Skill TRACE 质量评测

评估模型：脚本计算确定性基分 + AI 阅读内容后语义校准（±0.3）→ 最终分。
详细评分标准见 [references/scoring-criteria.md](references/scoring-criteria.md)，校准规则见 [references/calibration-guide.md](references/calibration-guide.md)。

⚡ 新手 30 秒入门

干什么？ 对任意 Agent Skill 做 TRACE 五维度质量评分，输出带子项分的评估报告。

什么时候触发？

刚写完一个新 Skill，想知道质量怎么样 → 直接用
用户要求 "检查 Skill 质量"、"TRACE 评测"、"技能打分"
提供了 Skill 目录路径 + "评估"/"评测"/"打分" 关键词

触发示例：

✅ "用 TRACE 评测 /path/to/skill"
✅ "TRACE 评测 ddd-architecture-awesome"
✅ "对 skill-trace-evaluation 做五维度评估"
✅ "生成 TRACE 报告 + HTML 雷达图"
✅ "严格评测 jimeng-prompt-text2image"       （全部子项需 5.0）
✅ "快速检查这个 Skill 有哪些扣分项"          （仅输出扣分项）
✅ "只检查 T 维度"                            （单维度聚焦）
✅ "我修改了 FAQ，重新评测一下规范性"
✅ "输出 TRACE 五维画像 + 基线对比"
✅ "技能评估报告 + 官方合规检查"

一句话流程： 运行脚本拿基分 → 阅读 SKILL.md → 对照评分细则校准 → 产出报告。

执行时机

以下场景适合触发 TRACE 评测：

新 Skill 完成编写：刚写完 SKILL.md，想知道质量基线
Skill 重大修改后：修改了功能说明、FAQ、边界条件、触发词等核心内容
用户明确要求："检查 Skill 质量"、"TRACE 评测"、"技能打分"
第三方评审：平台审核员或社区用户对 Skill 做质量评估

能力边界说明

✅ 擅长处理

评估任意 Agent Skill，输出 20 子项评分
定位具体扣分原因，每个分数附证据
生成标准化报告（dimension-level 中文评语 + 子项分表 + 改进建议）
验证修改是否有效：修改后重新评测，对比前后分数变化
对比两个版本差异：判断新版本比旧版本在哪些子项有实质提升
支持标准/严格/快速/单维度四种模式

⚠️ 需要素材

完整评估需要 Skill 目录路径（含 SKILL.md），只凭名称无法评测
R1/E1/E3 评分需要 AI 自己阅读正文判断语义质量——脚本只提供结构基分

❌ 超出范围（附替代方案）

帮你写 Skill 内容 → 用 skill-awesome（规范知识）或 skill-trace-checker（发布前自检）
评测非 Skill 类文档 → 找对应工具
自动发布 Skill → 手动完成

评估流程

Step 1 ──── Step 2 ──── Step 3 ──── Step 4
收集基分    阅读技能    逐项校准    产出报告
────────────────────────────────────────────
trace_ev-   AI 直接    基分 ±0.3    Markdown
aluate.py   阅读正文    附调整理由    + 可选 HTML

Step 1：收集基分

python3 scripts/trace_evaluate.py --skill-dir <path> --format json

输出含 base_scores：每子项 base（1.0-5.0）、formula（计算公式）、evidence（证据字段）。

Step 2：阅读技能

必须自己阅读 SKILL.md 正文 + 扫描 references/、examples/ 目录。脚本提供结构数据，AI 判断内容质量。

AI 阅读时的检查思路示例：

【T 维】
  安全 → 查有无密钥/secrets/脚本，正文有无安全声明
  国内 → 查全文中文化程度、示例是否基于国内平台
  边界 → 查有无独立边界章节、三分类是否每类≥3例
  隐私 → 查有无数据隐私说明（FAQ 或专项章节）

【R 维】
  异常 → 查 Gotchas 是否包含"交互式引导模板"（先假设版本→列缺失项）
  功能 → 查 workflow 步骤是否覆盖所有声明功能
  稳定 → 查有无 validate-plan-execute 循环或等效约束
  降级 → 查边界章节中超范围后是否给替代方案

【A 维】
  边界定义 → 查三分类是否有场景化判断逻辑（"什么时候该用/不该用/模糊怎么判"）
  触发 → 查 description 信息量，是关键词堆砌还是场景化路由
  受众 → 查有无显式说明适用用户类型
  定制 → 查有无风格/参数传递机制

【C 维】
  文档 → 查 examples 数量是否达标（prompt≥10/cli≥4/doc≥5）
  披露 → 查 body 行数 + references 文件数，是否三层结构
  结构 → 查 name 规范 + refs 子目录≥2
  反模式/FAQ → 查 Gotchas 数量是否≥5 + FAQ 是否≥6且非充数

