用途：对已存在的 Claude 技能做测试、基准、验证与回归检查。它假定技能已经写好，只保留评估相关环节，比完整的 skill-creator 更省 token。若需编写新技能，应改用 skill-creator。
主要能力： · 有技能 vs 无技能（或 vs 上一版本）的并行运行对比 · 由 Haiku 驱动的评分子代理 · 用于定性审核的 HTML 查看器 · aggregate_benchmark.py 生成量化汇总 · 迭代循环（iteration-2/、iteration-3/ 等）
使用流程：确认技能与评估集（初始最多 3 条提示词）→ 同一轮并行启动有技能与基线运行 → 运行期间草拟断言 → 收到通知时记录 timing.json → 用 Haiku 子代理评分 → 聚合生成 benchmark.json 并启动查看器 → 读取 feedback.json → 改进技能后重跑。
评估提示词须为复杂多步任务，至少 3-4 个步骤，包含技能特有的专门知识或工具，并至少设一个基线易落入的陷阱；避免基线一次工具调用即可解决的简单提示。每个评估写 4-7 条可客观验证的断言，主观质量放到定性审核。
关键命令： python -m scripts.aggregate_benchmark <workspace>/iteration-N --skill-name <skill-name>
nohup python <skill-evaluator-path>/eval-viewer/generate_review.py <workspace>/iteration-N --skill-name "<skill-name>" --benchmark <workspace>/iteration-N/benchmark.json > /dev/null 2>&1 &
清理：python scripts/cleanup_workspace.py <skill-name>-workspace；删除需加 --yes --final-review-complete，可加 --clean-python-caches。
限制：不包含技能起草指导、盲比较/分析代理、描述优化与完整 schema 参考；盲比较不支持。描述优化只在第 2 轮或最后一轮提示，本身不运行。无显示环境可用 --static 输出独立 HTML。评估工作区属草稿数据，不应进入发布内容。