用途：在 Arize 平台上管理评估流程，包括创建/更新评估器、针对 span 或实验运行评估、管理任务与相关 CRUD。
主要能力：
- 模板评估器：以 {input}、{output}、{context}、{conversation} 等变量定义裁判提示词，可设分类标签及数值分数、AI 集成、裁判模型、调用参数（如 {"temperature": 0}）、优化方向（MAXIMIZE/MINIMIZE）和数据粒度（span/trace/session）。评估器带版本，最近版本生效。
- 代码评估器：确定性、无需 LLM，需继承 CodeEvaluator 类并遵循严格的导入路径与 evaluate() 签名，否则运行会静默取消（0/0/0）。
- 任务：绑定项目（实时跨度）或数据集/实验，包含评估器列表、列映射、查询过滤（--query-filter）、连续评分与采样率（0–1）。多评估器任务按最高粒度拆分运行；评估器级 query_filter 当前被忽略。
使用方式：通过 ax 命令操作，例如用 ax spaces list 查空间、ax projects list 列项目、ax ai-integrations list 查集成，用 ax evaluators create-template-evaluator 创建评估器，用 ax tasks create-evaluation 创建任务，并用 ax tasks trigger-run 触发回填（可加 --max-spans 与 --wait）。凭证由 ax profiles 管理，不要读取 .env 或让用户在对话中粘贴密钥。
适用场景：对生产 trace 做幻觉、正确性、相关性等打分；对实验运行打分；trace 级评估智能体轨迹；session 级评估多轮对话质量。
限制：trace/session 聚合时列值逗号拼接并截断至 100K 字符；{conversation} 仅 session 粒度特殊处理，且需跨度带 attributes.session.id；评估索引异步构建可能滞后 1–2 小时，首次测试应把时间窗结束设到至少 2 小时前；过滤需用 attributes.openinference.span.kind，span_kind 不是列；任务不能直接针对数据集，需先建实验；若评估失败/取消或无分数，必须如实报告错误，不得伪造分数或手工评估。具体命令与参数细节以官方 CLI 参考为准，本资料未提供的内容暂未提供。