用途：面向 agentskills.io 技能，编排完整评测生命周期，通过“有技能”与“无技能”对比运行，评估技能对模型表现的影响。
主要能力：编写 3–5 个测试用例，覆盖常规、边界与畸形输入，写入 <target-skill>/evals/evals.json 并校验；搭建工作区并生成 with_skill 与 without_skill 输出目录；并行派生子代理执行两类运行并记录耗时；对输出执行确定性断言与子代理评分；聚合通过率、token 数与耗时，生成 benchmark.json；分类断言并产出改进建议提示词。
使用方式：向代理下达“eval my-new-skill”类指令即可。关键命令：scripts/scaffold-workspace.sh <workspace-dir> <iteration-N> <evals-json>，scripts/grade-assertions.sh <output-dir> <assertions-file>，scripts/aggregate-benchmark.sh <workspace>/iteration-N。报告写入 <target-skill>/<skill-name>-iteration-N-eval-report.html，包含机器可解析的 JSON 摘要；iteration 须为 iteration-N 形式字符串。
适用场景：技能上线前质量把关、迭代对比、回归检测、盲评对比与成熟度评分。
限制：依赖 agentskills.io 规范与配套参考文件；完整参考文件与模板未在资料中展开；定价、平台支持等暂未提供。