用途：为 AI/LLM 应用构建评估器（evaluators），支持从错误分析出发，用代码评估确定性逻辑、用 LLM 评估细微质量，并用人工标签验证评估器准确性。
主要能力：提供预置评估器与自定义评估器，涵盖代码评估、LLM 评估、RAG 评估；支持选择裁判模型、批量评估 DataFrame、运行实验、创建数据集、生成合成数据、导出 span、编写 span 过滤器（SpanQuery().where）、采样 trace 供审查、错误分析与多轮错误分析、轴向编码、常见错误与反模式、生产环境概览、护栏与持续评估。
使用方式：按工作流组织，如“从零开始”：observe-tracing-setup → error-analysis → axial-coding → evaluators-overview；构建评估器：fundamentals → common-mistakes-python → evaluators-{code|llm}-{python|typescript} → validation-evaluators-{python|typescript}；RAG：evaluators-rag → evaluators-code-（检索）→ evaluators-llm-（忠实度）；CI 门禁：evaluators-{code|llm}-{python|typescript} → integrations-{pytest|vitest-jest} → production-continuous；生产：production-overview → production-guardrails → production-continuous。可在 pytest、Vitest、Jest 等测试运行器中运行评估作为 CI 门禁。
适用场景：AI/LLM 应用的离线评估、数据集与实验管理、RAG 系统评估、CI 质量门禁、生产监控与护栏。
限制与原则：先做错误分析，未观察到的失败无法自动化；自定义评估器优先于通用评估器；代码优先、确定性优先于 LLM；评估器需用人工标签验证，建议 >80% TPR/TNR；采用二值（通过/失败）而非 Likert 1-5；硬性不变量用 assert/expect 使 CI 变红，LLM 裁判质量信号记录并对聚合结果设门禁，而非逐例门禁。具体安装命令、平台与收费信息暂未提供。