用途：运行微软 eval-recipes 基准测试，验证 amplihack 改进相对基线智能体的效果。当用户要求“用 eval-recipes 测试”“运行评测”“对改动做基准测试”，或需要验证 PR 分支是否提升分数时启用。
主要能力：测试指定 amplihack 分支；与基线智能体（codex、claude_code）对比；运行特定任务（如 linkedin_drafting、email_drafting、arxiv_paper_summarizer、github_docs_extractor）；对比 PR 前后分数；生成含分数提升的报告。
使用方式：一次性准备需克隆仓库并复制智能体配置、安装依赖： git clone https://github.com/microsoft/eval-recipes.git ~/eval-recipes cd ~/eval-recipes cp -r $(pwd)/.claude/agents/eval-recipes/* data/agents/ uv sync 运行基准：cd ~/eval-recipes && uv run eval_recipes/main.py --agent amplihack --task linkedin_drafting --trials 3。测试 PR 分支需先修改 install.dockerfile 检出对应分支，再复制配置并运行。
前置条件：eval-recipes 已克隆到 ~/eval-recipes；环境变量中设置 ANTHROPIC_API_KEY；安装 Docker（容器化运行）；安装 uv。
限制与说明：每个任务约需 2–15 分钟，视复杂度而定；建议 3–5 次试验取平均；Docker 构建可缓存加速；结果保存在 eval-recipes 仓库的 .benchmark_results/ 目录。资料中给出的基线分数（如总体 40.6/100、LinkedIn 6.5/100、Email 26/100）及 PR #1443 的预期分数属于示例数据，实际结果以运行为准。