dsh-skill-eval：用 LLM judge 量化 DSH 技能觸發可靠性的評測插件

# 前言 在 DSH（DeepSeek Harness）裏，一個技能能不能被用上，很大程度取決於它的 description：模型根據技能目錄提示詞裏的 description，決定要不要調用某個技能。description 寫得過窄，匹配的查詢不會觸發該技能（欠觸發）；寫得過寬，不相關的查詢也會被觸發（過觸發）。 這兩種問題平時只能手工試幾條查詢，憑感覺判斷，結果既不可復現，也難以比較。dsh-skill-eval 把這件事變成可復現的評測：用一個 LLM judge 完整復現官方技能目錄提示詞，逐條判斷測試查詢是否應觸發目標技能，再彙總成指標。 #