Codex Skill 改完到底更稳了吗？用 CSV 清洗任务做一次可重复评测
[!NOTE]
Skill 写得更长，不代表 Codex 执行更稳。本文设计一个 CSV 清洗任务，从输入夹具、输出合同、正负触发样例到双版本对照，演示如何记录成功、失败与误触发，而不是只凭一次满意回答判断改进。
事实核验日期：2026-10-08。本文提供原创评测设计，不宣称已测得某个 Codex 模型的成功率。小样本练习用于发现问题，不能推导普遍性能结论。
一、先把“感觉更好”换成可以失败的标准
你把 Skill 增加到几百行，再试一次任务，结果看起来不错。这并不能说明新版一定更好：输入变了、上下文变了、模型设置变了，甚至你多提醒了一句关键要求。
评测的第一步，是固定任务。本文只清洗一个无隐私 CSV：检查表头、去除完全重复行、保留最早出现的顺序，输出到新文件。遇到表头缺失或重复列名就停止，不覆盖输入。
官方技能文档说明技能由 SKILL.md 与可选资源组成，名称和描述参与发现与选择。技能官方说明。本文使用本地夹具和检查器的方案，是作者设计的评测练习。
要评测两件不同的事：该触发时是否选中了技能，以及选中之后是否完成了任务。一个执行得很好的技能，如果从不被选中，同样无法帮助日常工作。
