SkillsBench Skill 评测工具

解决的问题

许多 Agent 技能库已经积累了大量 SKILL.md，但缺少可复核的质量判断：哪些技能能稳定触发，哪些只是把流程写得更顺眼；哪些会误导模型，哪些能减少错误。人工审阅难以量化，批量维护更缺少共同标尺。

skillsbench-evaluator 用一套固定评分规则把技能变成可比较的资产。它不依赖主观印象，而是要求每个维度引用 SKILL.md 原文作为证据，再给出总分、等级和修复建议。

工作方式

• 单技能评测：定位技能目录，完整读取 SKILL.md 及其 references/ 结构，按 references/rubric.md 的 12 个维度逐项打 0 或 1 分。
• 证据评分：每个维度分数后标注原文依据，避免“可能想表达什么”的猜测；报告按总分归入 基石层、专业层、精品层。
• 批量评测：扫描 ~/.workbuddy/skills/ 下所有技能，输出排行榜、维度热力图，以及跨技能重复出现的系统性缺陷。
• 修复建议：对失分维度生成可执行建议，优先提示 触发条件、指令结构、陷阱、工具控制 等高风险项。

它适合用于技能库治理、发布前评审和同类 Agent 技能对比。注意：评分高度依赖 SKILL.md 与 rubric.md 的匹配程度，模板或规则变更后结果可能变化；该工具更适合评估“技能文档是否可执行”，不能替代真实任务中的 A/B 测试或生产环境验证。