用途：当王建硕修改了 VoiceDrop 挖矿系统提示词（agent/src/prompts/mine.js 中的 MINE_SYSTEM），想用数据判断改好还是改坏，而非凭感觉看一两次时使用。被测对象为 MINE_SYSTEM，git 作为版本库；运行时为本地 Claude Code，harness 为本 skill 协议加 jianshuo.dev agent/eval/ 的脚本与数据。
流程：一，把候选 MINE_SYSTEM 文本写入临时文件，如 /tmp/cand-prompt.txt，冠军版由脚本自动读取当前 mine.js。二，跑产出：cd ~/code/jianshuo.dev/agent && CLAUDE_API_KEY=$CLAUDE_API_KEY node eval/run-eval.mjs /tmp/cand-prompt.txt <runId>，结果落 eval/runs/<runId>/；若终端出现确定性回退警告应先停止，多为候选提示词破坏了 JSON 输出。三，成对盲评：对每条 fixture 派发 subagent，喂 references/judge-rubric.md、该 fixture 的 transcript 与两份产出；A/B 顺序随机并记录映射，收到结果后还原为 champion/candidate；裁判模型须与生成模型（opus）不同家族，收集每条 {winner, dims, reason}。四，聚合：把还原后的 verdicts（winner ∈ candidate/champion/tie）与候选 proxyFails 喂 aggregate()，渲染 renderReport() 写入 eval/runs/<runId>/report.md。五，人工终审：把胜负最接近、分歧最大的 1–2 条产出并排交给用户，机器只筛掉明显更差的，文风最终由用户定。六，晋级：仅当 decision==="promote"（胜率 ≥70% 且无回退）且用户点认可时，将候选写回 mine.js 的 MINE_SYSTEM，commit 并附 runId 与胜率，随后跑 npm test 确认未破坏；否则保留报告、不动生产版。
限制：只评挖矿提示词（MINE_SYSTEM/MINE_SYSTEM_FORCE），审核与语音编辑提示词属不同 eval 模式，不在本 skill 范围；不测成本、缓存与延迟，本地缓存行为不等于生产；不做无人值守；真实金标集需 ≥10 条才可信，种子 2 条只够自测流程。其余细节暂未提供。