智能体Skill评测引擎

评测智能体技能的质量，往往依赖人工逐条试用：流程不一致、结果难复现，版本迭代后也难以快速判断能力是否退化。

核心能力

该技能将评测过程拆解为可重复执行的流程，帮助团队在统一框架下验证技能表现。它关注技能的输入输出是否符合预期，以及在边界条件下的响应质量。

关键步骤

• 定义评测维度：围绕任务完成度、输出格式、异常处理等方向建立检查项。
• 生成测试用例：构造覆盖常见与边缘场景的输入，用于触发技能的不同分支。
• 执行与评分：按预设规则运行技能，记录实际输出并与期望结果比对。
• 生成报告：汇总成功、失败与需人工复核的用例，形成可追踪的评测记录。

适用边界

该技能适合自动化回归与质量把关，但不能替代对业务语义的人工判断。当任务高度依赖上下文常识或主观标准时，仍需结合人工评审。