用途：对目标团队执行 tests/scenarios/teams/ 下的测试场景，观察协作模式行为、评估验收标准、按评分表打分，并在 tests/results/ 生成 RESULT.md。适用于验证团队协作模式是否产生预期行为、修改团队定义或智能体后做结构化测试、用同一场景对比不同团队的协作模式、建立基线性能指标，以及新增智能体或调整成员后的回归测试。
主要能力：解析场景 YAML frontmatter（target、coordination-pattern、team-size、验收标准表、评分表、ground truth），校验必需章节；核查前置条件（文件存在用 Glob、注册表计数比对 _registry.yml、分支状态用 git status --porcelain 与 git branch --show-current）；从 tests/_registry.yml 加载该协作模式的 key_behaviors 作为观察清单；用 TeamCreate 按场景人数启动团队并原样传入 Primary Task 提示；记录 T0–T6 各阶段时间戳；在角色分配可见后按需通过 SendMessage 注入范围变更；最后逐项判定 PASS/PARTIAL/FAIL/BLOCKED（PARTIAL 按 0.5 计入阈值），核对 ground truth、按 1–5 打分并汇总指标。
使用方式：输入为测试场景文件路径，可选运行 ID、团队人数覆盖、是否跳过范围变更。按加载场景、验证前置条件、加载模式准则、执行任务、评估行为、评估验收标准、生成 RESULT.md 七步执行，结果含运行元数据、阶段日志、角色涌现日志、验收与评分表、ground truth 校验、观察记录与结论。
限制与注意：测试的是协作而非产出质量；范围变更须在角色分配可见后注入；不要把成员个体输出与团队整体输出混同；ground truth 计数为近似值，判断是否在合理范围而非精确匹配；时间戳须实时记录不可追溯补记；场景文件缺失或无法解析时中止，可选章节缺失可继续；前置条件失败记 BLOCKED 并决定继续或中止，硬性前置条件（如目标团队文件缺失）应中止；超过半数标准无法评估则结论为不确定；结果文件写入失败时以标准输出兜底。