用途：评估 skill 在 9 个维度上的质量（accuracy、coverage、reliability、efficiency、security、trigger_quality、leakage、knowledge_density 及综合分），运行自动改进循环，追踪历史分数变化，诊断扣分原因，对比纯文本与带脚本 skill 的评分差异，并为 autoloop-controller 提供收敛判断数据。
主要能力：9 维正交评估，避免单一加权分掩盖偏科问题；accuracy 由 LLM judge 逐项做 yes/no 判断，与人工评估一致率约 85%，regex 相关性接近 0；Pareto front 保护，不允许任何维度回退；三层记忆 HOT（≤100，常驻高频失败模式）、WARM（无限，按 skill_id 索引历史结果）、COLD（归档，暂未实现）；输出含各维度 checklist 明细与每轮 diff、改前改后分数、kept/reverted/skipped 决策。
使用方式： 评估（默认 LLM judge）：python3 scripts/self_improve.py --skill-path /path/to/skill --max-iterations 1 自改进循环：python3 scripts/self_improve.py --skill-path /path/to/skill --max-iterations 5 --memory-dir /path/to/memory --state-root /path/to/state 追踪历史：python3 scripts/track_progress.py --skill-path /path/to/skill --output progress.json --mock 模式跳过 LLM 调用，纯规则评分，约 1 秒完成，accuracy 精度下降（与人工相关性约 30%），适合调试与 CI。
适用场景：skill 质量评分与回归检测、自动改进循环、扣分定位、趋势分析。
限制：不用于候选语义打分（用 improvement-discriminator）、全流程编排（用 improvement-orchestrator）、单文件修改（用 improvement-executor）、任务执行效果验证（用 improvement-evaluator）。LLM judge 每次约消耗 2000-4000 tokens；COLD 层尚未实现。具体收费与平台信息暂未提供。