用途：在正式采集数据之前，设计一项将AI系统与人类专家小组对照的基准研究，为评分量表、可靠性指标、裁判策略和数据结构提供预先规划。
主要能力：明确评估问题与各对比臂（输入、信息获取、输出格式需一致）；设计解耦的多维评分量表，为每个量级点提供锚点描述并预设区分效度；植入盲化随机化的校准探针（阳性对照、已知劣质负对照、不稳定项、机制矛盾项）；构建评分者小组并记录元数据、按评分者随机化条目顺序；设定评分者间信度目标，并区分“真实条目锚集上的信度”与“控制项的胜任力检查”——后者不能作为量表效度证据；在负担受限时使用锚定加轮换的评分者分配；选择human-as-judge、LLM-as-judge或两者结合并预设分歧裁决规则；设置构念独立与泄漏防护；锁定结构化JSON导出模式。
使用方式：按八个阶段推进，每个阶段含供用户确认的门禁；量表、探针、分配公式和导出模式分别参考技能目录下的 references 模板文件（如 elicitation_rubric_template.md、anchor_rotate_reader_allocation.md、benchmark_export_schema.json）。统计分析、报告规范、整体研究设计和同行评审分别交由 /analyze-stats、/check-reporting、/design-study、/peer-review 等处理。
适用场景：需要支持具体可检验主张（如“系统A输出与专家输出在感知上不可区分”）的基准设计，而非泛泛的“可部署”结论。
限制：评分、参考标签、探针结果和一致性统计只能来自已采集的评分记录，禁止凭空生成；参考文献须有经 /search-lit 确认的DOI或PMID，否则标注 [UNVERIFIED - NEEDS MANUAL CHECK]；未确认的临床定义、诊断标准或指南推荐须标注 [VERIFY] 并向用户核实。具体收费、价格、平台支持等信息暂未提供。