用途：给 AI 输入后对其输出施加断言，衡量成功并跟踪可靠性。核心结构：case 为 {id, prompt, assert:[...]}，断言分确定性（代码执行，快且免费）与模型评分（LLM 评审）两类；多轮试验后报告 pass^k（全部通过，可靠性关键）与 pass@k（任一通过）。
主要能力：Tools/Assertions.ts 提供 equals、contains、icontains、contains-all/any、regex、starts-with、ends-with、is-json、contains-json、max-length、min-length 及 not- 取反；Tools/Judge.ts 提供 llm-rubric（1–5 映射 0–1）与 llm-assert（自然语言断言返回 TRUE/FALSE/UNKNOWN），先理由后打分并强制结构化裁决；Tools/EvalRunner.ts 加载套件、按 case 运行被测代理、计算指标并保存记录与 latest.json；SuiteManager.ts 管理套件与饱和度；FailureToTask.ts 将真实失败转为用例。
使用方式：bun run ${LIFEOS_SKILL_DIR}/Tools/EvalRunner.ts -s <suite> [-t trials] [--json]；自检用 Tools/Assertions.ts 与 Tools/Judge.ts。套件为 YAML，含 name、type（regression/capability）、pass_threshold、agent_level、judge_level、trials 及 cases。工作流通过触发语路由，如“run the eval”对应 RunEval.md，“new eval”对应 CreateUseCase.md 等。
限制与注意：判定模型级别须不同于被测代理（默认 agent=medium、judge=high）；UNKNOWN 计为失败；is-json 检查整个输出，contains-json 检查内嵌片段；单次推理无工具需注入 [EVALUATION CONTEXT] 后缀；v1 grader-stack 与 @langwatch/scenario 路径已过时且按 API 计费，不建议用于主要工作；无 API 密钥路径。分类：测试与质量。