【E 维】
  准确 → 查有无"禁止胡编"规则或等效约束
  完整 → 查 examples 数量是否达阈值（prompt≥25/cli≥4/doc≥5）
  增值 → 查 refs 子目录≥2 + 是否有评估框架/决策树等深度领域知识
  开箱 → 查有无快速开始章节 + ≥3 个可复制开场白

Step 3：逐项校准

查 base → 读 [references/scoring-criteria.md](references/scoring-criteria.md) 中该子项的满分标准 + 扣分原因 → 判断正文内容匹配哪一档 → 按 [references/calibration-guide.md](references/calibration-guide.md) 调整（±0.3）→ 附一句调整理由。

Step 4：产出报告 ⚠️ 必须执行

评分完成后必须输出报告，不允许只口头报告分数而不写入文件。

报告使用统一模板，模板文件中有 {...} 占位符，替换为实际评估结果后写入目标文件。

报告模板

格式	模板文件	说明
Markdown	`examples/trace-report.generated.md`	纯文本，控制台可读，适合存档和 diff
HTML	`examples/trace-report.generated.html`	可视化雷达图 + Tailwind 卡片，适合浏览器展示和分享

让用户选择格式

评分完成后，必须用 AskUserQuestion 工具询问用户选择输出格式：

问题：评估完成，请选择报告输出格式
选项：
- "Markdown 报告" — 使用 examples/trace-report.generated.md 模板，输出纯文本报告
- "HTML 报告" — 使用 examples/trace-report.generated.html 模板，输出含 SVG 雷达图的交互式报告
- "两者都要" — 同时输出 Markdown + HTML

用户选择后：

选 "Markdown" → 基于 trace-report.generated.md 模板填入数据 → 写入 {skill-dir}/trace-report.md
选 "HTML" → 基于 trace-report.generated.html 模板填入数据 → 写入 {skill-dir}/evaluation-report.html
选 "两者都要" → 同时生成上述两个文件

写入完成后，必须向用户报告文件路径。

Markdown 报告结构

综合评分表（5 维 + 综合）
一句结语
五维详析（每维 4 子项：得分 + 证据 + 建议）
no-skill 基线对比表
官方规范合规表（10 项 agentskills.io 检查）
优化建议（优先级排序 P1/P2/P3）
Skill 基础画像

HTML 报告包含

SVG 雷达图（T/R/A/C/E 五轴）
五维评分卡片 + 进度条
20 子项详表（每子项：得分 + 证据 + 建议）
基线对比 + 官方合规 + 优化建议 + Skill 画像
支持 Print 和移动端响应式

评测后的改进指引

TRACE 评测不只是打一个分数，最终目标是帮助 Skill 达到更高质量。评测报告产出后：

定位扣分项：查看报告中 < 5.0 的子项，对照 [scoring-criteria.md](references/scoring-criteria.md) 中该子项的"满分标准"和"修改对比"示例
修改对应文件：每个扣分点都必须对应 SKILL.md 或 references/ 文件的实质改动（禁止只改报告措辞不修改文件）
重新评测验证：修改后再次运行评测，确认分数有实质提升
参考案例：不知道怎么改时，查看 [trace-anti-patterns.md](references/trace-anti-patterns.md) 中同类问题的正确修复方式

评分在 4.8 及以上时可视为达到实用标准，不必无限追求字面上的 5.0。

评分标准速查

评分细则全文在 [references/scoring-criteria.md](references/scoring-criteria.md)，校准规则全文在 [references/calibration-guide.md](references/calibration-guide.md)。以下为 20 子项的基分公式 + 满分标准摘要。

T · Trust（可信任度）

ID	名称	基分公式	满分标准摘要
T1	安全性扫描	`4.5 + no_scripts(+0.3) + secdecl(+0.2) - secrets(-1.0)`	无密钥+无scripts+有安全声明
T2	国内适配性	`has_chinese ? 5.0 : 2.0`	全中文，示例基于国内平台
T3	边界透明度	`boundary ? 4.5+0.3(whentouse) : 3.0`	三分类（✅/⚠/❌），每类≥3例
T4	数据隐私规范	`4.5 + secdecl(+0.5) - scripts(-0.2)`	声明"不收集/不处理数据"

