场景化评测
将以下提示词粘贴到你的 AI 对话框中：
请根据 https://skillhub.cn/install/skillhub.md 将 @user_4a3631c6/llm-eval-framework-skill 安装到 AI 助手中。
技能介绍
解决什么问题
第三方 Agent 技能的验收常被简化成“最终回答对不对”。这会让发布决策缺少依据：manifest 是否完整、依赖是否可用、输入输出契约是否清晰、权限边界是否越界，往往到线上才暴露。场景化评测 用来把一次手工试用，整理成一套轻量、可重复的评测计划，让团队在准入和发布前有明确检查点。
技能如何工作
它先定位目标技能的 user-facing job，再分两层定义检查。准入检查关注 Manifest completeness、Dependency availability、Input/output schema clarity、Permission scope 和 Minimal smoke case；发布检查关注 Golden task success、Tool call correctness、Output schema validity、Safety and permission violations 和 Regression risk。随后输出质量门禁：
PASS：允许发布CANARY：限制范围上线并监控REVIEW：必须人工复核BLOCK：禁止发布
最后生成简明报告，包含评测覆盖范围、关键风险、推荐门禁和需要补充的回归用例。
适用边界
它不是万能评测平台，只帮助设计轻量方案。案例应优先窄而高信号，不能只堆宽泛场景。对权限越界和数据泄漏要按阻断问题处理。真实失败应沉淀为回归用例，同时关注中间工具调用，而不是只看最终答案。
使用场景
- 当你准备引入一个第三方 agent skill 到内部平台，需要先检查它的 manifest 是否完整、依赖能否运行，避免上线后才发现缺配置。
- 在给某个 agent skill 做版本发布前，需要设计 golden task 和工具调用校验，用来判断模型输出和工具交互是否符合预期。
- 团队在 review 一个 agent skill 是否越权访问数据或泄露隐私时，需要把权限违规和数据泄漏设为阻断项，并据此给出 BLOCK 门禁建议。
- 当某个 agent skill 在测试中出现了真实失败案例，需要把它转化为回归用例，并在下次发版前通过回归检查来防止问题再次发生。
适合人员
- 在内部构建 Agent 平台的工程师，需要一个标准化的轻量级评测流程来审核第三方技能接入。
- 负责大模型应用质量保障的 QA，希望将权限违规和工具调用错误转化为可阻断发布的回归用例。
- 维护多个 AI 智能体工具链的技术负责人，需要在技能版本迭代时通过质量门禁控制上线风险。
- 为业务方评估第三方 AI 插件的产品技术人员，需要输出包含评测覆盖度和关键风险的评估报告。
相关技能
每天收集对话、任务日志与错误记录，按九模块复盘思维盲区，输出可执行行动并写入记忆。
面向 Skill 开发者的免费矩阵分发助手，可引导发布到腾讯 SkillHub、虾聊、虾友 SkillHub、GitHub 与 ClawHub，并区分创建、更新与删除流程。
用于为即梦 Seedance 2.0 生成视频提示词，覆盖 @ 引用、运镜、分时段、音频指导和常见避坑。
围绕超级趋势拆解物理供应链，识别第二、三层瓶颈，执行估值与反向验证，并维护可追踪的报告。