Claude Code 新增 /build-eval 和 /hillclimb 命令，评测设计流程开源

Anthropic 的 RLanceMartin 在博客中把评测设计和爬山优化产品化为 Claude Code 的两个命令：/claude-api build-eval 和 /claude-api hillclimb，对应 Skills 开源在 claude-api skill 仓库。评测方面强调任务要镜像生产、评分器要先用程序化验证再用 LLM-as-judge，且裁判不能是被测模型。爬山方面核心是防过拟合：训练集升但测试集平就回滚，并禁止把失败案例内容直接粘贴进 prompt。两个案例给出了具体数字：客服成本优化从 74.4% 决策准确率、4.6 美分/单，降到 90.5% 准确率、约五分之一成本；claude-api skill 自身从 66% 提到约 88%。