技能评估

评估用实验而非直觉来回答”这个技能到底好不好”。一次评估会让技能针对一组测试用例运行，每轮按评分标准（rubric）打分，并汇总结果。

[截图待补: Evaluations list with the trend chart (avg score / pass rate) — /docs-media/en/evaluations.png]

运行一次评估

在 Agent 的技能标签页中打开某个技能 → 评估。你需要定义：

• 测试用例：导入、手写，或自动生成。
• 轮数：每个用例运行的次数（并行度可配置）。
• 评分标准（rubric）：输出必须满足的断言。

由一个编排会话来执行实验；每个用例都是一次真实会话，因此分数反映的是实际的 runtime 行为。

解读结果

• 趋势：平均分和通过率随时间的变化，让你看出对技能的修改是提升还是退步。
• 切片：按 runtime × 模型分组的结果，并附上最新与更早数据的差值。
• 详情：每一轮的完整记录都会保留，便于检查。

评估一直不过的技能，该修就修，不行就淘汰。你写的评分标准就是规格说明。

质量信号

独立于正式实验之外，Agent 还可以为产出附加主观质量信号（自评置信度、调试备注）。信号永远不会影响调度或模型选择，只是可与结果一同审阅的审计记录。Labs 中的 Evaluation 开关控制 Agent 是否产出信号。