Show HN：一个围绕评估而非演示构建的AI智能体技能仓库
该项目是一个可复用的AI智能体技能集合，每个技能都附有回归评估记录。重点在于评估记录，而非演示。提供了世界杯投注报告技能示例，并详细说明了如何运行、比较和升级评估。
近日，开发者sourishkrout在GitHub上发布了一个名为"Skills"的AI智能体技能仓库。与传统的展示型项目不同，该仓库的核心亮点在于围绕评估（evals）而非演示（demos）进行构建。每个技能都附带一个完整的回归评估跟踪记录，开发者应当首先查看这些记录，再决定是否克隆或运行代码。
目前，仓库中包含一个示例技能"world-cup-picks-report"，用于生成2026年世界杯的预测报告。尽管赛事已经结束，但该技能的评估记录仍然可供参考，并且持续更新。开发者可以通过两个仪表盘来监控评估进展：Trend仪表盘展示顶级指标和回归趋势，而Harbor仪表盘则保存了每一次任务和试验的完整历史。此外，也可以在本地克隆后通过runme eval view命令浏览历史。
使用该技能非常简单。开发者可以通过npx命令全局安装：
npx skills add -g https://github.com/sourishkrout/skills --skill world-cup-picks-report或者通过Claude Code插件市场添加：
/plugin marketplace add sourishkrout/skills
/plugin install world-cup-picks-report@sourishkrout-skills在本地运行评估之前，需要先克隆仓库并安装依赖，然后导出Anthropic API密钥（用于LLM评判）。评估流程支持多种AI代理，包括Codex、Claude Code、Cursor CLI和OpenClaw。运行完整回归评估的命令为：
runme eval skills/world-cup-picks-report/evals/regression \
--agent codex \
--ak reasoning_effort=xhigh如果只想运行oracle（即仅评估核心逻辑），可以使用：
runme eval skills/world-cup-picks-report/evals/regression评估完成后，开发者可以使用比较命令查看最新结果与Git基线之间的差异：
runme eval compare skills/world-cup-picks-report/evals/regression在提交证据前，还可以使用预览命令：
runme eval promote skills/world-cup-picks-report/evals/regression --latest --dry-run如果结果令人满意，可以将其升级为新基线。升级过程默认会压缩评估证据，但也可以选择保留完整日志（使用--artifacts）。需要注意的是，Harbor展示是公开的，因此在升级前务必仔细审查证据。升级提交到主分支后，GitHub Actions会自动发布更新结果。
该仓库采用MIT许可证，目前仍处于早期阶段，但这种以评估为中心的方法为构建可靠AI智能体提供了新的思路。开发者可以在GitHub上查看完整文档和示例。整个工作流程强调了评估记录作为首要产出的理念，有助于确保AI技能的质量和可重复性。