用途：围绕观察到的具体失败或明确产品需求，建立可验证的评测标准，实现并校准针对失败模式的 AI 评测器，避免使用笼统的“质量”分数。
主要能力：支持多条评测路线——托管评测（托管托管标准、保留定义并核对示例判定）、本地 DeepEval（仅作本地轨道的评分组件，不强制其运行器、追踪或数据集，可选 Jev system_one、混合或 LLM 评判）、以及复用项目自带评测器或自写小型可调用函数（返回结构化结果与理由）。可用代码直接检验结果时优先用代码；对智能体可检查 fixture 状态、测试、文件或预期 API 效果，过程约束用对话记录检查。主观检查建议每个评判器只针对一种失败模式，给出具体通过/失败定义；权衡用连续度量，偏好比较用盲式成对比较，评分前记录阈值与并列处理；成本/延迟与质量分开记录。
使用方式：先遵循操作协议与校准说明，运行该技能的工作区安装器（会保留已有定制文件）；托管路线在确认连接模式后使用具体服务操作。先确定声明：复用已审核的分类 ID、定义与边界示例，命名检查项、单位（输出、轮次、对话、轨迹或最终状态）、必要证据与明确的通过/失败含义。若需整理论述可用已安装的 eval-error-analysis。
验证与限制：准备专家标注的通过/失败样例，将提示示例与开发校准、最终留出验证分开；覆盖清晰通过、失败、空输出、答错问题及类注入文本。将评判器判定与人类比较，检查分歧，修订定义并重跑开发样例。分别记录误通过与误失败、类别计数、不确定性、评判器配置与标准版本。智能体生成的标签不能验证其自身评判器；Jev 置信度代表果断程度而非准确性。需向人类展示实际输出、标签、判定与理由；若分歧未解决，将评测器标为临时并限制使用。在更换评判器、模式、量规或领域分布后需重新验证。交付物包括版本化标准、可运行/已配置评测器、验证证据与已知限制，并引用相关失败类别；在测量适合预期决策前，不要开始应用优化。具体收费、价格、平台要求与安装命令细节暂未提供。