用途：在发布或重构 LLM 智能体前建立评估框架，避免仅凭“感觉更好”就合并提示词或图变更。适用于模型/模式/供应商选型、回归复现、判断是否可上线，以及涉及 LLM-as-judge、黄金集、评估套件或回归测试的场景。
主要能力：评估框架由三部分组成——冻结输入集（至少 20 个代表性任务，标注预期结果形态而非精确文本，需人工精选覆盖长尾）、评分函数（优先确定性评分，如精确匹配、schema 校验、工具调用正确性；仅对自由文本输出使用带评分标准和锚点示例的 LLM-as-judge）、回归门禁（与上次已知良好运行对比，分数下降则阻断 CI 或合并）。决策流程：可校验答案用确定性评分；结构化产物（代码、SQL、JSON）直接运行验证；自由文本用带 3–5 个锚点示例的评分标准；多步智能体循环需评估轨迹而非仅最终答案。每次运行需记录输入原文、真实标签、完整轨迹、各标准分数、延迟与 token 成本、模型/提示词/图版本。
使用方式：先向用户确认单任务成功标准、失败分布、可提供的代表性输入数量、正确性裁决人、评估运行位置（本地/CI/定时）及每次运行预算；若这些无法回答，应先解决而非搭建框架。
限制与反模式：无黄金集不得合并；禁止无锚点的 LLM-as-judge、单例调参、评估集随每次变更增长、仅评最终答案、反复重采样评委直到满意。参考资料包括 references/scoring.md、references/golden-sets.md、references/ci.md，相关技能有 agent-observability、agent-architecture-patterns、tool-use-schema-design、guardrails-and-safety、agent-cost-modeling。具体安装命令与代码示例暂未提供。