用途：用评测驱动的实验循环自动优化 LLM 提示词。智能体反复编辑 prompt.md，对带标签的样例集运行评测，保留得分提升的改动、回退导致退化的改动，最多迭代 10 次。
主要能力：按 eval_set.jsonl 中的 expected_* 字段计算逐字段准确率，支持 --weights 自定义加权；输出 score、各字段准确率、cost、latency_ms、errors、total；支持自定义提示词、评测集与模型。
使用方式：进入 skills/autoresearch-prompt 后执行 uv sync 安装；运行 uv run -- autoresearch-prompt evaluate（需 ANTHROPIC_API_KEY）；可加 --prompt、--eval-set、--model 参数；默认模型与定价见 src/autoresearch_prompt/models.toml，可用 AUTORESEARCH_MODEL 环境变量覆盖；也可将 JSON 通过 stdin 管道传给 classify。
结构：prompt.md 由智能体编辑，eval_set.jsonl 为 20 条标注样例（不可编辑），program.md 为循环指令，results.tsv 记录得分历史，src/ 为评测工具。
限制：评测集格式为约定式 JSONL，非 expected_* 键作为输入渲染进 {{key}}，expected_* 键为评分输出；字段缺失则跳过，无可比较字段时准确率记为 1.0。其他平台支持、收费与效果数据暂未提供。