用途：评估 Ralph 的帽子集合预设。适合在预设配置变更后测试、审计预设库质量、验证新预设、或修改帽子（hat）路由逻辑后使用，通过 shell 脚本直接调用 CLI，不引入元编排复杂度。
主要能力：脚本会对每个预设加载测试任务（来自 tools/preset-test-tasks.yml，需 yq）、生成合并配置、以 --record-session 运行 Ralph 采集指标，并保存输出日志、退出码与耗时。产物写入 .eval/ 目录，包含 output.log、session.jsonl、metrics.json、environment.json、merged-config.yml 及 latest 软链；全量脚本还会生成 SUMMARY.md 与各预设 JSON。共评估 12 个预设（如 tdd-red-green、adversarial-review、api-design、migration-safety 等），每个预设对应固定测试任务。
使用方式： 单预设：./tools/evaluate-preset.sh tdd-red-green claude 全量：./tools/evaluate-all-presets.sh claude 第一个参数为预设名（不含 .yml），第二个为后端（claude 或 kiro，默认 claude）。 通过 Bash 工具调用时建议 timeout: 600000 且 run_in_background: true，因评估可能运行数小时，需用 TaskOutput 定期查看进度。
结果解读：退出码 0 表示成功（达到 LOOP_COMPLETE），124 为超时，其他为失败需查 output.log。metrics.json 含 iterations、hats_activated、events_published、completed。重点验证帽子是否每次迭代获得全新上下文：正常应每顶帽子各占一次迭代，若出现同迭代内多顶帽子切换即为错误（上下文臃肿）。可用 grep 统计迭代数与事件数，迭代数≈事件数属正常，迭代数远小于事件数说明存在同迭代切换。
限制与前置条件：需要能构建 Ralph 的 Cargo 环境；yq 为可选（brew install yq），用于从 YAML 加载测试任务。修复流程需借助 /code-task-generator、/code-assist 等子代理，具体实现细节依资料而定。其他平台支持与收费信息暂未提供。