翻到一个开源的agent技能仓库，作者的立场挺鲜明：整个仓库围绕评测建，不围绕演示建。
这话有点意思。现在这类仓库满地都是，点进去清一色的动图，一分钟录屏里agent一顿操作猛如虎，看着就想star。但你真装上跑自己的活，十次里有六次不是那个效果。
原因也不复杂：演示是精心挑过的路径，评测是被迫覆盖失败路径。做演示只要成功一次，做评测得统计成功率。
所以我现在看这类项目，第一件事是翻有没有测试集、成功率怎么算、失败案例贴不贴出来。有的话哪怕功能少我也愿意试；只有动图的，基本直接关掉。
你们挑技能包的时候看什么？