用途：为 LLM 应用建立系统化评估策略，覆盖从自动指标到人工评估与 A/B 测试的完整流程。适用于衡量应用性能、比较不同模型或提示词、在部署前发现性能回归、验证提示词改动带来的提升、为生产系统建立信心、建立基线并跟踪进展，以及调试模型异常行为。
主要能力：资料列出核心评估类型，包括自动指标、人工评估、LLM-as-Judge，以及 BLEU、ROUGE、BERTScore 和自定义指标；还涉及单输出评估、成对比较、标注指南、评分者间一致性、统计检验框架、回归检测和运行基准测试。
使用方式：先明确目标、约束与所需输入，再应用相关最佳实践并验证结果，给出可执行步骤与验证方法。若需要详细示例，可打开 resources/implementation-playbook.md。
限制：该技能不适用于与 LLM 评估无关的任务，也不适用于超出此范围的其它领域或工具。资料未提供具体安装命令、代码示例、收费信息或平台支持细节。