Coding Agent 已经进入“人人可以扩展”的阶段。Claude Code、Codex、Pi Agent 等工具都支持以 Skill、Prompt 片段、工具集或者子 Agent 的形式给 Agent 增加能力，社区里每天都有新的 Skill 被发布，团队内部也在不停地写各类 Skill。
但一个尴尬的事实是：写一个 Skill 只需要十分钟，判断它到底有没有用却几乎没有人做。大部分 Skill 的“有效性”来自“俺寻思”，来自几次成功的截图，或者来自“加上以后好像没那么容易出错了”。同时，模型的不同/模型升级对 Skill 的有效性也存在影响，模型升级以后 Skill 是否还有效？应该修改/优化还是直接弃用？一个 Skill 提升了成功率，是不是同时让 Token 消耗翻了三倍？这些问题目前并没有一个可靠的方式来进行回答。
任务要求
本题希望你设计并实现一套针对 Skill 的评测与优化系统：选定一个 Skill，给定一组任务，能够以可复现的方式运行“加载”与“不加载”这个 Skill 以及它的不同版本，记录完整的执行过程，产出可以互相比较的评测报告，回答“这个 Skill 到底有没有用，有多大用，代价是什么”；并进一步利用评测中发现的问题，定位 Skill 在哪里失效，有依据地修改它，再用评测验证修改是否有效。注意，选择一个过于简单、几乎不可能失效的 Skill 会让后面的归因和优化无从下手。
Skill 和评测的领域自选，被评测的 Skill 可以是自己编写的，也可以来自社区，但需要收敛到一个具体方向，例如某一类编程任务、某一类运维操作、某一类文档处理或者数据分析任务。过程中请至少构建 3 个任务，其中大部分任务应当具有可以自动判定的正确标准，例如测试用例、期望输出或者可校验的最终状态。少量只能主观判断的任务可以保留。你的 Skill 应该在主流的 Harness（Claude Code、Codex、Pi Agent、dsh 等）和主流模型上都可以正常使用。
技术选型不限，建议流程包括自动化运行、对照实验、任务级下钻、失效归因、修改与再验证，同时需要尽量避免过拟合到特定任务，并增加消融实验（判断没有 Skill 会差多少）。
注意，在完成这个评测时，增加 Agent 的可观测性，记录整个 Agent Loop 的 Trace，方便后续人或 Agent 对其进行分析。