SkillHub TRACE 评测师
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，安装 @user_290ac21c/skillhub-trace-evaluator。
技能介绍
要解决的问题
Skill 包数量增加后，单纯阅读 SKILL.md 很难判断一个包是否可靠、可维护、适配真实工作流。人工评估还容易漏项：有的包说明写得清楚，但依赖、输出格式、异常处理或约定并不一致。这个技能把评估拆成 TRACE 五维标准：Trust、Reliability、Adaptability、Convention、Effectiveness，让评审有固定证据和可复核输出。
工作方式
技能先定位目标包，支持本地目录、本地 zip、已安装路径，或先拿到 slug 对应本地副本；找不到包时会停止，避免盲评。随后按 references/explore.md 列目录、读取 SKILL.md 和关键文件，大文件只取必要片段。评分时一次评一个维度，依据对应参考文档给出 (0, 5.0] 分数，并为每个子项写开发者可见的 reason 和面向普通用户的 userReason。其中 trust.scan 固定标记为 skipped，因为该技能不做安全扫描，只评估 trust.domestic 等项。最后按 output-schema.md 组装 JSON，并执行校验，exit 0 后才交付。
适用边界
它适合对本地 Skill 包做结构化质量评审，输出人类可读的五维表格、子项理由和摘要，同时附完整 JSON。注意它依赖实际包内容作为证据，不能替代安全扫描、依赖可达性验证或完整功能测试；若只能拿到 slug 却没有本地副本，应停止评估。
使用场景
- 在合并多个 Skill 包前，先按 TRACE 五维检查本地目录的可信度、可靠性与约定一致性。
- 评审一个本地 zip 包时，读取 SKILL.md 和关键文件，为每个子项生成带理由的 TRACE 评分表。
- 发布前把已安装 Skill 路径交给评测，确认 output-schema JSON 校验通过后再交付团队。
适合人员
- 负责 Skill 包合并前的平台工程师：需要一份可复核的五维评分与 JSON 证据。
- 维护本地 Skill 仓库的技术负责人：需要比较多个包的可靠性、约定和有效性差异。
- 审阅第三方 Skill 包的 QA 工程师：需要按固定子项输出优缺点和未覆盖项说明。
- 准备向团队交付 Skill 包的作者：需要确认评分 JSON 通过校验且摘要可读。
相关技能
基于五步框架搜索近期数据，快速分析公司需求、商业模式、护城河、生命周期与外部环境，并生成 HTML 可视化报告。
结合 DCF 估值、Livermore 趋势规则与市场情绪指标，生成 A 股/港股买入信号和完整分析报告。
面向工程师的统计分析技能，覆盖假设检验、回归、相关、贝叶斯分析、假设检查、效应量与 APA 报告。
基于 ARI 评论样本分析 Amazon 用户痛点、VOC 报告、差评预警与竞品对比，辅助需求洞察和经营决策。