用途：Improvement Evaluator 衡量一个 Skill 是否让 AI 在真实任务上表现更好，而非只看 SKILL.md 文档结构。内部基准显示文档结构评分与执行通过率之间 R²=0.00，因此需要执行测试。
主要能力：按 YAML 任务集运行任务并判定 pass/fail，产出 execution_pass_rate；与原始 SKILL.md 基线对比给出 delta 和 verdict；支持 per-task 明细、baseline 健康提示与 warnings；可通过 --baseline-cache-dir 缓存基线（7 天 TTL），--pass-k 默认 1。
任务集：YAML 格式，version 固定 "1.0"，含 5-10 个任务，每任务需唯一 id、非空 prompt 与 judge。判定器三种：contains（关键词全含，大小写不敏感）、pytest（测试文件须以 fixtures/ 开头，经 AI_OUTPUT_FILE 接收输出）、llm-rubric（按 rubric 打 0.0-1.0 分，过 threshold 即 pass）。确定性判定器更快更省，优先使用。
使用方式：pipeline 模式需 discriminator 的 ranking artifact，命令 python3 scripts/evaluate.py --input ranking-artifact.json --candidate-id cand-01-docs --task-suite task_suites/target-skill/task_suite.yaml --state-root /tmp/eval-state --pass-k 1 --baseline-cache-dir /tmp/baseline-cache --eval-threshold 6.0 --output /tmp/eval-result.json；standalone 模式用 --standalone --task-suite --skill-path --state-root --mock。输出 JSON 到 <state-root>/evaluations/<run-id>.json，含 execution_pass_rate、baseline_pass_rate、delta、verdict、逐任务结果、baseline_health、warnings、truth_anchor。verdict 在 delta>=0 时为 pass，候选 discriminator 分低于 --eval-threshold 时为 skipped。
适用与限制：适合验证 SKILL.md 修改、对比版本回归、为 improvement-gate 提供执行证据、独立开发期评估。不用于文档结构评分（用 improvement-learner）、候选语义打分（用 improvement-discriminator）或完整流水线（用 improvement-orchestrator）。执行测试每任务调用一次模型，成本高于结构检查；LLMRubricJudge 支持 --mock 本地测试。基线低于 20% 仅记录 warning 不中断。