用途：为智能体技能（agent skill）创建以 LLM 作为评判者（LLM-as-judge）的行为评测。触发场景包括为技能编写测试、添加评测、测试技能等。
产出结构：在技能目录下生成 <skill>/tests/eval.sh（评测框架，来自模板）与 <skill>/tests/golden_examples.yaml（测试场景）。
工作流程：
- 理解技能：阅读目标技能的 SKILL.md 及补充文件，识别核心行为、异常/边界情况、警告的反模式、决策边界。
- 编写 golden examples：按 references/golden-examples-schema.md 的 schema 创建 YAML，每个行为类别约 2-3 个场景（通常共 8-15 个），用 YAML 注释分组。查询须明确无歧义并写明上下文；预期行为须能用一句话验证；反模式聚焦主要动作；优先窄而具体的查询；多阶段技能每个场景限定一个阶段；命令路由类技能用 expected.tool_calls，行为类用 expected.behavior。
- 从模板创建 eval.sh：复制 templates/eval.sh 到 <skill>/tests/eval.sh，仅定制配置块，包括 SKILL_NAME、SKILL_FILES、EVAL_BACKEND_VAR、EVAL_MODEL_VAR、AGENT_INSTRUCTION。行为类与命令路由类有各自推荐的 agent 指令写法。
- 校验：使用 bash -n 做语法检查，--dry-run 检查提示，--id 跑单个场景，再全量运行并迭代。使用 --backend opencode 时建议在临时目录运行。
评测失败排查顺序：先检查技能措辞、再改 golden example、再调整预期行为、最后才改评判提示词，不要把评判器全局放宽。
模板功能：支持 --backend claude（默认）或 opencode 多后端；支持 --id、--tag、--dry-run 过滤；依据 expected 字段自动选择命令路由或行为评判；输出会清理 ANSI 码和 system-reminder 标签；参数校验与临时文件安全删除；暴露 CLI 错误并检测空响应。
限制：LLM 非确定性导致部分场景约 1/5 次失败，可接受单场景失败率低于 20%，超过则需修正。资料未提供收费、价格与平台等信息。