OpenAI：如何用 Evals 系统化评测 Codex Agent Skills

OpenAI 发布智能体技能评测指南，提出利用轻量端到端测试体系系统化验证 Codex Skills 的触发与执行效果。该方案建议构建包含隐式触发与负样本的小型提示词集，通过 codex exec 导出的 JSONL 执行轨迹进行命令和文件等确定性检查。针对代码风格与组件规范等定性要求，文中进一步演示了配合 output-schema 进行模型结构化打分的回归测试流程。