用途：为 AI 辅助工作流引入评测驱动开发（EDD），把评测当作“AI 开发的单元测试”，在实现前定义预期行为、开发中持续运行、追踪回归，并用指标衡量可靠性。
主要能力：区分能力评测（测试 Claude 能否完成新任务，含任务描述、成功标准、预期输出）与回归评测（确保变更不破坏现有功能，含基线、逐项 PASS/FAIL 与 X/Y 结果）。支持三类评分器：代码评分器做确定性检查（如 grep、npm test、npm run build），模型评分器用 Claude 评估开放式输出（1-5 分加推理），人工评分器标记人工审查（含原因与风险等级）。指标包括 pass@1/pass@3（k 次尝试至少一次成功，典型目标 pass@3 > 90%）与 pass^3（连续 3 次全部成功，用于关键路径）。
使用方式：集成命令为 /eval define feature-name（在 .claude/evals/feature-name.md 创建评测定义）、/eval check feature-name（运行并报告状态）、/eval report feature-name（生成完整报告）。评测存放在 .claude/evals/ 下，含定义 .md、运行历史 .log 与回归基线 baseline.json。工作流为：定义（编码前）→实现→执行评测→报告。
适用场景：为 Claude Code 任务完成定义标准、为提示词或智能体变更建立回归测试套件、跨模型版本做基准测试、监控 pass@k 可靠性趋势。
限制与最佳实践：尽可能用代码评分器（确定性优于概率性）；安全相关必须人工评审，不可完全自动化；评测应保持快速并随代码版本控制。资料未提供具体安装命令、收费与价格信息。