做Skill的人最头疼一个问题：我写的这个插件到底有没有效果？效果提升了多少？以…

做Skill的人最头疼一个问题：我写的这个插件到底有没有效果？效果提升了多少？以前只能凭感觉，现在Claude Code给了一个硬核答案。 新功能叫 claude plugin eval，核心逻辑很简单——你创建一组测试用例，先带着插件跑一遍，再不带插件跑一遍，对比两次的得分差异。是骡子是马，数据说话。 具体怎么用？ 第一步，定义测试用例。把你日常使用Skill的典型场景整理出来，比如帮我重构这个函数、给这段代码写测试、优化这个提示词。每个用例就是一个标准输入。 第二步，带插件跑。Claude Code会用你的Skill或Plugin处理这些用例，然后打分。评分维度可以自定义，比如代码质量、响应速度、准确度等。 第三步，不带插件跑。同样的用例，同样的模型，去掉插件再来一遍。 第四步，看差异。两次得分一比较，你的插件到底加了多少分、在哪些场景有效、哪些场景反而拖后腿，一目了然。 这对做Skill开发的人来说是个转折点。以前写完插件发出去，好不好用全靠社区反馈，周期长、样本少、主观性强。现在自己就能跑评测，迭代速度会快很多。 举个实际场景：你写了一个代码审查的Skill，觉得挺好用的。但跑完eval发现，在Python场景下提升了30%，在Go场景下反而降了5%。这就有针对性了——要么优化Go场景的逻辑，要么在文档里注明适用范围。 对于用Skill的人来说也有价值。装了一堆插件不知道哪个真有用？跑一轮eval，把效果不明显的卸掉，省token也省心。 Claude Code这波把评测做成了开发流程的一部分，而不是事后补救。Skill生态要健康发展，这种可量化的能力是基础设施级别的。