兩天測下來，我發現一件比任何單一結果都重要的事：這個系列很容易滑向「工具箱文」——裝一個 Skill、講一下感覺、下一篇換一個。要避免這件事，光靠自己小心不夠，得先把接下來要測什麼、為什麼這樣選，講清楚放在這裡，讓我自己也沒有退路。

先回顧兩天看到什麼。Day 1 測 Atomic Commit，發現「任務做對」跟「Skill 被叫到」是兩件獨立的事——有裝跟沒裝，成功率完全一樣，但 Skill 真正被叫到的次數只有一半左右。Day 2 換官方內建的 code-review，發現反過來的版本：有叫到跟沒叫到，抓出來的問題幾乎一樣，差別主要在輸出格式的紀律，不是抓得準不準。兩個結果放在一起看，共同點是：沒有一次是「裝了就變好」這麼簡單的故事。這正是我想保住的東西——每篇都要真的跑過、有機會得出「沒差」這種不討喜但誠實的結論，不是為了寫得好看而先射箭畫靶。

為什麼接下來不測我自己做的

Atomic Commit 是我自己維護的 Skill，Day 1 測它，某種程度是因為手邊現成、最熟。但接下來如果一路測自己寫的東西，讀者很難分辨「這個結論客觀」跟「我當然覺得自己做的東西不錯」——就算我老實寫出負面結果，這個懷疑也很難完全排除。所以從這篇開始，測試對象只挑熱門、有真實使用者、不是我自己做的 Skill；除非哪個我自己做的東西真的解決了具體痛點、擺在同一把尺下也站得住腳，才會再破例收進來，而且會在文章裡明講「這是我自己做的，特此註明」。

另一個原因是我去翻了自己在追蹤的 GitHub 工程知識庫（我平常叫它 star-brain，844 顆 star 依問題域分類）。光是「Agent-Skill 生態」這個問題域就有 30 個 repo，全部是策展清單、市集或 registry——awesome-claude-skills、awesome-codex-skills、clawhub 這類；「Harness 工程」也有近 30 個，全部是在建工具，沒有一個在測。翻完兩個域，沒有找到一個是「拿固定任務、有無對照、留下數字」這種協定式驗證。這代表我不需要跟幾十份策展清單搶「我知道的 Skill 比較多」，因為那條路已經很擠了；真正空著的位置，是有人願意老實地測、老實地寫沒用的部分。

接下來要測的方向

不鎖每一篇對應哪個 Skill——這兩天已經證明計畫會變（Day 3 本身的主題就換過一次），鎖死「第幾天測誰」只會逼自己硬做，或者回頭改已經發出去的文章。但方向要講清楚，讓這個系列讀起來像有計畫，不是想到哪測到哪：

資安稽核族群：我機器上裝了 Trail of Bits（知名資安研究公司）官方出的一整包 Skill——static-analysis、semgrep-rule-creator、variant-analysis、differential-review、property-based-testing 這些，目前都還沒開啟過。這塊的 claim 很具體可測：真的能抓到埋進去的漏洞嗎？還是只會講一些泛泛的安全建議？

Harness／Loop 族群：ralph-loop 跟 superpowers，都是 Claude 官方市集裡的東西。Ralph loop 這個手法在 agent 工程圈子裡算是有名氣的做法，剛好也呼應這整個賽道的主題——用 Skill 包起來的版本，是不是真的把原本的手法做對了。

記憶與檢索族群：claude-mem、context7。這兩個的 claim 是讀者最有感的那種：AI 真的記得住上次講過的事嗎？查文件的時候真的是最新版，不是模型自己編的印象？

跨廠牌工具族群：Figma 官方的設計轉程式碼 Skill、OpenAI 自己的 Codex 整合、一個影片轉逐字稿的 Skill。這組好玩的地方是品牌都不是 Anthropic 自己的，用 Claude Code 的方法去測別家官方工具，會不會有系統性的落差，這件事本身沒什麼人測過。

輕鬆調劑：中間會穿插一兩篇比較輕的，像是一個號稱能讓 AI「不要把答案埋在長篇輸出裡」的小 Skill——claim 小、跑得快，適合放在重內容中間喘口氣，但一樣照同一把尺跑，不因為輕鬆就省掉對照組。

方法本身也還在調整

Day 2 學到一課：不是每個 Skill 都能用 claude plugin eval 跑。內建在執行檔裡的 Skill 沒有 plugin 路徑、沒有 evals/ 目錄，工具直接說找不到，只能換成手動 A/B。接下來每一篇會先確認這個 Skill 能不能用自動化工具測，不能的話就老實說改用什麼方法、為什麼——這件事本身也會被記下來，因為它跟「這個 Skill 到底怎麼運作」一樣，都是讀者該知道的資訊，不是可以跳過的細節。

不變的部分

不管測哪個 Skill、用哪種方法，這幾件事不會變：先有固定任務，再看有無 Skill 的差異；沒實跑過的結果不寫進正文；抓到「沒差」或「更差」照樣發表，不會為了每篇都要有亮點而美化。這是 Day 1 立下的評分尺，Day 3 只是把「接下來測誰」的邏輯講清楚，尺本身沒有變。

明天開始，回到實測。