Skill Eval
对 Skill 的执行流程进行单次端到端质量评测：
生成测试用例 → 运行 Skill → Grading 评分 → Benchmark 聚合 → 呈现结果Phase 1: 生成测试用例
与用户确认后，生成 evals/evals.json：
{
"skill_name": "example-skill",
"evals": [
{
"id": 1,
"prompt": "用户的任务 prompt",
"expected_output": "期望结果的描述",
"files": [],
"expectations": [
"输出包含 X",
"使用了 skill 的 Y 脚本"
]
}
]
}要求：
- 2-5 个真实用户会说的 prompt
- 让用户确认："这几个测试用例看着对吗？要加更多吗？"
- 完整 schema 见
references/schemas.md
Phase 2: 运行测试 + 起草 Assertions
目录结构：
<skill-name>-workspace/
├── eval-0-descriptive-name/
│ ├── eval_metadata.json
│ ├── with_skill/
│ │ └── outputs/
│ └── without_skill/ # 或 old_skill/
│ └── outputs/
├── benchmark.json
└── benchmark.mdStep 1: 同时发起所有运行
对每个测试用例，同一轮发起两个 subAgent：
With-skill 运行：
Execute this task:
- Skill path: <path-to-skill>
- Task: <eval prompt>
- Input files: <eval files if any, or "none">
- Save outputs to: <workspace>/eval-<ID>/with_skill/outputs/
- Outputs to save: <用户关心的产出>Baseline 运行（同 prompt，无 skill 或旧版 skill）：
- 新 skill → baseline 不带 skill，存到
without_skill/outputs/ - 改进 skill → baseline 用旧版（先
cp -rsnapshot），存到old_skill/outputs/
为每个 eval 创建 eval_metadata.json：
{
"eval_id": 0,
"eval_name": "descriptive-name-here",
"prompt": "The user's task prompt",
"assertions": []
}eval_name 要有描述性，用它做目录名。
Step 2: 等待期间起草 Assertions
不要干等运行结束，趁这段时间：
- 为每个测试用例起草 assertions，向用户解释
- 好的 assertion 是客观可验证的，名字有描述性（在 benchmark viewer 里一目了然）
- 主观性强的 skill（写作风格、设计质量）不要硬塞 assertions
- 更新
eval_metadata.json和evals/evals.json
Step 3: 捕获运行时数据
每个 subAgent 完成时，通知中包含 total_tokens 和 duration_ms，立即保存到 timing.json：
{
"total_tokens": 84852,
"duration_ms": 23332,
"total_duration_seconds": 23.3
}错过就没了。
Phase 3: Grading + Benchmark + 呈现结果
1. Grade 每个运行
读取 agents/grader.md，为每个运行评估 assertions，结果存为 grading.json。
关键：expectations 数组必须使用字段 text、passed、evidence（不是 name/met/details），viewer 依赖这些字段名。
能用脚本验证的 assertion，写脚本跑。
2. 聚合 Benchmark
python -m scripts.aggregate_benchmark <workspace> --skill-name <n>生成 benchmark.json + benchmark.md。手动生成时参照 references/schemas.md。
3. Analyzer 分析
读取 agents/analyzer.md，分析 benchmark 数据：
- 无论有无 skill 都 100% 通过的 assertion（无区分度）
- 高方差 eval（可能 flaky）
- 时间/token 取舍
4. 启动评审 Viewer
nohup python <skill-eval-path>/eval-viewer/generate_review.py \
<workspace> \
--skill-name "my-skill" \
--benchmark <workspace>/benchmark.json \
> /dev/null 2>&1 &
VIEWER_PID=$!无 display 环境用 --static <output_path> 生成静态 HTML。
务必用 generate_review.py，不要自己写 HTML。
告诉用户："评审页面已打开。'Outputs' tab 逐个查看测试用例，'Benchmark' tab 看定量对比。"
5. 收尾
用户看完后关掉 viewer：
kill $VIEWER_PID 2>/dev/null汇总评测结论：哪些 case 表现好、哪些有问题、benchmark 数据的关键发现。
Blind Comparison（可选）
需要更严谨的 A/B 对比时，读 agents/comparator.md 和 agents/analyzer.md。 两个输出匿名交给独立 agent 评判。大多数情况正常评测流程就够了。
Claude.ai 适配
没有 subAgent 时：
- 逐个执行测试，自己读 SKILL.md 按指令完成任务
- 在对话中直接展示每个 prompt 和 output，文件存到 filesystem 让用户下载
- 跳过定量 benchmark，聚焦定性反馈
参考文件
agents/grader.md— Grader Agent 指令agents/comparator.md— Blind A/B Comparator 指令agents/analyzer.md— Benchmark 分析器指令references/schemas.md— 所有 JSON schema（evals.json, grading.json, benchmark.json, timing.json, metrics.json, comparison.json, analysis.json）