skill 的是非题评分

对 [skill name] 跑一次评测，然后改进它：
1. 从 ~/.claude/projects 的会话记录里挑 10 个用过它的真实任务，把输入原样存到 evals/。找不够就问我要。
2. 写 8 道 yes/no 题，每道只查一件事：做到了记 1，没做到记 0。先给我看，等我改完再开始。
3. 每个任务交给一个全新的 subagent，只给它这个 skill 和这一个输入。会发帖或花钱的步骤，只写下它会做什么，不要真的执行。
4. 另用一个 subagent 当评分员。它只看输入和输出，也不告诉它评的是哪个版本。我先把 10 个输出都打一遍分，评分员和我的一致率到 90% 你再继续。
5. 挑通过率最低的那道题，写两种改法，各跑一遍。得分高的那种，只有在这道题至少多通过 2 个任务、而且其他题都没掉分时才保留。
6. 新版本另存为一个新文件。最后告诉我修改前后的分数，以及你改了哪几行。