你以为 Skill 写完就完事了？今天 Claude Code 用一个命令把这件事变成了可量化的工作成果

写过 Claude Code Skill 的人都踩过这个坑——写完一个 Skill，你不知道它到底有没有在帮你。每次改 prompt、调整工具描述，都是靠「感觉还行」交差。今天 Claude Code 用一个命令把这件事变成了可量化的数据：claude plugin eval。

这个命令在 9 月 11 日随 v2.1.269 发布。你在 Skill 根目录跑 claude plugin eval init，它会问你「好的结果长什么样」，然后自动起草测试用例和评分标准，跑一遍，再生成一份报告——每个用例带分数，有插件和没插件的对比差值，跑了几次、花了多少钱，全部在终端里列出来。

三步跑完，Skill 好不好用不再是玄学：

第一步，claude plugin eval init。它会在你的 Skill 目录下建一套测试用例，比如一个 Skill 是帮你写 commit message，它会问你「什么样的 commit message 算好」，然后自动生成几个 commit message 样例，再配一个检查规则——格式对不对、是否 follow conventional commits、长度合不合理。每一条都对应一个判断标准（grader），这个 grader 本身也是一次模型调用，所以它说这个 Skill 好或不好，是有代价的。

第二步，跑 claude plugin eval .。它会依次跑完所有用例，每个用例跑两次：一次带插件，一次不带。然后打印一张表，三列分别是「有插件分数」「无插件分数」「差值」。最后一行汇总：平均差值、总耗时、总花费。

第三步，看 report.html。如果差值是负数，说明你的 Skill 反而把事情搞坏了。如果差值接近零，说明它基本没用。如果差值显著为正，你就知道这个 Skill 真正在哪个环节帮到了你——是格式规范、还是逻辑补全、还是别的原因。

这个机制的核心价值不是给已有 Skill 打分，而是让你在改 prompt 的时候有个参照系。比如你加了「每条 commit message 不超过 72 个字符」这条规则，跑完 eval 发现平均差值从 +3.2 变成了 +5.1，就知道这条规则是真的有效果的，而不是靠感觉调的。

Skill 写得好不好，终于有了一个可以跟团队对齐的数字。

下一步：去你本地跑一下 claude plugin eval init，看看你那几个 Skill 到底值多少分。