用途：单智能体评测无法发现协调类缺陷，如交接丢失、角色混淆、责任推诿、状态传递不完整。该工具为多智能体系统补充角色级指标、协调失败场景与完整对话记录评分。
适用时机：两个及以上智能体协作（编排者加工作者、对等智能体、A2A）；仅在生产多智能体运行中出现的问题；需要比较编排模式（层级式、对等式、黑板式）；A2A 协议集成。
主要能力：按角色测量任务完成率与工具调用有效性；按交接测量状态传递完整性与交接延迟；按系统测量端到端成功率、总成本与延迟；检测推诿循环与死锁。
协调失败测试套件：故意注入丢消息（验证接收方检测与重试）、过期状态（接收方须刷新）、冲突指令（谁优先）、对等体静默失败（超时无错误）、角色越界（编排者做工作者的活）、权限混淆（工作者覆盖编排者决定）、交接中途预算耗尽（能否优雅处理）。
对话记录评分：使用评分标准对角色遵守、交接质量、终止、推诿循环、面向用户质量打分，由 LLM 作为评判者，须看到带角色标签的完整记录而非仅最终输出。
用法：目录含 scenarios、runs、grader.py、reporter.py。快速开始：from harness import Scenario, run_scenario, grade；加载场景、运行、评分、生成报告。CI 门禁：回归集上 role_adherence 低于 0.9 阻止合并；检测到新推诿循环阻止；端到端成功率较基线下降超过 5 个百分点阻止。
限制：资料未提供具体安装命令、依赖版本、支持的模型或平台、收费信息，也未给出完整评分实现细节。