用途：评估某个技能（skill）的有效性。它运行行为测试用例，并按断言对结果评分，用于判断技能是否产生正确指导、在合并前验证技能改进、与基线做基准对比，或为新技能创建评估用例。
主要能力：解析 plugin-name/skill-name 路径并读取 SKILL.md；先运行结构预检查（bash scripts/plugin-compliance-check.sh <plugin-name>），结构不合格则停止；加载或生成 evals.json 评估用例（含正常路径、边界、极限场景，字段有 id、description、prompt、expectations、tags）；按 --runs N 重复运行，通过 Task 子代理执行评估提示并记录 transcript.md 与 timing.json；用 --baseline 在不加载技能内容的情况下并行运行以形成对照；由 eval-grader 代理评分生成 grading.json；最后汇总平均通过率、标准差、平均耗时及基线差值，写入 eval-results/benchmark.json 并打印汇总表。
使用方式：以 /evaluate:skill 调用，参数为 <plugin/skill-name>（必填），可选 --create-evals、--runs N（默认 1）、--baseline。辅助命令包括 inspect_eval.sh、prepare_run.sh、aggregate_benchmark.sh。
适用场景：技能开发与维护中的回归验证、改进前后对比、基准测试。
限制：需要技能具备可解析的 SKILL.md 与结构合规；无 evals.json 且未加 --create-evals 时无法评估；评分依赖 eval-grader 代理与断言质量；资料未提供具体收费、平台支持范围与效果保证。