【构建工业级Agent Skills】03 拒绝玄学：构建可量化的 Eval 断言与全自动测试流水线
大家好，我是Tony Bai。
欢迎来到微专栏 《打破黑盒：用工程思维构建工业级 Agent Skills》的第三讲。
在上一讲中，我们借助skill-creator的力量，完成了从“模糊意图”到“高质量技能草稿”的蜕变。我们生成了严谨的SKILL.md，并且在evals.json中配置了几个非常口语化、贴近真实业务场景的测试提示词（Test Prompts）。
很多开发者走到这一步，就会习惯性地打开一个新窗口，手动输入那几个测试提示词，用肉眼看看 Claude Code 生成的代码和报告。如果觉得“看起来不错（Looks Good To Me, LGTM）”，就把这个 Skill 丢进生产环境了。
这就是典型的“玄学编程”思维的延续。
在传统软件工程中，我们绝对不敢把一段没有经过单元测试（Unit Test）和持续集成（CI）的代码合入主干。但在 AI 时代，面对一个充满随机性、每次输出都可能不一样的黑盒模型，我们反而退化到了“肉眼看差异、拍脑袋定发布”的原始阶段。
为什么？因为很多人不知道如何对一段非确定性的自然语言输出进行自动化测试。
今天，我们将彻底打破这个僵局。我们将深入skill-creator最硬核、也是价值最高的心脏地带：全自动评估流水线。
我们将学习如何用自然语言编写“鉴别性断言”，并站在上帝视角，透视那个隐藏在幕后的“裁判智能体（Grader Agent）”是如何冷酷无情地给你的 Skill 挑刺、打分的。
核心理念：无基线（Baseline），不测试
在 AI 智能体的开发中，有一个最经典的灵魂拷问：“你怎么证明你的 Skill 真的起作用了？”
假设你写了一个go-context-auditor的 Skill，然后给 Claude Code 发送了一段包含上下文(Context) 泄露的 Go 代码。Claude Code 成功找出了 Bug 并给出了修复方案。
你能说这是你的 Skill 写得好吗？
不一定。
因为底层的 Claude Sonnet 模型本身就非常聪明。也许你不加载这个 Skill，直接把代码发给它，它也能找出这个 Bug。
如果底座模型本来就能做到 80 分，而你花了巨大精力写了一个 Skill，只把它提升到了 82 分，同时还增加了大量的时间延迟和 Token 消耗，那么这个 Skill 在工程上就是失败的。
因此，skill-creator在设计自动化测试时，引入了一个极其严谨的工程范式：双盲对照执行（Parallel Execution with Baseline）。
对于evals.json中的每一个测试用例，skill-creator会在后台同时孵化两个完全隔离的子智能体（Subagents）：
With-skill Run（搭载技能运行）：拥有你刚刚编写的
SKILL.md的完整上下文。Without-skill Run（基线运行）：处于“裸机”状态，仅仅拥有用户的原始 Prompt。
我们可以用一张流程图来展示这个残酷的“赛马机制”：