Anthropic do Claude Code přidává příkaz claude plugin eval pro systematické testování pluginů a skills. Vývojář může připravit realistické prompty a hodnoticí pravidla, která kontrolují například text odpovědi, použití konkrétního nástroje nebo výsledek posuzovaný druhým modelem. Nástroj umí sadu testů také navrhnout a založit z popisu pluginu. Každý případ se ve výchozím nastavení spouští třikrát v izolované relaci, aby výsledek nebyl založený na jediném náhodném běhu. Claude Code pak porovnává výkon s pluginem a bez něj, takže lze odhadnout, co skutečně přidává vlastní rozšíření. Dokumentace počítá i s limity času a počtu tahů a s možností zapojit testy do CI. Novinka míří hlavně na autory nástrojů, kteří potřebují zachytit regrese po úpravě pluginu nebo po vydání nového modelu.
