评测工具链（Eval Harness）技能（Skill）

一个用于 Claude Code 会话的正式评测框架，实现了评测驱动开发（Eval-Driven Development, EDD）原则。

何时激活

• 为 AI 辅助工作流设置评测驱动开发（EDD）
• 为 Claude Code 任务完成定义通过/失败的标准
• 使用 pass@k 指标衡量智能体（Agent）的可靠性
• 为提示词（Prompt）或智能体（Agent）的变更创建回归测试套件
• 跨模型版本对智能体（Agent）性能进行基准测试

核心理念

评测驱动开发（Eval-Driven Development）将评测视为“AI 开发的单元测试”：

• 在实现之前定义预期行为
• 在开发过程中持续运行评测
• 追踪每次变更带来的回归（Regression）
• 使用 pass@k 指标进行可靠性衡量