用途：在多个 Claude 模型上运行任务评测（task evals），并排比较同一技能在不同模型上的表现，判断技能是否真正带来提升。
主要能力：默认测试 claude-haiku-4-5（快/便宜）、claude-sonnet-4-6（默认）、claude-opus-4-6（最强）。流程包括：定位 tile（查找 tile.json，排除 .tessl/ 缓存目录）、确认评测场景（evals/*/task.md）、验证登录（tessl whoami）、确认模型与运行次数、逐模型顺序运行评测、轮询完成状态、收集并比较结果、诊断解读、给出下一步建议。
必要用法：评测命令为 tessl eval run <path/to/tile> --agent=claude:<model> [--runs=<n>]；查看结果用 tessl eval view <id>；失败重试用 tessl eval retry <id>；生成场景可用 tessl scenario generate <path/to/tile> --count=3 与 tessl scenario download --last；发布用 tessl tile publish；改进可安装 tessl install tessl-labs/eval-improve。运行需先 tessl login。
结果呈现：输出总体对比表（Without Skill / With Skill / Delta）、按场景分解、按标准分解（✅≥80%、🟡≥50%、🔴<50%），并区分通用失败、能力梯度、单模型异常、回归等模式。
适用场景：评估技能在模型间的效果差异、发布前验证、定位需改进的指令。
限制：需已登录且存在打包好的 tile 与评测场景；不要在 .tessl/tiles/ 缓存目录内运行评测；不要并行运行，需顺序执行并记录 run ID；每个场景每模型约 10–15 分钟，N 个场景 3 个模型约 N×30–45 分钟；场景生成约每场景 1–2 分钟；建议发布前用 --runs=3 降低方差。其他细节暂未提供。