用途：该技能按 Benchmark Suite V3 参考实现，自动编排端到端的模型评估基准流程。当用户在智能体工作流中要求对 AI 模型进行基准测试、对比评估或性能测试时自动激活。
主要能力：评估维度包括效率（时长、轮次、成本、工具调用）、质量（由 reviewer 代理给出代码质量评分）、工作流遵循度（子代理调用、使用的技能、工作流步骤合规）以及产出物（生成的 GitHub issue、PR、文档）。技能覆盖从执行到清理的完整基准工作流。
使用方式：技能被调用后分五阶段执行。阶段一设置：读取 tests/benchmarks/benchmark_suite_v3/BENCHMARK_TASKS.md，确定待测模型（默认 Opus 4.5、Sonnet 4.5），创建 TodoWrite 列表。阶段二执行基准：对每个任务×模型运行 cd tests/benchmarks/benchmark_suite_v3 后执行 python run_benchmarks.py --model {opus|sonnet} --tasks 1,2,3,4。阶段三分析结果：读取 ~/.amplihack/.claude/runtime/benchmarks/suite_v3//result.json，并行启动 subagent_type="reviewer" 的任务，分析 trace 日志并评分代码质量（1-5 分）。阶段四生成报告：按 BENCHMARK_REPORT_V3.md 结构撰写 markdown 报告，创建 GitHub issue，归档产物到 GitHub release 并回填链接。阶段五清理（强制）：关闭基准 PR（gh pr close {numbers}）、关闭基准 issue（gh issue close {numbers}）、移除工作树（git worktree remove worktrees/bench-）并确认清理完成。
适用场景：比较不同 AI 模型（如 Opus 与 Sonnet）、衡量工作流遵循度、生成完整基准报告、需要可复现基准测试时。不适用场景：简单代码审查（用 reviewer）、性能剖析（用 optimizer）、架构决策（用 architect）。
限制与参考：详细清理说明参见 tests/benchmarks/benchmark_suite_v3/CLEANUP_PROCESS.md；报告结构、任务定义、运行脚本等参考文件见该目录。具体定价、平台支持等信息资料未提供。