用途：分析智能体执行日志，找出浪费的工具调用、错误转向、无效探索与重试循环，帮助以更少轮次、更少 token、更短时间达成目标。
硬性规则：先推荐，不改动。未经用户同意，绝不修改 harness、模型、推理强度或权限策略；这些属于项目所有者的成本与能力决策。应诊断、解释权衡并给出建议，然后等待批准。
主要排查项：错误转向、无效探索、不必要的工具调用、缺失上下文、工具选错、过度读取、输出啰嗦、重试循环。
诊断流程：
- 获取执行记录：eve job diagnose <job-id>；eve job show <job-id> --verbose；eve job receipt <job-id>。关注输入 token、输出 token、尝试次数、耗时。
- 回放日志：eve job follow <job-id>（实时）；eve job logs <job-id>（历史）。逐个判断工具调用是否推进目标、可否避免、工具是否合适、范围是否恰当。
- 绘制关键路径：找出真正必要的工具调用，量化生产性与浪费占比。
- 定位根因，多数修复落在 SKILL.md：写明目标、具体文件与路径、明确做法、禁止事项、输出格式、已有上下文、分支决策树，并保持简短。
- 改写后重跑对比：eve job compare <old-job-id> <new-job-id>。
其他可调杠杆（均需用户批准）：harness 与模型、权限策略、资源引用、Git 控制、任务范围、团队协作。
输出建议使用优化报告：目标、结果、效率评分、浪费分类、建议改动、预期提升。
限制：不做未经验证的改动；费用、模型能力等权衡由用户决定；资料未提供具体价格与平台细节。