用途：评估对技能（skills）和 CLAUDE.md 文件的修改是否改善或损害 Claude 的运行表现，尤其适用于精简或重构指令内容之后。
主要能力：提供两种模式。抽查模式为交互式，在 Claude Code 新会话（无累积上下文）中按 references/test-cases.md 的用例逐条提问，对照预期行为标记 Pass/Partial/Fail 并记录失败模式，重点识别静默缺口、路由失效、约束漂移。自动化模式由 scripts/run-eval.py 驱动，自动发现所有 tests.yaml 并向 Anthropic API 发送探针。
使用方式：先安装依赖 pip install anthropic pyyaml，再运行 python .claude/skills/instruction-eval/scripts/run-eval.py。可用 --skill app-template 或 --skill repository 只跑单个技能，--category constraint 跑某类探针，--list 仅列出，--json > eval-report.json 输出供 CI 使用。测试文件位于 .claude/tests.yaml（CLAUDE.md 行为测试，前缀 REPO-、INFRA-、K8S-、GHA-）及各技能目录下的 tests.yaml（如 APP-、EVL-）。评分规则：PASS 为必需关键词全部匹配且至少一个 any_of 匹配且无禁用词触发；PARTIAL 为部分必需关键词缺失需人工复核；FAIL 为必需关键词缺失或出现禁用词。
适用场景：为技能或 CLAUDE.md 改动创建 PR 前、大批量修改后、每月例行检查、用户反馈 Claude 行为异常时。
限制：资料未提供具体价格、平台支持范围及探针数量等细节。