T 维扣分常见原因： 示例全是英文场景；没有隐私使用说明；边界描述模糊（只说"有些场景不支持"）。

R · Reliability（可靠性）

ID	名称	基分公式	满分标准摘要
R1	异常处理	`gotchas ? 4.0+0.5(val) : 3.0`	Gotchas + 交互式引导模板
R2	功能完善性	`WF ? 4.5+0.3(steps≥5或exs≥10) : 3.5~4.0`	Workflow+场景覆盖无死角
R3	运行稳定性	`4.0 + gotchas/rules(+0.3) + val(+0.2)`	约束规则+校验清单
R4	降级兜底	`boundary ? 4.5 : 3.5`	超出范围给替代工具引导

R 维扣分常见原因： 用户输入不完整时 AI 直接停下问，没有先给假设版本；超范围请求直接拒绝，没有替代方案引导。

A · Adaptability（适用性）

ID	名称	基分公式	满分标准摘要
A1	能力边界定义	`boundary+whentouse ? 4.5 : 4.0`	场景化判断逻辑
A2	触发方式	`desc≥100 ? 5.0 : 3.5~4.5`	场景化路由，非关键词堆砌
A3	受众广度	`4.0 + chinese(+0.3)`	显式说明适用用户类型
A4	定制化支持	`type=cli或exs≥10 ? 4.5 : 4.0`	风格卡片/场景参数/配置机制

A 维扣分常见原因： 触发方式只有关键词列表，没有"什么情况用哪个功能"的判断逻辑；没有说明不同类型用户如何使用。

C · Convention（规范性）

ID	名称	基分公式	满分标准摘要
C1	文档质量	`exs≥阈值(cli=4/prompt=10) ? 5.0 : 3.5~4.5`	示例可直接复制、格式规范
C2	渐进式披露	`refs≥8+body<200 ? 5.0 : 3.0~4.5+th(+0.2)`	三层结构30秒上手
C3	结构清晰	`4.5 + name(+0.2) + refsd≥2(+0.3)`	refs子目录≥2
C4	反模式与FAQ	`gotchas ? 4.5+0.3(gc≥5) : 3.5`	Gotchas≥5 + FAQ≥6非充数

C 维扣分常见原因： 没有 references/ 深度文档；FAQ 只有 3~4 题覆盖面不够；无反模式案例，用户不知道什么做法会导致差输出。

E · Effectiveness（有效性）

ID	名称	基分公式	满分标准摘要
E1	输出准确性	`WF ? 4.5+0.3(val) : 4.0`	场景区分明确、禁止胡编规则
E2	内容完整度	`exs≥阈值(prompt=25/cli=4/doc=5) ? 5.0 : 3.0~4.5`	场景全覆盖、E2E示例
E3	创造力与增值	`refsd≥2 ? 4.5+0.2(refs≥10) : 4.0`	评估框架/决策树/领域知识体系
E4	开箱即用度	`4.0 + WF(+0.3) + val(+0.3) + gotchas(+0.2) + cli(+0.2)`	快速开始章节+可复制开场白

E 维扣分常见原因： 没有新手入门引导，用户不知道从哪里开始；输出示例不够真实（用通用模板而非真实场景）；缺乏增值特性，只是机械执行指令。

定制化使用指南

在触发时可传入以下参数定制评测行为：

模式	触发关键词	行为
标准模式	`"TRACE 评测"`（默认）	全量 20 子项评测，输出完整报告
严格模式	`"严格评测"`	所有子项必须达到 5.0，中间分视为不合格
快速模式	`"快速检查"` / `"只看扣分项"`	仅输出 < 4.5 的扣分项，跳过满分说明
专项模式	`"只检查 [维度]"`	聚焦单个维度，其他维度跳过
对比模式	`"对比修改前后"`	提供两版路径 → 输出差异对比表
HTML 报告	`"生成雷达图"` / `"可视化"`	除 Markdown 外，额外生成含 radar 图的 HTML

校准规则速查

#	规则	说明
1	仅在有语义信号时调整	正文有满分模式→上调，有扣分模式→下调。都不匹配→不调
2	调幅 ±0.3	单子项 max ±0.3。4.5 不能跳到 5.0（只能到 4.8）
3	附调整理由	一句中文，引用具体内容
4	去重降档	`ref_names` 有 ≥3 同版本前缀 → C2/E2 降一档（max 4.5）
5	完美阈值缓冲	同维 4 子项全可到 5.0 → 查隐性瑕疵 → 有则 max 4.8
6	类型感知	CLI型 C2=150行 E2=4exs。脚本已内置

综合评分

五维均分 = Overall。

Rating	Score
Excellent (优秀)	≥ 4.5
Good (良好)	3.5 – 4.4
Needs improvement (需改进)	< 3.5

