用途：评估一个代码仓库在多大程度上支持自主 AI 辅助开发，输出结构化报告，指出哪些能力已具备、哪些缺失。
主要能力：围绕五大支柱共 74 项特征进行评估——智能体指令（18 项，回答“智能体是否知道该做什么”）、反馈回路（16 项，“智能体是否知道自己做对了”）、工作流与自动化（15 项，“流程是否支持智能体工作”）、策略与治理（13 项，“智能体是否知道规则”）、构建与开发环境（12 项，“智能体能否构建并运行项目”）。完整特征清单及证据示例见 references/criteria.md。
使用方式：第一步运行五个扫描脚本收集文件系统信号，例如：bash scripts/scan_agent_instructions.sh /path/to/repo，其余四个为 scan_feedback_loops.sh、scan_workflows.sh、scan_policy.sh、scan_build_env.sh；也可一次性运行：for s in scripts/scan_*.sh; do bash "$s" /path/to/repo; echo; done。Windows 需在 Git Bash 或 WSL 中运行这些 .sh 脚本，原生 PowerShell 无法直接执行。第二步逐项对照 criteria.md 评估，标记 ✓（具备）、✗（缺失）或 —（不适用）。第三步按报告模板撰写，包含摘要（具备 X/74、最强与最弱支柱）及各支柱分节。
限制：扫描脚本只是辅助工具而非评分器，只发现文件与模式，不评估质量；许多特征需人工判断，例如 README 是否含真实构建命令、内联文档是否系统、示例是否可运行、贡献指南是否含代码规范、AI 使用政策是否有意义、架构文档是否最新、测试文档是否足以让智能体运行。评估标准源自对 123 个真实仓库的分析。其他细节暂未提供。