用途：在信任评估分数或据此优化应用之前，审计已有的评估证据、评分器、数据集与运行可靠性。它不是通用代码审查，而是针对评估流程本身的核查。
主要能力：按检查项审计任务有效性（指标是否衡量目标结果、失败类别是否真实观察到、对执行型智能体是否检查结果状态）、数据有效性（输入是否最新、是否代表所声称的比例、是否可合法留存，识别合成样本与模型生成的参考答案，检查重复与跨切分共享对话）、轨迹有效性（输出、分数、模型身份、用量与记录是否来自同一次执行，检查工具调用与检索）、评分器有效性（专家分歧、误通过与误失败，用空输出、答非所问、已知通过和已知失败做测试）、运行框架有效性（人为制造安全本地错误，应报告为执行错误而非能力零分，检查重试策略、超时、增量写入与恢复身份）、对比有效性（从原始行重算头条指标，比较数据集、评判器、模式、应用配置与环境版本，检查错误率与缺失数据分母，确认参数确实到达应用与子智能体）。
使用方式：先阅读操作约定，检查实际产物而非仅凭清单下结论；阅读工具包设置获取本地工具与确切命令，运行该技能的工作区安装器（会保留已有自定义文件）。收集运行命令、真实应用入口、用例、参考答案来源、完整轨迹、人工标注、评分器定义与版本、原始结果，复用已接入的可观测性工具或本地导出。
结论与修复：将发现分为阻断（结论无效）、重要（证据薄弱）、改进三类，每条需附产物引用、观察到的后果与具体修复。无法获取的证据标为未知而非通过。修复评分器需保留旧评分并重新评分所有已比较的存储输出；修复应用执行可能需重跑基线；对变更做版本化，展示排名是否变化。不要为迁就错误标注的参考答案而调优应用。交付重算结果、置信区间、失败与错误分解、按优先级排序的发现及下一步可执行动作。
限制：资料未提供具体收费、价格、平台支持范围与效果数据。