用途：为 Agent Skill 设计并执行评测，包括 realistic eval cases、positive/negative trigger 与 regression case；用 skill-up 验证和运行评测并解释结果与限制；选择 deterministic、script 或 semantic judge，区分 benchmark 与 version regression。
主要能力：识别关键行为与证据维度（Outcome、Process、Style/Quality、Efficiency）；设计 HAPPY、INCOMPLETE、EXPLICIT_TRIGGER、IMPLICIT_TRIGGER、CONTEXTUAL_TRIGGER、NEGATIVE_TRIGGER、BOUNDARY、REGRESSION 用例；按确定性优先选 rule_based，可执行工件用 script，仅需语义判断时用校准后的 agent_judge；判断 Eval validity，区分 Skill Defect、Eval Defect、Infrastructure Defect 与 Unknown。
使用方式：读取 Skill 契约、已有 evals/、历史失败和变更范围；运行 skill-up validate，有授权凭据和目标时再运行 skill-up run 或本地 trace runner；记录 run metadata、trace、judge、产物和限制；默认输出简洁 Markdown 评测报告，用表格呈现 case 结果和 evidence state，下游需要机器可读结果时才输出 JSON。
限制：skill-up 是主 Eval Engine，trace checks 仅为深证据层；不能把输出相似度写成 observed trigger，缺少 skill.selection trace 时标记 BLOCKED；skill-up validate 不是 runtime 语义验证；不自动修改 Skill 或无限优化；不混淆 Benchmark 与 Version Regression；值未知写 unknown，证据不足保留 NOT_RUN、UNASSESSED、BLOCKED 或 INSUFFICIENT_EVIDENCE；即使输入极少也先输出最小报告骨架。完整契约见 prompts/skill-evaluation.md。