用途：评估或改进现有 LLM 智能体的输出质量，包括提升工具选择准确率与回答质量。以 MLflow 为唯一评估基础设施，覆盖追踪设置、环境配置、数据集创建、评分器定义与评估执行，各部分可独立使用。
主要能力与要求：必须使用 MLflow 原生 API，而非自建框架——数据集用 mlflow.genai.datasets.create_dataset()，评分器用 mlflow.genai.scorers 与 mlflow.genai.judges.make_judge()，评估用 mlflow.genai.evaluate()，脚本使用自带 scripts/ 目录模板。原因在于 MLflow 会在实验中统一记录数据集、评分器、追踪与结果，自建框架会丢失可观测性。
使用方式：安装 MLflow 3.8+；命令统一用 uv run 执行，例如 uv run mlflow --version、uv run python scripts/xxx.py。先检查 MLFLOW_TRACKING_URI 与 MLFLOW_EXPERIMENT_ID 是否已配置，已配置则跳过环境设置，直接做追踪集成与评估。追踪须先于评估可用，并用 scripts/validate_tracing_runtime.py 验证。评估流程分四步：理解智能体用途（运行并查看 trace）；定义质量评分器（先列出实验已注册评分器，已注册的必须使用，再按需用 make_judge() 新增并注册）；准备数据集（必须先用 scripts/list_datasets.py 发现已有数据集，仅在用户拒绝后才用 create_dataset_template.py 新建）；执行评估（scripts/run_evaluation_template.py --module ... --entry-point ... 生成脚本后运行，再用 analyze_results.py 分析，输出 evaluation_report.md）。文档需经 https://mlflow.org/docs/latest/llms.txt 访问。
限制：文档与技能针对 Databricks 场景的 MLflow 评估工作流，具体要求以官方资料为准；部分环境配置、模型选择等细节需查阅其 references 文档，暂未在本资料中完整提供。