审计 7 款 LLM 评测工具源码，发现 13 处打分与实际检查不符

作者用一个月阅读 7 款常用于评估 Claude Code skill 与 LLM 应用的工具打分源码，包括 agent-skills 仓库的 eval harness、NVIDIA SkillEvaluator 以及 MLflow、LangSmith、DSPy、DeepEval、Harbor，发现 13 处分数或通过判定并不被其实际检查支撑，每处都可复现并附了复现步骤。