用途：当用户交来一个 dsh 插件仓库、一条版本走廊或一个真实迁移 commit，并希望把升级经验变成可执行评测（考题/case/benchmark task）时使用；也用于测试 AI 是否会按现有升级卡修改插件。目标是产出放在 ./benchmark/ 下的 Harbor 格式考题，遵循 BENCHMARK-AUTH-v1 执行契约，评分模型固定为每题 100 分。
主要流程分七个阶段。Stage 0 选材：确认迁移方向（git 历史中由 host 升级导致的必需改动）、可测性（容器内能装上并冷启动得到确定信号）、是否已有对应升级卡；纯自研重构或无宿主侧断裂的 commit 不成题。Stage 1 骨架与命名：任务目录 tasks/<id>/，前缀 S（静态只读）/M（迁移可改）/H（hands-on 陷阱），编号接该系列现有最大值，含 instruction.md、task.toml、environment/（Dockerfile 与 fixture）、tests/（test.sh、judge.mjs、judge-utils.mjs）、solution/（solve.sh、SOLUTION.md、plugin/）。Stage 2 fixture 构造：必须 private:true，README 首行标注“exam material only, do not publish”，坑须来自真实迁移，坏必须可观察。Stage 3 judge 设计：三段式（Gate 静态 运行时），锚为宿主侧信号，如 plugin tree failed / pending / MISSING_CREDENTIAL / DSH_BOOT.entries。Stage 4 oracle：solution 覆盖进 fixture，SOLUTION.md 写明 Reference Changes、The Point、Grading Boundary。Stage 5 四连注册表同步（README、scoring.md、validate-execution-contract.mjs、卡引用）。Stage 6 校验与 oracle 自检：node scripts/validate.mjs、validate-task-registry.mjs、validate-execution-contract.mjs，以及 harbor run -p benchmark/tasks/<id> -a oracle 须得 1.0。
必要命令：Dockerfile 固定 FROM node:24-bookworm，npm install -g pnpm@11.24.0 @deepseek-ai/dsh@0.1.2-alpha.2，版本与现有任务一致，勿改。judge 只使用 bench-<task> profile 与 /tmp/bench-<task> 并在 finally 清理。
适用场景：为 dsh 插件升级技能构建评测集、验证升级卡有效性、生成负例矩阵。限制：无浏览器容器只能判 boot 图条目或 HTTP 状态，client 运行时行为不判；harbor CLI 在本机沙箱可能装不上，需用 docker 手动等价路径验证；卡引用须为全 ID 且链接可解析。选择分类为编程与开发。