报告模板

# TRACE Evaluation Report

Target: `<path>`

## Overall Assessment

**Overall Score: X.X / 5**
**Overall Rating: Excellent (优秀) / Good (良好) / Needs improvement (需改进)**

One-sentence conclusion: ...（自然中文，具体不空洞）

## TRACE Dimension Explanation

SkillHub TRACE 评测体系从**可信任度、可靠性、适用性、规范性、有效性**五个维度全面评估。
[了解详情](https://skillhub.cn/tutorials#trace-evaluation)

评测基于 AI 自动化检测，结果供参考。

## Evaluation Details

### T · Trust — X.X / 5
（1-2 句中文）

| Sub-item | Score | Commentary |
|----------|-------|------------|
| 安全性扫描 | X.X | 一句话证据 |
| 国内适配性 | X.X | ... |
| 边界透明度 | X.X | ... |
| 数据隐私规范 | X.X | ... |

### R · Reliability — X.X / 5
（中文评语）

| Sub-item | Score | Commentary |
|----------|-------|------------|
| 异常处理 | X.X | ... |
| 功能完善性 | X.X | ... |
| 运行稳定性 | X.X | ... |
| 降级兜底 | X.X | ... |

### A · Adaptability — X.X / 5
| Sub-item | Score | Commentary |
|----------|-------|------------|
| 能力边界定义 | X.X | ... |
| 触发方式 | X.X | ... |
| 受众广度 | X.X | ... |
| 定制化支持 | X.X | ... |

### C · Convention — X.X / 5
| Sub-item | Score | Commentary |
|----------|-------|------------|
| 文档质量 | X.X | ... |
| 渐进式披露 | X.X | ... |
| 结构清晰 | X.X | ... |
| 反模式与FAQ | X.X | ... |

### E · Effectiveness — X.X / 5
| Sub-item | Score | Commentary |
|----------|-------|------------|
| 输出准确性 | X.X | ... |
| 内容完整度 | X.X | ... |
| 创造力与增值 | X.X | ... |
| 开箱即用度 | X.X | ... |

## Improvement Suggestions (prioritized)

1. ...（具体、可行动）
2. ...
3. ...

评语规范

dimension-level：1-2 句自然中文，抓住核心。✅ "纯文档型零风险，全中文专为即梦打造。边界清晰但未声明数据隐私" ❌ "整体表现良好"
sub-item：一句话引用证据。✅ "Gotchas 13 条+checklist，但缺交互式引导模板" ❌ "安全方面没问题"

各维度建议措辞：

维度	正面措辞示例	负面措辞示例
T	未发现敏感信息硬编码；安全声明完整	发现疑似凭据模式需移除；缺少数据边界说明
R	异常输入有自检与提示；失败路径处理清晰	对异常输入缺少自检提示；缺少降级兜底策略
A	明确了不适用边界因此不易误用；有 near-miss 防范	描述过泛导致误触发；与相邻技能能力边界冲突
C	结构遵循快速上手→流程→示例且细节下沉 references/	内容堆在 SKILL.md 缺索引/目录；示例不可复制
E	示例覆盖主流场景拿来就能用；能显著减少返工	高级场景指导不足；只能完成浅层输出

受众说明

用户类型	使用方式
Skill 评测者	对社区或平台上的 Skill 做第三方质量评估，输出标准化报告
平台审核员	使用本标准作为统一评审框架，确保审核口径一致
Skill 作者自查	发布前自检，定位短板并针对性修改
社区用户	选 Skill 前快速了解质量，或对比多个同类型 Skill

常见问题 FAQ

Q1：脚本基分和 AI 校准分不一致，以哪个为准？ 最终报告中的分数 = 基分 ± AI 语义校准。校准只允许 ±0.3，所以两者不会差太远。如果差幅超过 0.3，说明该子项的满分标准描述模糊，建议对照 [scoring-criteria.md](references/scoring-criteria.md) 中该子项的"4.5 vs 5.0 比对"案例找到客观标准。

Q2：我只改了 Skill 的几行文字，需要重新做 TRACE 吗？ 修改了功能说明、FAQ、边界条件、触发词等影响使用体验的内容 → 需要重新评测。只修正了错别字或格式 → 不需要。

Q3：TRACE 评测结果是 AI 自动打的还是人工打的？ 脚本计算确定性基分（结构检测），AI 阅读正文后做语义校准（±0.3），最终由 AI 综合输出。具有一致性但不保证与 SkillHub 官方评测结果完全一致——官方还涉及用户行为数据维度。

Q4：某个子项反复评测还是不给满分，怎么办？ 对照 [references/scoring-criteria.md](references/scoring-criteria.md) 中该子项的"满分标准"和"4.5 vs 5.0 对比"案例。对比案例展示了刚好 5.0 的具体格式要求，找到差距后针对性修改文件。

