文件做白盒工具调用分析；按评分矩阵给出 pass/partial/fail/unverified，并比较计费 token、工具调用数、时长等指标；最后更新 local/uat-results.jsonl 并输出报告。
使用方式：工作目录须为 worktree/uat-stories 工作树根（含 pyproject.toml）。示例：/bat-story-eval --baseline v6.6.1；/bat-story-eval --baseline v6.6.1 --agents gemini,claude；/bat-story-eval --baseline v6.6.1 --stories s01,s02；/bat-story-eval --baseline v6.6.1 --all-stories --agents claude --model haiku。运行故事用 uv run python tests/uat/stories/run_story.py，验证用 uv run python tests/uat/stories/scripts/ha_query.py，工具描述大小用 uv run python tests/uat/stories/scripts/measure_tools.py。
适用场景：MCP 工具版本升级前的回归评估、工具选择与错误恢复能力对比、token 成本变化排查。
限制：--baseline 必填；需先跑预置故事再跑自定义故事；每条故事运行后须立即验证；容器需复用；自定义 YAML 放 /tmp/；计费 token 等次要指标仅作参考，不单独判定失败；KV 缓存未命中属提供方行为，非代码回归。