用途：为 AI 智能体设计并实现完整评估体系，适用于编码、对话、研究、计算机操作类智能体的基准构建、评分器设计、生产监控与 CI/CD 自动评测。
主要能力：区分单轮、多轮、智能体式三类评估演进；定义任务、试验、评分器、记录、结果、评测框架、套件等核心术语；提供代码型、模型型（LLM 评判）、人工三类评分器及适用场景；按智能体类型给出策略，如编码智能体用 SWE-bench Verified、Terminal-Bench 与自定义测试套件，对话智能体用 τ2-Bench 与多维评分标准，研究智能体评估依据、覆盖度与来源质量，计算机操作智能体用 WebArena、OSWorld 并校验 UI、数据库与文件状态。
使用方式：按 8 步路线图推进——尽早从 20-50 个代表性任务起步，将手工测试转为评估任务，确保任务清晰并提供参考解，平衡正负与边界用例，用 Docker 隔离环境，聚焦最终结果而非中间路径，阅读完整记录排查问题，监控评估饱和并长期维护。可与 CI/CD 集成（如 GitHub Actions 运行 run_evals.py），并支持生产采样监控与 A/B 测试。
限制：资料未提供具体安装命令、收费与价格信息；模型型评分器需校准，人工评分成本高、不可扩展；评估套件需持续维护，避免过时与饱和。