eval 是给 AgentHub 会话结果评分与排序的 Skill。它可在各工作树运行指标命令，也可比较代码差异与结果报告，或结合两种方式。
先核同一基线、同一评估输入与指标方向，再看谁改善了什么。更低耗时不能以丢功能为代价，测试失败也不能被漂亮的单项分数盖住。
原文在差距接近时引入模型评审，但“相差10%”只是该流程的判断条件，不证明统计上没有差异。模型意见仍需对应产物，改动行数少也不自动代表正确或简单。
适合已经有多个完整候选的比较。本文未运行评估或选胜者，排行脚本未展开；排名要保留理由、失败与未覆盖项，选定候选以后，合并到当前基线仍需另行验证。