用途
Skill Judge 用于评估 Agent Skill 的设计质量。它的核心立场是：把 Skill 当作一个可执行的知识包来审查，而不是当作一篇文章。评判的重点在于这个包是否在正确的时机被触发、是否补充了 AI 模型真正需要的知识、是否把请求路由到正确的资源，以及是否帮助智能体产出更好的工作。
适用性说明
该框架是一套带有明确立场的诊断框架，参考了公开规范、示例与实践使用经验，但它并非官方合规套件。不应把其中的数字评分当作对通用质量的断言。
审查深度
Skill Judge 提供四种审查深度：
- 快速审查：识别阻断性问题、价值最高的弱点以及下一步改动。除非评分有助于决策，否则不评分。
- 完整审计：检查整个包，对所有维度评分，并给出按优先级排序的建议。评分前需完整阅读 rubric.md。
- 比较：先独立评估每个 Skill，再比较证据与取舍。当 Skill 服务于不同用例时，不应强行分出胜负。
- 修订审查：将当前包与上一版本比较，判断改动是否改善了真实行为，而不仅是呈现效果。
阅读完整包
审查时要求：完整阅读 SKILL.md；列出所有随包附带的参考、脚本、资产与 agent 元数据文件；跟随每一条影响行为的资源链接与加载指令；检查被引用的文件是否存在，随包脚本或示例是否合理且经过测试；区分观察到的事实与对 agent 行为的假设。不得仅凭 frontmatter 或首屏内容就给包评分。
硬性门槛
在主观评分之前先报告以下问题：SKILL.md frontmatter 缺失或无效；文件夹名与 name 不匹配；描述含糊，未传达功能与触发上下文；资源路径或路由指令损坏；宣称的能力未在包中实现；不安全脚本或指令缺乏相称的防护措施；相互矛盾的要求导致无法正确执行。一个打磨精良但存在硬性门槛失败的包，仍属于未就绪。
知识价值评估
将实质性章节分为三类：Expert（非显而易见的决策、取舍、失败模式、领域流程或 AI 模型难以可靠提供的本地知识）；Activation（AI 模型可能已知，但在恰当时机看到会有帮助的知识）；Redundant（通用解释、显而易见的建议或重复内容，消耗上下文却不改变行为）。该分类用于诊断，边界模糊时不应编造精确的段落百分比。审查时追问：加载该 Skill 后 agent 会做得更好吗？哪些内容改变决策而非仅描述领域？哪些指令编码了难以按需重建的经验？哪些章节删掉也不影响结果？
触发质量
description 是主要的激活面，应清楚说明：Skill 做什么；何时使用；哪些具体任务、产物、文件类型、工具或用户措辞应触发它；若存在重叠，何时相邻 Skill 是更好的选择。不应奖励关键词堆砌——触发范围过广的长描述会造成路由冲突，而非可发现性。
包架构
检查包是否有意使用渐进式披露：把核心决策与路由保留在 SKILL.md；把详细变体、schema、示例与领域参考放入随包资源；说明何时加载每个资源、何时不加载；避免随包附带却从不路由的孤立引用；避免每次请求都加载整本手册的超大 SKILL.md；避免碎片化到为一个简单任务必须打开许多小文件。目标是保留正确行为所需的最小上下文，而非固定行数。
行为质量
关注：存在多条路径时是否有明确决策标准；自由度是否与任务风险与可变性相称；是否给出具体反模式及其原因，而非模糊警告；失败处理、回退路径与现实的边界情况；脚本与示例按描述工作的证据；防止 Skill 与无关或更具体的 Skill 竞争的边界；指令在目标环境中是否仍然实用。
评分
完整审计使用 rubric.md 中的 120 分评分表。每个维度需：引用具体包证据；说明行为后果；按公布的锚点打分；说明什么会实质性提高分数。不得因篇幅、打磨程度、自信措辞或随包文件数量而给分。
发现优先级
使用四个严重级别：Blocker（阻碍可靠激活、执行、安全或安装）；High（实质性降低常见结果或造成误导行为）；Medium（造成可避免的摩擦、上下文浪费或覆盖不完整）；Low（值得改进但行为影响有限）。按对真实使用的预期改善排序，而非按编辑难易度排序。
输出格式
先给出结论，格式为：Skill Review: [name]；Verdict（Ready / usable with changes / not ready，加一句话说明原因）；Applicability（判断所假设的上下文以及未确立的内容）；Findings（编号列出 [Severity] [Issue]，含 Evidence、Effect、Change）；Score（仅完整审计时包含：维度表、总分与等级）；Highest-value next changes（列出前三项改动）；What is already strong（仅保留有证据支撑、值得保留的优点）。表扬要简短，弱点要具体到另一个 agent 无需重建审计即可实施改进。
不良审查模式
包括：因包看起来专业就给高分；把每个长流程都当作专家知识；把实践衍生的评分表称为官方标准；不考虑激活价值就惩罚所有重复；在没有加载策略的情况下建议增加文件；在分离能保护上下文时建议减少文件；把风格偏好报告为行为缺陷；把围栏代码块内的示例链接当作失效的实时链接来评估；忽视宣称能力与实现能力之间的不匹配。
最终问题
审查结束前需回答：这个包是否在 agent 需要的那一刻可靠地传递了有用的判断或操作知识？如果答案不明确，审查就尚未完成。