skill-eval-harness

Skill Eval Harness 是一个用于评估智能体技能（Agent Skill）效果的命令行测试框架。它支持成对变体对比（如启用/禁用技能）、本地确定性断言验证（字符串、正则、JSON字段等）、评测泄漏检测与多轮运行统计，并提供标准化任务生成、输出分级和差异化报告功能。基于 Python 实现，强调评测洁净性（eval hygiene），不依赖特定大模型，可适配 Pi、Claude Code、Jetty 等多种执行器。适用于智能体技能开发中的回归验证、AB 变体对比、评测鲁棒性分析及内部 benchmark 迭代场景。