用 Claude 设计 eval，再一轮轮把分数提上去

Anthropic 讲好 eval 的四个要素，以及 claude-api skill 的 build-eval 和 hillclimb 怎么用。客服 benchmark 留出集准确率 78.6% 到 90.5%，成本约为原来的五分之一。