Skill Evaluator 是一个用于评估 Agent Skill 的评估方法类技能。其核心主张是：从证据出发判断 Skill，而不是根据外观整洁度或自信程度下结论。
用途 该技能面向需要系统验证 Skill 是否真正可用的开发者。资料指出，开发者常通过阅读 Skill 就假设其可用，或只跑一个临时提示词就宣布成功；缺少带留出集的多维系统评估，回归风险和边缘用例失败往往直到部署才暴露。目标状态是通过可证伪的二元断言，覆盖激活、遵循、抗压与可移植性，并进行独立的修改前后评分。
证据状态 每个结果必须是以下之一：OBSERVED（由已执行运行产生）、DERIVED（由观察证据确定性计算）、INFERRED（从静态材料推理）、PROPOSED（测试尚未执行）。不得把 PROPOSED 或 INFERRED 转为通过。
评估维度 独立评估：Discovery（正确激活与不激活）、Clarity（指令导向明确的重要行为）、Structure（上下文放置与加载是否恰当）、Robustness（边缘用例与压力下行为是否存活）、Completeness（关键前置条件、门禁、证据、失败与完成条件是否存在）、Outcome（结果是否真正满足用户任务）、Efficiency（是否增加不必要的工作或上下文）、Portability（宿主声明是否与已测试或结构验证的能力一致）。在适用时使用 ../skill-conductor/references/quality-questions.md 中的 BinEval 问题与 ../skill-conductor/references/bineval-method.md 的方法规则。
使用方式（步骤概述）
- 冻结候选：在测试前记录确切的 Skill 版本或内容哈希，收集基线结果期间不编辑候选。
- 构建测试库：包含正向激活、隐式激活、接近的负例、冲突用例、核心行为用例、边缘用例、失败路径用例、纪律规则的压力用例、既往修复失败的回归用例，以及每个声称已测试宿主的宿主特定用例；关键行为必须有明确的二元断言。
- 建立基线：CREATE 时在可执行情况下使用相同提示但不加载 Skill；IMPROVE 时使用冻结的父版本；比较用例应在时间和环境上足够接近以减少漂移；无法隔离时披露限制。
- 执行并取证：使用活动宿主的真实执行能力，至少捕获提示、Skill 版本、已知时的宿主/模型、输出、相关工具证据、断言结果、失败说明、暴露时的计时/token 数据；不得编造不可用遥测。
- 判定前先批判：对每个二元问题引用相关证据、简要解释失败或成功，然后才给是/否；尽量对逐题评判者隐藏总体门禁，避免阈值知识偏置答案。
- 运行压力测试：阅读 ../skill-conductor/references/pressure-testing.md，针对脆弱规则构造带有竞争激励的场景（如速度、用户坚持、歧义、既有投入、便利或看似无害的例外），修复形式与失败类别匹配。
- 控制方差：不要把一次噪声翻转当作持久改进；重要临界用例在新上下文中复现；候选编辑需对留出用例做回归检查。
- 门禁改进：仅当没有新的关键失败、留出断言没有可复现回归、目标训练失败有所改善、编辑未产生新的激活冲突时接受候选改进；每轮优先最多三个原子编辑以保持因果可归因。
- 必要时盲比版本：大改动时将输出去掉版本标签以 A/B 形式呈现给比较者，对两者判断相同二元结果问题，判定后再揭盲。
输出契约 返回：确切候选标识、执行覆盖、未执行覆盖、各维度结果、关键失败、激活误报/漏报、回归变化、方差警告、证据支持时的接受/拒绝改进判定、下一步最小编辑目标。未执行行为测试时使用状态 STRUCTURAL_ONLY。
适用场景与限制 适用于 Skill 的创建验证与改进评估、激活行为测试、规则抗压测试和版本回归比较。限制包括：需要真实执行能力与证据采集；无法隔离环境时只能披露限制；不得编造遥测数据；未执行行为测试时只能给出 STRUCTURAL_ONLY 的结构性结论。