用途：当需要评测多步 AI 智能体（任务成功、工具选择、预算、人工介入、恢复与副作用证据）时使用本技能，依据已批准的项目证据产出或更新 AI 评测规范，并为 AI 工程与发布团队准备可评审的交接物。所属为 chwezi SDLC 文档体系，是 ai-eval-harness-spec 的智能体专用补充。
主要能力：按特性维护 golden 任务集（AGENT 任务含 id、feature、initial_state、user_goal、gold_trajectory、goal_state、验收评分表、tags）；定义确定性回放环境（Storage: replay-env/<feature>/<task_id>.yaml，零方差，可按参数注入错误、超时或恶意输出）；声明六项核心指标与默认阈值（任务成功率 >= 0.90、步骤效率 <= 1.5、工具选择质量 >= 0.92、捏造参数率 <= 0.01、不可逆动作事故率 0、介入率按特性在 PRD 声明）；定义 judge-LLM 评分细则与月度校准（漂移 > 5 pp 即重校准）；定义 CI 门禁与按夜/周/月/季度的计划回归；规定运行责任归属与规范章节结构（AI_Agent_Eval_Spec.md 分八节）。
使用方式与输入：需项目 _context/、已批准需求与相关架构（必需），更新或评估时需现有制品、实现、配置与证据，还需目标受众、环境、风险容忍度与权限。缺失时停在 gap register，不虚构范围、阈值、集成或负责人。评测输出需每项被评行为都有代表性数据集、确定性评分规则、阈值依据与保留的运行证据。
限制：仅限已授权来源的读取与搜索，默认只读，非破坏性验证可选；生产变更、发布、破坏性操作、支出、对外沟通或合规声明需单独明确授权；秘密、租户数据、事件证据与财务记录按最小权限处理；不可用的检查不得记为通过，须标记为未评估并保留验收预言与指定验证人；不要复制通用模板、不要凭惯例选阈值、不要宣称合规或就绪。