Q5：references/ 下的文件不存在，该子项怎么评分？ 不存在 = 该标准未满足 = 脚本基分最多给 4.0。必须创建对应文件并填充实质内容，AI 校准后才可能达到 5.0。

Q6：我可以只检查某一个维度吗？ 可以。触发时明确说明"只检查 E·有效性"或"只看 C 维度"，评测会聚焦该维度打分并给出改进建议。深度 FAQ（第 7-15 题）见 [references/trace-faq-deep.md](references/trace-faq-deep.md)。

禁忌清单

行为	原因
无论据就调基分（纯为凑数）	校准必须有语义信号支撑
无 evidence 就说"表现良好"	每分必须有可引用证据
CLI 和 Prompt 型用同一标准	必须应用类型感知
FAQ 充数判满分	读内容判断实质价值
忽视去重信号	`ref_names` 前缀 ≥3 必须降档

TRACE 评测体系（原文）

以下内容来自腾讯科技、SkillHub 与腾讯玄武实验室于 2026 年 5 月 21 日联合发布的 TRACE 严选框架官方公告。

距离 Anthropic 推出 Agent Skills 不过半年，国内 Skill 社区 SkillHub 上的 Skill 数量已进入 7 万量级。5 月 21 日，腾讯科技、SkillHub 与腾讯玄武实验室联合发布 TRACE —— 国内首个面向 Skill 真实使用场景的严选评测体系。

T（Trust，安全可信） — 红线维度。R（Reliability，运行可靠） — 稳定性、可复现性和交付可靠性。A（Adaptability，场景适用） — Agent 能否自然识别并加载目标 Skill。C（Convention，结构规范） — 不是判断写得是否漂亮，而是具备被理解运行评测复用和维护的基础。E（Effectiveness，效果增益） — 结果必须明显优于 no-skill 参照组，且改善值得付出代价。

TRACE 是质量观测坐标系，采用"热度信号 + 时间切片 + 系统评测 + 编辑精选"的严选机制，不追求全量评分排名。

References

SkillHub TRACE Evaluation System
[references/scoring-criteria.md](references/scoring-criteria.md) — 20 子项满分标准 + 扣分原因 + 修改对比 + 五维度速查（含原 trace-criteria-detail、trace-rubric 内容）
[references/calibration-guide.md](references/calibration-guide.md) — 校准规则 + 反模式案例 + 调幅指南
[references/trace-anti-patterns.md](references/trace-anti-patterns.md) — Skill 创作者自检反模式案例集（来源：skill-trace-checker/东四联周博远）
[references/trace-skill-checklist.md](references/trace-skill-checklist.md) — 一页纸自检清单（scoring-criteria 浓缩版）（来源：skill-trace-checker/东四联周博远）
[references/trace-sample-reports.md](references/trace-sample-reports.md) — 真实评分报告案例集（来源：skill-trace-checker/东四联周博远）
[references/trace-faq-deep.md](references/trace-faq-deep.md) — TRACE 深度 FAQ（来源：skill-trace-checker/东四联周博远）
[examples/trace-report.generated.md](examples/trace-report.generated.md) — 真实评测输出样例（Markdown）
[examples/trace-report.generated.html](examples/trace-report.generated.html) — 真实评测输出样例（HTML 雷达图）

Keywords

English: trace-evaluation, trace-scoring, trace-report, skill-quality, five-dimension-evaluation

中文： TRACE 评测, TRACE 评分, TRACE 报告, 五维度评估, T/R/A/C/E 评估, 技能质量评测, Trace 严选, 严格评测, 快速检查

skill-trace-evaluation

Installation

Similar popular skills

Also in this package

Agent compatibility

Repository health

Skill metadata

Package contents

History

SKILL.md

Skill TRACE 质量评测

⚡ 新手 30 秒入门

执行时机

能力边界说明

✅ 擅长处理

⚠️ 需要素材

❌ 超出范围（附替代方案）

评估流程

Step 1：收集基分

Step 2：阅读技能

Step 3：逐项校准

Step 4：产出报告 ⚠️ 必须执行

报告模板

让用户选择格式

Markdown 报告结构

HTML 报告包含

评测后的改进指引

评分标准速查

T · Trust（可信任度）

R · Reliability（可靠性）

A · Adaptability（适用性）

C · Convention（规范性）

E · Effectiveness（有效性）

定制化使用指南

校准规则速查

综合评分

报告模板

评语规范

受众说明

常见问题 FAQ

禁忌清单

TRACE 评测体系（原文）

References

Keywords