用途：Eval Harness 是面向 Claude Code 会话的正式评估框架，落地评估驱动开发（EDD）理念，把评估视为“AI 开发的单元测试”，在实现前先定义预期行为，开发中持续运行评估并跟踪回归。
主要能力：区分两类评估。能力评估（CAPABILITY EVAL）检验 Claude 能否完成此前做不到的任务，含任务描述、成功标准与预期输出；回归评估（REGRESSION EVAL）确保改动不破坏既有功能，含基线（SHA 或检查点）与既有测试的 PASS/FAIL 结果。提供三类评分器：基于代码的确定性检查（如 grep 校验模式、npm test、npm run build）、基于模型的评分（用 Claude 评估开放式输出并给出 1-5 分与理由）、人工评分（标记需人工复核的改动及风险等级）。指标包括 pass@k（k 次尝试中至少一次成功，如 pass@1、pass@3，常见目标 pass@3 > 90%）与 pass^k（k 次全部成功，用于关键路径，如 pass^3）。
使用方式：工作流为定义、实现、评估、报告。实现前用 /eval define feature-name 在 .claude/evals/feature-name.md 创建评估定义；实现中用 /eval check feature-name 运行当前评估并报告状态；实现后用 /eval report feature-name 生成完整评估报告。评估文件存放在项目的 .claude/evals/ 下，含定义、运行历史日志与回归基线。
适用场景：为 Claude Code 开发的功能建立可重复的成功标准，跟踪可靠性趋势，在改动中及早发现回归，尤其适合需要明确验收标准与回归保护的功能开发。
限制：资料未提供安装方式、收费、平台支持范围与具体性能数据；安全相关检查建议保留人工复核，不应完全自动化；评估应保持快速，否则不易被持续运行。