用途
该技能用于评估其他技能在多个 Claude 模型上的表现。它通过子代理（sub-agents）在 sonnet、opus、haiku 模型上并行执行目标技能，并采用基于质量的加权评分方式，帮助判断技能是否正确工作、比较不同模型的能力差异。
主要能力
- 跨模型评估：在 haiku、sonnet、opus 上并行执行同一技能。
- 质量导向评分：不采用二元通过/失败，而是用 0-100 分加权评分，揭示模型间能力差异。
- 场景驱动：从目标技能目录的 tests/scenarios.md 加载测试场景，优先使用 Hard 或 Medium 难度场景。
- 行为级评分：对每个预期行为按 Minimum、Quality criteria、Haiku pitfall、Weight 逐项打分。
- 结果记录：将评估结果以表格形式追加到技能 README，形成历史记录。
- 汇总输出：生成按行为和总分排列的评估汇总表，并附观察与后续建议。
使用方式
要求：仅限 Claude Code CLI，Claude.ai 不可用。
工作流程：
-
加载测试场景：检查目标技能目录下的 tests/scenarios.md。若存在多个场景，优先选择 Hard 或 Medium 难度。场景需包含名称、难度、查询、预期行为（含 Minimum、Quality criteria、Haiku pitfall、Weight）以及可选的输出验证。若文件缺失或格式过旧，需请用户按 references/evaluation-structure.md 更新。
-
使用子代理执行（阶段 1）：为每个模型并行生成 Task 子代理，使用 model 参数指定 haiku、sonnet、opus。提示模板要求实际执行技能而非仅描述，在 $PWD/.ai_text/{yyyyMMdd}/tmp/{skill_name}-{model}-{hhmmss}/ 下创建输出目录，并仅返回简要信息（提问、假设答案、关键决策、创建的文件路径、错误）。子代理完成后，用 Glob + Read 直接读取文件评估质量。
-
逐项行为评分：每个预期行为按 0-100 打分（0 未尝试或完全错误；25 尝试但低于最低标准；50 达到最低标准；75 满足大部分质量标准；100 满足全部质量标准）。评分时检查是否达到 Minimum、满足多少 Quality criteria、是否触发 Haiku pitfall 并扣分，最后应用权重。
-
计算加权分数：行为得分 = 扣分后的基础分；总分 = Σ(行为得分 × 权重) / Σ(权重)。评级阈值：90-100 ✅ Excellent（生产就绪）；75-89 ✅ Good（可接受）；50-74 ⚠️ Partial（质量问题）；25-49 ⚠️ Marginal（显著问题）；0-24 ❌ Fail（无法工作）。
-
将结果添加到 README：在技能 README 中追加评估结果表格，包含日期、场景、难度、模型、分数、评级。要求使用完整模型 ID、YYYY-MM-DD 日期格式、标注难度、同时包含数字分数和评级 emoji，并追加而非覆盖。
-
输出汇总：生成按行为分列的分数表和总分表，并附观察与后续步骤。
适用场景
- 测试某个技能是否能正确工作。
- 比较不同 Claude 模型执行同一技能的能力差异。
- 为技能建立跨模型的历史评估记录。
- 根据质量要求和预算考虑模型选择。
限制
- 仅适用于 Claude Code CLI，Claude.ai 不可用。
- 依赖目标技能提供符合格式的 tests/scenarios.md，否则需用户先更新。
- Token 使用量包含技能执行和报告开销两部分；sonnet 倾向生成详细报告，会抬高 token 计数，比较执行效率时应参考工具使用情况。
常见模型陷阱
- haiku：提问浅显（检测：统计具体性）、跳过论证（检测：是否包含推理）、遗漏引用（检测：是否读取文件）。
- sonnet：过度工程（检测：范围蔓延）、报告冗长（检测：token 数与输出对比）。
- opus：输出过于冗长（检测：token 计数）。
快速参考
加载场景（优先 Hard）→ 执行（并行）→ 行为评分 → 计算总分 → 添加到 README → 输出汇总。详细评分指南见 references/evaluation-structure.md。