能做什么

跑、读、诊断一个技能的 Caliper 评测：它把评测拆成四个问题分别测量，会不会触发、触发后做没做成、比不用时强不强、多次编辑后稳不稳，各自对应不同的修复位置。技能还教你怎么写评测规格、怎么跑与对比结果，并把每次失败追到该改的那一处，而不是看一个混在一起的分数。

适用平台

Claude Code、Codex 等本地代理（需安装 caliper 命令行工具）。

来源与安全

来自 caliper 仓库；2026-11-05 审查：需 pipx 从 PyPI 安装 caliper-eval，并由其驱动本地 agent 后端跑评测，会产生相应模型 API 调用，判定留意（正当）。（本站审查为技能上架时审查，非持续性监控，来源非本站可控，调用技能请自行甄别）