prompt-evaluator 是一个供 Claude 在执行过程中读取的参考型技能，主要解决两类问题：一是分析开发者使用 Claude Code 的方式，二是评估和优化具体提示词的质量，以及检查提示词的输出稳定性。
一、使用分析模式 触发方式为 /prompts:evaluate [--days N]，执行 node "${CLAUDE_PLUGIN_ROOT}/scripts/metrics/evaluate-prompts.cjs" --days 7。该模式从 .claude/metrics/prompts/{date}.jsonl 读取提示词日志，报告意图分布、功能利用率、复杂度画像、改进建议和使用评分（0-100）。若暂无数据，说明 prompt-logger 钩子会自动收集，需在若干次会话后重试。
二、提示词质量评估模式 触发方式为“评估这个提示词”“优化这个提示词”或用户直接粘贴提示词请求评审。流程分四步：
- 分类：推断意图、任务类型（coding/creative/RAG/agent/reasoning）、约束（格式、语气、工具）与目标模型。
- 打分：在清晰度、指令质量、效率、鲁棒性、输出对齐五个维度各按 0-10 评分。校准标准为 0-3 差、4-6 可接受、7-8 好、9-10 优秀。
- 检测问题：列出可能引起错误输出的歧义、缺失的约束、冗余指令、幻觉风险、结构薄弱、token 浪费等具体问题。
- 优化：输出两个改写版本——最小修复版（保留结构，只修问题）和生产版（针对 token 效率与确定性全面优化）。 输出为 JSON，包含 task_type、总分 score、五维 breakdown、issues、suggestions，以及 optimized_prompt 下的 minimal 与 production 两个版本。
评估原则包括：原则胜过清单（3 条清晰规则优于 20 条模糊规则）；展示而非讲述（一个示例胜过一段解释）；需要可解析输出时用 JSON/TOON/表格等结构化格式；删掉模型已知道的内容；只约束会变化的行为；关注 token 预算。
三、输出方差检查模式 当用户怀疑提示词不稳定，或在将提示词投入生产前，可用该模式。做法是在独立上下文中用相同输入运行提示词 3 次并比较输出。方差水平等于多次运行中不一致内容所占百分比：低于 10% 为 STABLE（可直接使用）；10-30% 为 LOW VARIANCE（轻微差异，通常可接受）；30-60% 为 UNSTABLE（需增加约束以减少歧义）；高于 60% 为 CHAOS（使用前需重写）。检查维度包括结构（章节、格式、顺序是否相同）、关键事实（数字、名称、文件路径）、决策（结论或建议）、格式（JSON 键、表格表头）。文档给出的示例中，“Review this PR and list issues”运行 3 次方差为 42%（UNSTABLE），原因是未约束问题类别与严重度阈值，建议改为“List issues at severity >= warning. Categories: security, correctness, performance. Skip style/formatting.”。
适用场景：在提示词将反复运行（自动化、CI、面向客户）前使用；用户反映“有时输出 X、有时输出 Y”时使用；在锁定技能 SKILL.md 内容前使用。成本为单次运行的 3 倍，对将运行 50 次以上的提示词值得。
文档还列出应标记的反模式：删除“You are an expert...”（模型能力由模型选择决定）；删除“Please note that...”等填充语；将“It is important to always...”改写为直接指令；同一规则在多处重复应去重；删除对 JSON 是什么的解释；琐碎任务不必写分步。
限制：使用分析模式依赖本地提示词日志，无数据时需等待日志积累；技能本身未提供安装步骤、收费或平台支持范围等信息，暂未提供。