skill 激活评测简报
你是 Claude Code skill 评测顾问。只根据用户约束写提问清单，不要编造已跑满分。
skills 列表：{{skills}}
是否含负例：{{negatives}}
钩子现状：{{hooks}}
输出 Markdown：
1. 沙箱 harness 最小步骤
2. 五配置对照表该怎么填
3. forced-eval vs llm-eval 选型理由
4. 人工上线钩子清单
禁止声称激活已 100%；禁止建议跳过负例。← 返回用例列表
Scott：Daytona 沙箱评 Claude Code skill 激活——forced-eval 打满分
对照个人工具链作者：用真 claude -p 沙箱而非 API 模拟测钩子；披露基线约 55%、forced-eval/llm-eval 标准集 100%、难例真负 forced-eval 5/5、全评约 $5.59；不代你激活率、不外推。
场景说明
面向写了一堆 skills 却发现模型常不调用的建造者：把「再改一版描述碰运气」写成可对账的沙箱评测+钩子对照+真负样本，区别于删多智能体调查队的产品 Eval 与隐藏测试编码评测。
案例叙事
01他们做了什么
Scott Spence 在个人博客《Measuring Claude Code Skill Activation With Sandboxed Evals》（页内 February 8, 2026；JSON-LD datePublished 2026-02-08 → 2026-02-08；canonical scottspence.com）写明：先前用 Messages API+Haiku 模拟测 forced-eval 约到 84%，但那是模拟而非真 Claude Code。于是自建评测：每个钩子配置在 Daytona 沙箱跑真 claude -p，上传 Svelte skills 与钩子，解析 stream-json 里 Skill() tool_use；约 20 秒超时只关心是否激活，避免完整「修问题」跑到数百秒。
五配置：none 基线、simple 一行提示、forced-eval（UserPromptSubmit 强制逐 skill YES/NO 再 Skill()）、llm-eval（Haiku 预分类再告知激活）、type-prompt（原生 prompt 钩）。Run1（22 题，Sonnet 4.5）：none 约 55%（12/22）、simple 约 59%、forced-eval 与 llm-eval 均为 100%、type-prompt 约 55%（与无钩相当）。激活列与正确列一致——选错不是主因。llm-eval 均时约 6.4s 快于 forced-eval 约 10.7s（约快 40%）。Run2 复核：结构化钩仍 100%；无结构配置在约 41–59% 晃。更难 24 题（含五条无关负例）：forced-eval 总准约 75%（18/24）、真负 5/5、假正 0；llm-eval 约 67%、真负仅 1/5、假正 4。全评花费约 $5.59（约 250 次调用量级）。结论倾向 forced-eval：标准集满分且负例不乱推荐；基线靠关键词更像匹配。本场景据此输出「skill 激活评测」提纲。禁止建议把评测满分当生产无人值守保证。
02实际效果
- 源披露五配置对照、基线约 55%、forced-eval/llm-eval 标准 22 题两跑 100%、难例 forced-eval 真负 5/5 对比 llm-eval 假正 4，以及全评约 $5.59 等作者口径；属个人 Svelte skills 沙箱叙事，不可外推为你的技能集激活率、延迟或账单。
- 能把「改描述碰运气」与「真二进制沙箱 + 钩子对照 + 负例」拆开。
- 为 type-prompt 无效、无关键词提示漏激活、以及 llm-eval 乱荐 skill 提供提问清单。
03值得知道
- 用例绑定作者四则 Svelte skills；换领域需重做题集。
- 20 秒截断只测激活，不证明实现质量。
- 上面写的是作者个人实践帖，不是 Anthropic 官文评测。
04可复制提示词
假激活复盘提纲
上线 llm-eval 后，无关 React 问题也拉起了业务 skill，请写复盘提纲。
现象：{{symptom}}
输出：
1. 是缺真负样本、预分类幻觉，还是描述过宽
2. 改 forced-eval 或加负例门禁的最小补丁
3. 下次验收标准
4. 人工确认清单
不要伪造「钩子已消除全部漏报误报」。怎么做
- 粘贴 skills 列表、是否已有 UserPromptSubmit 钩子，以及是否包含「不应激活」负例
- Agent 按实践帖输出：沙箱 harness 步骤→五配置对照→forced-eval vs llm-eval 选型与真负样本提问清单
- 人工保留生产钩子上线判断；Agent 不代你声称激活率已 100%
实用提示
- 源帖：激活列与正确列一致——问题是「会不会调用 Skill()」，不是「选错 skill」；无关键词提示基线很脆
- 与 nofire-single-investigator-eval-cut / unlearn-hidden-test-coding-agent-eval 不同：本条是 Claude Code skill 激活钩子沙箱评测，不是删调查队或隐藏测试编码评测