用途：为 LLM 输出建立生产级自动评估体系，核心是用 LLM 作为评判者（LLM-as-a-Judge），并选择合适方法、缓解已知偏差。
主要能力：区分两类评估方法——直接打分适合客观标准（事实准确性、指令遵循、毒性），成对比较适合主观偏好（语气、风格、说服力）。提供偏差缓解：位置偏差用交换位置双次评估并做一致性检查，长度偏差用显式提示与长度归一化，自我增强偏差用生成与评估模型分离，另有冗长偏差与权威偏差的应对。提供指标选择框架（二分类用 Recall/Precision/F1，序数用 Spearman ρ、Kendall τ，成对用一致率与位置一致性，多标签用 Macro/Micro-F1）。提供评分量表生成（等级描述、特征、示例、边界情况、严格度校准）与置信度校准。
使用方式：直接打分需明确标准、校准量表和结构化输出，并要求先给证据与理由再给分数（思维链可提升可靠性）。成对比较需两轮交换位置，若结果不一致则判为平局并降低置信度。高并发场景可用多模型评审团、分层评估或人工介入。
适用场景：自动化评估流水线、多模型响应对比、评估标准统一、评估系统调试、提示或模型变更的 A/B 测试、人工与自动判断相关性分析。
限制：资料未提供具体安装命令、收费、平台支持或性能数据；评估可靠性依赖与人工判断的相关性验证，需持续监控系统性偏差。