用途：Agent Evaluation 是一个 LLM-as-judge 评估框架，用于对 AI 生成内容做系统化质量验证。核心原则是：在声称任务完成之前先做质量核验。适用时机包括：标记任务完成前（配合 verification-before-completion）、生成计划后评估计划质量、代码评审输出后评估评审质量、反思周期中评估智能体响应、以及比较多个智能体输出。不适用场景：二元通过/失败检查（改用 verification-before-completion）、安全审计（改用 security-architect）、语法/lint 检查（改用 pnpm lint:fix）。
主要能力：对每次评估的 5 个维度按 1-5 分打分，并计算加权综合分。维度与权重为：Accuracy 准确度 30%（事实正确、无幻觉、断言可验证）、Groundedness 依据性 25%（断言有引用、文件引用或代码库证据支持）、Coherence 连贯性 15%（逻辑流畅、内部一致、无矛盾）、Completeness 完整性 20%（覆盖全部必需方面、无关键缺口）、Helpfulness 有用性 10%（可操作、给出具体下一步、减少歧义）。评分刻度：5 优秀、4 良好、3 尚可、2 较差、1 失败。
使用方式：先加载待评估输出（智能体响应、计划文档路径、代码评审输出、技能调用结果、任务完成声明等）；逐维度给出分数、证据（直接引用或 file:line 引用）与理由；按公式计算加权综合分：composite = (accuracy × 0.30) + (groundedness × 0.25) + (completeness × 0.20) + (coherence × 0.15) + (helpfulness × 0.10)，不得使用简单平均；再判定裁决：4.5-5.0 EXCELLENT（批准继续）、3.5-4.4 GOOD（批准并附小提示）、2.5-3.4 ADEQUATE（要求针对性改进）、1.5-2.4 POOR（拒绝，需大幅返工）、1.0-1.4 FAILING（拒绝，重启任务）；最后按固定结构输出裁决，包含评分表、证据引用与所需行动。示例调用为 Skill({ skill: 'agent-evaluation' })。
限制与铁律：综合分低于 2.5（POOR 或 FAILING）时必须返工后再标记任务完成；必须评估全部 5 个维度；每个维度必须引用具体证据；必须使用加权综合分；不要在作品未完成时评估。使用该技能的智能体包括 qa（主）、code-reviewer、reflection-agent。开始前需查看 .claude/context/memory/learnings.md，完成后将评估模式、质量问题、权重决策写入相应记忆文件。