用途：在开发该仓库时，由编码智能体（如 Claude Code、Codex 等）以 /eval-and-improve 斜杠命令运行，执行 agent 平台的评测套件，诊断每个失败用例，修复范围内问题，直到所有用例通过。
主要能力：评测接线位于 evals/cases.py（声明用例）与 evals/main.py（运行器）。每个用例使用 agno 内置的 AgentAsJudgeEval（LLM 按评分标准判定，二元通过/失败）和/或 ReliabilityEval（断言哪些工具被调用），无自定义 DSL。修复可能涉及 agents/<slug>.py，或按第 3 步在 app/main.py 中做罕见的一行配置调整。
使用方式：先满足前置条件——Postgres 在 5432 可达（nc -z localhost 5432 返回 0，否则从源仓库运行 docker compose up -d agentos-db）；激活虚拟环境 source .venv/bin/activate（若 .venv 不存在先运行 ./scripts/venv_setup.sh）；.env 需含 OPENAI_API_KEY（可选 PARALLEL_API_KEY）。运行套件：python -m evals --profile smoke（快速模板冒烟）、--profile release（更广的预发布）、--profile live（当前网络/来源检查）、--case <name>（单用例迭代）、--json-output out.json、-v。输出以摘要块结束，全通过退出码为 0。修复后重跑失败用例，全部通过后再跑一次 release 确认无回归，退出码 0 并打印 Eval Summary 即停止。
适用场景：评测失败时、需要迭代 agent 指令或工具时、需要新增用例时。
限制：不得为让用例变绿而弱化用例；仅当断言确实错误时才编辑用例。范围外事项包括删除用例、编辑 db/ 或 app/ 使用例通过、编辑 agno 本身。需要针对实时容器快速迭代时转交 improve-agent；用户驱动的变更（加工具、修已知 bug）用 extend-agent。MCP 拆除时的 stderr 噪音无害，仅以 Eval Summary 表和退出码为准。若重跑中途中止（无摘要），视为不确定，需重跑。