dsh-skill-eval：用 LLM judge 量化 DSH 技能触发可靠性的评测插件

# 前言 在 DSH（DeepSeek Harness）里，一个技能能不能被用上，很大程度取决于它的 description：模型根据技能目录提示词里的 description，决定要不要调用某个技能。description 写得过窄，匹配的查询不会触发该技能（欠触发）；写得过宽，不相关的查询也会被触发（过触发）。 这两种问题平时只能手工试几条查询，凭感觉判断，结果既不可复现，也难以比较。dsh-skill-eval 把这件事变成可复现的评测：用一个 LLM judge 完整复现官方技能目录提示词，逐条判断测试查询是否应触发目标技能，再汇总成指标。 #